Vídeos tutoriais do Depurador

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.

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.

Os vídeos a seguir fornecem um tour pelos recursos do Amazon SageMaker Debugger usando instâncias de notebook SageMaker Studio e SageMaker AI.

Modelos de depuração com o Amazon SageMaker Debugger no Studio Classic

Julien Simon, Evangelista AWS Técnico | Duração: 14 minutos 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 estimador 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 Studio fornecido pelo autor. Você precisa clonar o arquivo do debugger.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. A seguir, 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 oferecido pelo autor.