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.
SageMaker Depurador Amazon
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.
Depure tensores de saída do modelo de trabalhos de treinamento de aprendizado de máquina em tempo real e detecte problemas não convergentes usando o Amazon Debugger. SageMaker
Recursos do Amazon SageMaker Debugger
Um trabalho de treinamento de machine learning (ML) pode ter problemas como sobreajuste, funções de ativação com saturação e gradientes que se diminuem, o que pode comprometer o desempenho do modelo.
SageMaker O Debugger fornece ferramentas para depurar trabalhos de treinamento e resolver esses problemas para melhorar o desempenho do seu modelo. O Depurador também oferece ferramentas para enviar alertas quando anomalias de treinamento são encontradas, executar ações contra os problemas e identificar a causa raiz deles por meio da visualização ao coletar métricas e tensores.
SageMaker O Debugger suporta as estruturas Apache MXNet, PyTorch, TensorFlow e XGBoost. Para obter mais informações sobre as estruturas disponíveis e as versões suportadas pelo SageMaker Debugger, consulte. Algoritmos e frameworks compatíveis
O fluxo de trabalho de alto nível do Depurador é o seguinte:
-
Modifique seu script de treinamento com o SDK Python
sagemaker-debugger, se necessário. -
Configure um trabalho SageMaker de treinamento com o SageMaker Debugger.
-
Configure usando a ModelTrainer API SageMaker AI (para Python SDK).
-
Configure usando a
CreateTrainingJobsolicitação de SageMaker IA (para Boto3 ou CLI). -
Configure contêineres de treinamento personalizados com o SageMaker Debugger.
-
-
Inicie um trabalho de treinamento e monitore os problemas de treinamento em tempo real.
-
Seja alertado e tome medidas imediatas contra os problemas de treinamento.
-
Receba mensagens de texto e e-mails e interrompa os trabalhos de treinamento quando forem encontrados problemas de treinamento no uso de Usar ações integradas das regras do Depurador.
-
Configure suas próprias ações usando o Amazon CloudWatch Events AWS Lambda e.
-
-
Explore uma análise profunda dos problemas de treinamento.
-
Para a depuração de tensores de saída do modelo, consulte Visualize os tensores de saída do depurador em TensorBoard.
-
-
Corrija os problemas, considere as sugestões fornecidas pelo Depurador e repita as etapas de 1 a 5 até otimizar seu modelo e atingir a precisão desejada.
O guia do desenvolvedor do SageMaker Debugger orienta você nos tópicos a seguir.
Tópicos
