As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Algoritmos e frameworks compatíveis
A tabela a seguir mostra as estruturas e algoritmos de aprendizado de máquina de SageMaker IA compatíveis com o Debugger.
| SageMaker AI-supported frameworks and algorithms | Debugging output tensors |
|---|---|
|
AWS TensorFlow contêineres de aprendizado profundo |
|
|
AWS PyTorch contêineres de aprendizado profundo |
|
|
AWS MXNet contêineres de aprendizado profundo |
|
|
1.0-1, 1.2-1, 1.3-1 |
|
|
Contêineres de treinamento personalizados (disponíveis para TensorFlow PyTorch, MXNet, e XGBoost com registro manual de ganchos) |
-
Depuração de tensores de saída: Monitore e depure os parâmetros do modelo, como pesos, gradientes, tendenciosos e valores escalares do seu trabalho de treinamento. As estruturas de aprendizado profundo disponíveis são Apache MXNet, TensorFlow PyTorch, e. XGBoost
Importante
Para a TensorFlow estrutura com Keras, o SageMaker Debugger desaprova o suporte de alteração de código zero para modelos de depuração criados usando os módulos 2.6 e posteriores.
tf.kerasTensorFlow Isso se deve às mudanças significativas anunciadas na nota de lançamento TensorFlow 2.6.0. Para obter instruções sobre como atualizar seu script de treinamento, consulte Adapte seu roteiro TensorFlow de treinamento. Importante
A partir da PyTorch versão 1.12.0 e versões posteriores, o SageMaker Debugger descontinua o suporte à alteração de código zero para modelos de depuração.
Isso ocorre devido a alterações significativas que fazem com que o SageMaker Debugger interfira na funcionalidade.
torch.jitPara obter instruções sobre como atualizar seu script de treinamento, consulte Adapte seu roteiro PyTorch de treinamento.
Se a estrutura ou algoritmo que você deseja treinar e depurar não estiver listado na tabela, acesse o Fórum de AWS discussão
Regiões da AWS
O Amazon SageMaker Debugger está disponível em todas as regiões em que o Amazon SageMaker AI está em serviço, exceto na região a seguir.
Ásia-Pacífico (Jacarta):
ap-southeast-3
Para descobrir se a Amazon SageMaker AI está em serviço no seu Região da AWS, consulte Serviços AWS regionais
Use o Depurador com contêineres de treinamento personalizados
Traga seus contêineres de treinamento para a SageMaker IA e obtenha informações sobre seus trabalhos de treinamento usando o Debugger. Maximize sua eficiência de trabalho otimizando seu modelo nas EC2 instâncias da Amazon usando os recursos de monitoramento e depuração.
Para obter mais informações sobre como compilar seu contêiner de treinamento com a biblioteca de cliente sagemaker-debugger, enviá-lo para o Amazon Elastic Container Registry (Amazon ECR), monitorar e depurar, consulte Use o Depurador com contêineres de treinamento personalizados.
Repositórios de código aberto do Debugger GitHub
APIs Os depuradores são fornecidos por meio do SDK do SageMaker Python e projetados para criar configurações de regras e ganchos do Debugger para as operações de IA e API. SageMaker CreateTrainingJob DescribeTrainingJob A biblioteca de clientes sagemaker-debugger fornece ferramentas para registrar hooks e acessar os dados de treinamento por meio de seu atributo de avaliação, por meio de suas operações de API flexíveis e avançadas. Ele é compatível com as estruturas de aprendizado de máquina TensorFlow, PyTorch MXNet, e XGBoost no Python 3.6 e versões posteriores.
Para recursos diretos sobre o Depurador e as operações de API sagemaker-debugger, consulte os seguintes links:
Se você usa o SDK for Java para SageMaker realizar trabalhos de treinamento e quiser configurar o APIs Debugger, consulte as seguintes referências:
