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.
Vídeos tutoriais do Depurador
nota
O Amazon SageMaker Debugger não está mais aberto a novos clientes. Os clientes existentes podem continuar usando o serviço normalmente. AWS continua investindo em melhorias de segurança e disponibilidade para o Debugger, mas não planejamos introduzir novos recursos. Para obter mais informações, consulte Alteração na disponibilidade do depurador.
Os vídeos a seguir oferecem um tour pelos recursos do Amazon SageMaker Debugger usando instâncias de notebook SageMaker Studio e SageMaker AI.
Tópicos
Depuração de modelos com o Amazon SageMaker Debugger no Studio Classic
Julien Simon, Evangelista AWS Técnico | Duração: 14 minutos e 17 segundos
Este vídeo tutorial demonstra como usar o Amazon SageMaker Debugger para capturar e inspecionar informações de depuração de um modelo de treinamento. O exemplo de modelo de treinamento usado neste vídeo é uma rede neural convolucional simples (CNN) baseada em Keras com o back-end. TensorFlow SageMaker A IA em uma TensorFlow estrutura e o Debugger permitem que você crie um ModelTrainer diretamente usando o script de treinamento e depure o trabalho de treinamento.
É possível encontrar o caderno de exemplo no vídeo neste repositório de demonstrações do Studiodebugger.ipynb notebook e o script de mnist_keras_tf.py treinamento no seu SageMaker Studio ou em uma instância do SageMaker notebook. Depois de clonar os dois arquivos, especifique o caminho keras_script_path para o arquivo mnist_keras_tf.py dentro do caderno debugger.ipynb. Por exemplo, se você clonou os dois arquivos no mesmo diretório, defina-o como keras_script_path =
"mnist_keras_tf.py".
Mergulhe profundamente no Amazon SageMaker Debugger e SageMaker no monitor de modelos de IA
Julien Simon, Evangelista AWS Técnico | Duração: 44 minutos 34 segundos
Esta sessão de vídeo explora os recursos avançados do Debugger e do SageMaker Model Monitor que ajudam a aumentar a produtividade e a qualidade de seus modelos. Primeiro, esse vídeo mostra como detectar e corrigir problemas de treinamento, visualizar tensores e aprimorar modelos com o Debugger. Em seguida, às 22:41, o vídeo mostra como monitorar modelos em produção e identificar problemas de previsão, como recursos ausentes ou desvio de dados, usando o AI Model Monitor. SageMaker Por fim, ele oferece dicas de otimização de custos para ajudá-lo a aproveitar ao máximo seu orçamento de machine learning.
É possível encontrar o caderno de exemplo do vídeo neste repositório do Dev Days 2020 da AWS
