使用具有預設參數設定的 Debugger 內建規則

若要在估算器中指定偵錯工具內建規則，您需要設定清單物件。下列範例程式碼顯示列出偵錯工具內建規則的基本結構。

from sagemaker.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.built_in_rule_name_1()),
    Rule.sagemaker(rule_configs.built_in_rule_name_2()),
    ...
    Rule.sagemaker(rule_configs.built_in_rule_name_n()),
    ... # You can also append more profiler rules in the ProfilerRule.sagemaker(rule_configs.*()) format.
]

有關預設參數值和內建規則說明的詳細資訊，請參閱Debugger 內建規則清單。

若要尋找 SageMaker 偵錯工具API參考，請參閱 sagemaker.debugger.rule_configs和 sagemaker.debugger.Rule。

例如，若要檢查模型的整體訓練效能和進度，請使用下列內建規則組態建構 SageMaker 估算器。

from sagemaker.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.loss_not_decreasing()),
    Rule.sagemaker(rule_configs.overfit()),
    Rule.sagemaker(rule_configs.overtraining()),
    Rule.sagemaker(rule_configs.stalled_training_rule())
]

當您開始訓練任務時，偵錯工具會每 500 毫秒收集一次系統資源使用率資料，並依預設每 500 個步驟收集一次遺失和準確度值。偵錯工具會分析資源使用率，來識別您的模型是否有瓶頸問題。loss_not_decreasing、overfit、overtraining 和 stalled_training_rule 會監控您的模型是否在沒有這些訓練問題的情況下，最佳化損耗功能。如果規則偵測到訓練有異常狀況，則規則評估狀態會變更為 IssueFound。您可以設定自動動作，例如使用 Amazon CloudWatch Events 和 通知訓練問題和停止訓練任務 AWS Lambda。如需詳細資訊，請參閱Amazon SageMaker Debugger 規則的動作。