選取您的 Cookie 偏好設定

我們使用提供自身網站和服務所需的基本 Cookie 和類似工具。我們使用效能 Cookie 收集匿名統計資料,以便了解客戶如何使用我們的網站並進行改進。基本 Cookie 無法停用,但可以按一下「自訂」或「拒絕」以拒絕效能 Cookie。

如果您同意,AWS 與經核准的第三方也會使用 Cookie 提供實用的網站功能、記住您的偏好設定,並顯示相關內容,包括相關廣告。若要接受或拒絕所有非必要 Cookie,請按一下「接受」或「拒絕」。若要進行更詳細的選擇,請按一下「自訂」。

Amazon SageMaker Debugger

焦點模式
Amazon SageMaker Debugger - Amazon SageMaker AI

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。

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。

即時偵錯機器學習訓練任務的模型輸出張量,並使用 Amazon SageMaker Debugger 偵測非收斂問題。

Amazon SageMaker Debugger 功能

機器學習 (ML) 訓練任務可能會遇到諸如過度擬合、飽和啟動函式和梯度消失等問題,這可能會洩露模型效能。

SageMaker Debugger 提供可偵錯訓練任務並解決此類問題的工具,改善模型的效能。發現訓練異常狀況時,Debugger 也提供傳送提醒的工具,針對問題採取行動,並透過視覺化收集的指標和張量來識別其根本原因。

SageMaker Debugger 支援 Apache MXNet、PyTorch、TensorFlow 和 XGBoost 架構。如需 SageMaker Debugger 所支援之可用架構和版本的詳細資訊,請參閱支援的架構和演算法

Amazon SageMaker Debugger 的運作方式概觀。

高階 Debugger 工作流程如下所示:

  1. 如有需要,請使用 sagemaker-debugger Python SDK 修改您的訓練指令碼。

  2. 使用 SageMaker Debugger 設定 SageMaker 訓練任務。

  3. 開啟訓練任務並即時監控訓練問題。

  4. 收到提醒並針對訓練問題立即採取行動。

  5. 探索訓練問題的深度分析。

  6. 修正問題、考慮 Debugger 所提供的建議,然後重複步驟 1-5,直到您最佳化模型並達到目標準確度為止。

SageMaker Debugger 開發人員指南會逐步引導您完成下列主題。

隱私權網站條款Cookie 偏好設定
© 2025, Amazon Web Services, Inc.或其附屬公司。保留所有權利。