本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

設定偵錯工具規則的筆記本和程式碼範例範例

在以下各節中，會提供筆記本和程式碼範例，說明如何使用 Debugger 規則來監控 SageMaker 訓練任務。

偵錯工具內建規則範例筆記本

下列範例筆記本示範如何在使用 Amazon 執行訓練工作時使用 Debugger 內建規則 SageMaker：

在 SageMaker Studio 中執行範例筆記本時，您可以在 Studio 實驗清單索引標籤上找到建立的訓練任務試用版。例如，如下列螢幕擷取畫面所示，您可以尋找並開啟目前訓練任務的描述試驗元件視窗。在偵錯工具索引標籤上，您可以檢查偵錯程式規則 (vanishing_gradient() 和 loss_not_decreasing()) 是否平行監控訓練任務工作階段。如需如何在 Studio UI 中尋找訓練任務試用元件的完整說明，請參閱 SageMaker Studio - 檢視實驗、試用和試用元件。

有兩種方法可以在 SageMaker 環境中使用 Debugger 內建規則：在準備內建規則時部署規則，或視需要調整其參數。下列主題示範如何搭配範例程式碼使用內建規則。

偵錯工具內建規則範例程式碼

下列程式碼範例示範如何使用 Rule.sagemaker 方法設定偵錯工具內建規則。若要指定您要執行的內建規則，請使用 rules_configsAPI操作來呼叫內建規則。要查找 Debugger 內建規則和預設參數值的完整清單，請參閱Debugger 內建規則清單。

import sagemaker
from sagemaker.tensorflow import TensorFlow
from sagemaker.debugger import Rule, CollectionConfig, rule_configs

# call built-in rules that you want to use.
built_in_rules=[ 
            Rule.sagemaker(rule_configs.vanishing_gradient())
            Rule.sagemaker(rule_configs.loss_not_decreasing())
]

# construct a SageMaker estimator with the Debugger built-in rules
sagemaker_estimator=TensorFlow(
    entry_point='directory/to/your_training_script.py',
    role=sm.get_execution_role(),
    base_job_name='debugger-built-in-rules-demo',
    instance_count=1,
    instance_type="ml.p3.2xlarge",
    framework_version="2.9.0",
    py_version="py39",

    # debugger-specific arguments below
    rules=built_in_rules
)
sagemaker_estimator.fit()

如需偵錯工具規則類別、方法和參數的詳細資訊，請參閱 Amazon SageMaker Python SDK中的SageMaker 偵錯工具規則類別。

要查找有關如何調整 Debugger 規則參數的範例，請參閱以下 透過參數修改使用 Debugger 內建規則 部分。

透過參數修改使用 Debugger 內建規則

下列程式碼範例示範調整參數的內建規則結構。在此範例中，stalled_training_rule 會每 50 個步驟會從訓練任務收集 losses 張量集合，並每 10 個步驟收集評估階段。如果訓練程序開始停止，而且在 120 秒內未收集張量輸出，則 stalled_training_rule 會停止訓練任務。

import sagemaker
from sagemaker.tensorflow import TensorFlow
from sagemaker.debugger import Rule, CollectionConfig, rule_configs

# call the built-in rules and modify the CollectionConfig parameters

base_job_name_prefix= 'smdebug-stalled-demo-' + str(int(time.time()))

built_in_rules_modified=[
    Rule.sagemaker(
        base_config=rule_configs.stalled_training_rule(),
        rule_parameters={
                'threshold': '120',
                'training_job_name_prefix': base_job_name_prefix,
                'stop_training_on_fire' : 'True'
        }
        collections_to_save=[ 
            CollectionConfig(
                name="losses", 
                parameters={
                      "train.save_interval": "50"
                      "eval.save_interval": "10"
                } 
            )
        ]
    )
]

# construct a SageMaker estimator with the modified Debugger built-in rule
sagemaker_estimator=TensorFlow(
    entry_point='directory/to/your_training_script.py',
    role=sm.get_execution_role(),
    base_job_name=base_job_name_prefix,
    instance_count=1,
    instance_type="ml.p3.2xlarge",
    framework_version="2.9.0",
    py_version="py39",

    # debugger-specific arguments below
    rules=built_in_rules_modified
)
sagemaker_estimator.fit()