Unterstützte Frameworks und -Algorithmen - Amazon SageMaker

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.

Unterstützte Frameworks und -Algorithmen

Die folgende Tabelle zeigtSageMaker-Frameworks und -Algorithmen für maschinelles Lernen, die von Debugger unterstützt werden.

SageMaker-supported frameworks and algorithms Monitoring system bottlenecks Profiling deep learning framework operations Debugging output tensors

TensorFlow

AlleAWSDeep Learning-Behälter

AWS TensorFlowDeep Learning-Behälter2.3.1 oder höher

AWS TensorFlowDeep Learning-Behälter1.15.4 oder höher

PyTorch

AWS PyTorchDeep Learning-Behälter1.6.0 oder höher

AWS PyTorchDeep Learning-Behälter1.5.0 oder höher

MXNet

-

AWSMXNet Deep Learning-Container1.6.0 oder höher

XGBoost

1,0-1, 1.2-1, 1,3-1

-

1,0-1, 1.2-1, 1,3-1

SageMakergenerischer Schätzer

SageMakerIntegrierte -Algorithmen mit Bild-URIs

Benutzerdefinierte Schulungscontainer(mit demAWSDeep-Learning-Container-Images, öffentliche Docker-Images oder eigene Docker-Images)

-

Benutzerdefinierte Schulungscontainer(verfügbar fürTensorFlow,PyTorch, MXNet und XgBoost mit manueller Hakenregistrierung)

  • Überwachung von Systemengpässen— Überwachen Sie die Systemauslastungsrate für Ressourcen wie CPU, GPU, Speicher, Netzwerk und Daten-E/A-Metriken. Dies ist ein Framework- und Modell-agnostisches Merkmal und verfügbar für alle Ausbildungsjobs inSageMakeraus.

  • Profiling Deep Learning-Framework— Profilieren Sie die Deep-Learning-Operationen desTensorFlowundPyTorchFrameworks wie Schrittzeiten, Datenloader, Vorwärts- und Rückwärtsoperationen, Metriken zur Python-Profilerstellung und Framework-spezifische Metriken.

  • Debuggen von Ausgangstensoren— Verfolgen und debuggen Sie Modellparameter wie Gewichte, Verläufe, Vorurteile und Skalarwerte Ihres Trainingsauftrags. Verfügbare Deep-Learning-Frameworks sind Apache MXNet,TensorFlow,PyTorchund xgBoost.

    Wichtig

    Für denTensorFlowFramework mit Keras,SageMakerDebugger veraltet die Unterstützung für die Null-Code-Änderung für Debugging-Modelle, die mit demtf.kerasModule vonTensorFlow2.6 und höher. Dies ist auf brechende Änderungen zurückzuführen, die in derTensorFlow2.6.0 Versionshinweisaus. SageMakerDebugger unterstützt weiterhin die Null-Code-Change-Erfahrung für den nativenTensorFlow(was das ausschließttf.kerasModule).

Wenn das Framework oder der Algorithmus, den Sie trainieren und debuggen möchten, nicht in der Tabelle aufgeführt ist, gehen Sie zuAWSDiskussionsforumund hinterlassen Sie Feedback aufSageMakerDebugger.

Verwenden Sie den Debugger mit benutzerdefinierten Schulungscontainern

Bringen Sie Ihre Schulungscontainer zuSageMakerund gewinnen Sie mit Debugger Einblicke in Ihre Trainingsjobs. Maximieren Sie Ihre Arbeitseffizienz, indem Sie Ihr Modell auf Amazon EC2 EC2-Instanzen mithilfe der Überwachungs- und Debugging-Funktionen optimieren.

Weitere Informationen zum Aufbau Ihres Schulungs-Containers mitSMDebugClient-Bibliothek, schieben Sie sie in Amazon Elastic Container Registry (Amazon ECR) und überwachen und debuggen Sie, sieheVerwenden Sie den Debugger mit benutzerdefinierten Schulungscontainernaus.

Debugger-Open-SourceGitHubRepositorys

Debugger-APIs werden über dieSageMakerPython SDK und wurde entwickelt, um Debugger-Hook- und Regelkonfigurationen für denSageMaker CreateTrainingAufgabeund DescribeTrainingAufgabeAPI-Operationen DieSMDebugClient-Bibliothek bietet Tools zur RegistrierungHakenund greifen Sie auf die Trainingsdaten überVersuchFeature, alles durch seine flexiblen und leistungsstarken API-Operationen. Es unterstützt die Frameworks für maschinelles LernenTensorFlow,PyTorch, MXNet und XGBoost mit Python 3.6 und höher.

Für direkte Ressourcen über den Debugger undSMDebugAPI-Operationen finden Sie unter den folgenden Links:

Wenn Sie das SDK for Java verwendenSageMakerSchulungsjobs und Debugger-APIs konfigurieren möchten, finden Sie in den folgenden Referenzen: