Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Debugger-Beispiel-Notebooks
BeispielSageMaker -Notebooks für Debugger
Wir empfehlen, die Beispiel-Notebooks auf SageMaker Studio oder einer SageMaker Notebook-Instance auszuführen, da die meisten Beispiele für Schulungsaufträge im SageMaker Ökosystem konzipiert sind, einschließlich Amazon EC2, Amazon S3 und Amazon SageMaker Python SDK.
Um das Beispiel-Repository in SageMaker Studio zu klonen, folgen Sie den Anweisungen unter Amazon SageMaker Studio Bol .
Befolgen Sie die Anweisungen unter Notebook-Instance-Beispiel-Notebooks, um die Beispiele in einer SageMaker Notebook-Instance zu finden. SageMaker
Wichtig
Um die neuen Debugger-Funktionen zu verwenden, müssen Sie das SageMaker Python SDK und die SMDebug
Client-Bibliothek aktualisieren. Führen Sie in Ihrem iPython-Kernel, Jupyter Notebook oder JupyterLab Ihrer Umgebung den folgenden Code aus, um die neuesten Versionen der Bibliotheken zu installieren und den Kernel neu zu starten.
import sys import IPython !{sys.executable} -m pip install -U sagemaker smdebug IPython.Application.instance().kernel.do_shutdown(True)
Debugger-Beispiel-Notebooks für die Profilierung von Schulungsaufträge
Die folgende Liste enthält Beispiel-Notebooks für Debugger, in denen die Anpassungsfähigkeit von Debugger zur Überwachung und Profilierung von Schulungsaufträgen für verschiedene Modelle, Datensätze und Frameworks für Machine Learning vorgestellt wird.
Notebook-Titel | Framework | Modell | Dataset | Beschreibung |
---|---|---|---|---|
TensorFlow |
Keras ResNet50 |
Cifar-10 |
Dieses Notebook bietet eine Einführung in die interaktive Analyse von profilierten Daten, die vom SageMaker Debugger erfasst wurden. Erkunden Sie den vollen Funktionsumfang der |
|
Profilieren von Machine-Learning-Training mit Amazon SageMaker Debugger |
TensorFlow |
Neuronales 1-D-Faltungsnetzwerk |
IMDB-Datensatz |
Profilieren Sie ein TensorFlow 1-D-CNN für die Stimmungsanalyse von IMDB-Daten, die aus Filmrezensionen bestehen, die als positive oder negative Stimmung gekennzeichnet sind. Sehen Sie sich den Studio Debugger Einsichten und den Bericht zur Debugger-Profilerstellung an. |
TensorFlow |
ResNet50 | Cifar-10 |
Führen Sie TensorFlow Schulungsaufträge mit verschiedenen verteilten Trainingseinstellungen aus, überwachen Sie die Auslastung der Systemressourcen und profilieren Sie die Modellleistung mit Debugger. |
|
Profilieren des PyTorch ResNet Modelltrainings mit verschiedenen verteilten Trainingseinstellungen |
PyTorch |
ResNet50 |
Cifar-10 |
Führen Sie PyTorch Schulungsaufträge mit verschiedenen verteilten Trainingseinstellungen aus, überwachen Sie die Auslastung der Systemressourcen und profilieren Sie die Modellleistung mit Debugger. |
Debugger-Beispiel-Notebooks zur Analyse von Modellparametern
Die folgende Liste enthält Beispiel-Notebooks für Debugger, in denen die Anpassungsfähigkeit von Debugger zum Debuggen von Schulungsaufträge für verschiedene Modelle, Datensätze und Frameworks für Machine Learning vorgestellt wird.
Notebook-Titel | Framework | Modell | Dataset | Beschreibung |
---|---|---|---|---|
TensorFlow |
Konvolutionelles neuronales Netzwerk |
MINST |
Verwenden Sie die integrierten Regeln von Amazon SageMaker Debugger zum Debuggen eines TensorFlow Modells. |
|
TensorFlow |
ResNet50 |
Cifar-10 |
Verwenden Sie die Amazon- SageMaker Debugger-Hook-Konfiguration und die integrierten Regeln zum Debuggen eines Modells mit dem Tensorflow-2.1-Framework. |
|
MXNet |
Neuronales Faltungsnetzwerk von Gluon |
Mode MNIST |
Führen Sie einen Trainingsauftrag aus und konfigurieren Sie den SageMaker Debugger so, dass alle Tensoren aus diesem Auftrag gespeichert werden, und visualisieren Sie diese Tensoren dann in einem Notebook. |
|
MXNet |
Neuronales Faltungsnetzwerk von Gluon |
Mode MNIST |
Erfahren Sie, wie der Debugger Tensordaten aus einem Schulungsauftrag auf einer Spot-Instance sammelt und wie Sie die integrierten Debuger-Regeln mit verwaltetem Spot-Training verwenden. |
|
Erläutern Sie ein XGBoost-Modell, das das Einkommen einer Person mit Amazon SageMaker Debugger voraussagt |
XGBoost |
XGBoost-Regression |
Erfahren Sie, wie Sie den Debugger-Hook und die integrierten Regeln zum Sammeln und Visualisieren von Tensordaten aus einem XGBoost-Regressionsmodell verwenden, z. B. Verlustwerte, Merkmale und SHAP-Werte. |
Erweiterte Visualisierungen von Modellparametern und Anwendungsfällen finden Sie im nächsten Thema unter Debugger: Erweiterte Demos und Visualisierung.