使用调试器APIs运行您自己的自定义规则 - Amazon SageMaker

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

使用调试器APIs运行您自己的自定义规则

以下代码示例展示了如何使用 A maz SageMaker on Python 配置自定义规则SDK。此示例假定您在上一步中创建的自定义规则脚本位于 path/to/my_custom_rule.py。

from sagemaker.debugger import Rule, CollectionConfig

custom_rule = Rule.custom(
    name='MyCustomRule',
    image_uri='759209512951.dkr.ecr.us-west-2.amazonaws.com/sagemaker-debugger-rule-evaluator:latest', 
    instance_type='ml.t3.medium',     
    source='path/to/my_custom_rule.py', 
    rule_to_invoke='CustomGradientRule',     
    collections_to_save=[CollectionConfig("gradients")], 
    rule_parameters={"threshold": "20.0"}
)

以下列表解释了调试器Rule.customAPI参数。

  • name（字符串）：指定所需的自定义规则名称。

  • image_uri（字符串）：这是容器的映像，该容器中具有了解您的自定义规则的逻辑。它获取您保存在训练作业中的指定张量集合并进行评估。您可以从URIs适用于自定义规则评估者的 Amazon SageMaker 调试器图片中找到开源 SageMaker 规则评估器图像列表。

  • instance_type（字符串）：您需要指定一个实例来构建规则 Docker 容器。这将启动一个与训练容器并行的实例。

  • source(str)：这是您的自定义规则脚本的本地路径或 Amazon S3 URI。

  • rule_to_invoke(str)：这指定了自定义规则脚本中特定的规则类实现。 SageMaker 在规则作业中一次仅支持评估一条规则。

  • collections_to_save（字符串）：此项指定了要保存哪些张量集合用于要运行的规则。

  • rule_parameters（字典）：这将接受字典格式的参数输入。您可以调整在自定义规则脚本中配置的参数。

设置custom_rule对象后，您可以使用它来为任何训练作业构建 SageMaker 估算器。对您的训练脚本指定 entry_point。您不需要对训练脚本进行任何更改。

from sagemaker.tensorflow import TensorFlow

estimator = TensorFlow(
                role=sagemaker.get_execution_role(),
                base_job_name='smdebug-custom-rule-demo-tf-keras',
                entry_point='path/to/your_training_script.py'
                train_instance_type='ml.p2.xlarge'
                ...
                
                # debugger-specific arguments below
                rules = [custom_rule]
)

estimator.fit()

有关使用 Debugger 自定义规则的更多变体和高级示例，请参阅以下示例笔记本。