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 Tutorial-Videos
Die folgenden Videos bieten eine Einführung in die Amazon- SageMaker Debugger-Funktionen mithilfe von SageMaker Studio- und SageMaker Notebook-Instances.
Themen
Debuggen von Modellen mit Amazon SageMaker Debugger in Studio
Julien Simon, AWS Technical Evangelist | Länge: 14 Minuten und 17 Sekunden
Dieses Tutorial-Video zeigt, wie Sie Amazon SageMaker Debugger verwenden, um Debugging-Informationen aus einem Trainingsmodell zu erfassen und zu überprüfen. Das in diesem Video verwendete Beispiel-Trainingsmodell ist ein einfaches Convolutional Neural Network (CNN), das auf Keras mit dem TensorFlow backend. SageMaker in einem TensorFlow Framework und Debugger basiert, sodass Sie einen Schätzer direkt mithilfe des Trainingsskripts erstellen und den Trainingsauftrag debuggen können.
Sie finden das Beispiel-Notebook im Video in diesem vom Autor bereitgestellten Studio-Demo-Repositorydebugger.ipynbNotebook-Datei und das mnist_keras_tf.py Trainingsskript in Ihr SageMaker Studio oder eine SageMaker Notebook-Instance klonen. Nachdem Sie die beiden Dateien geklont haben, geben Sie den Pfad keras_script_path zur mnist_keras_tf.py-Datei im debugger.ipynb-Notebook an. Wenn Sie die beiden Dateien im selben Verzeichnis geklont haben, legen Sie sie als keras_script_path =
"mnist_keras_tf.py" fest.
Detaillierter Einblick in Amazon SageMaker Debugger und SageMaker Model Monitor
Julien Simon, AWS Technical Evangelist | Länge: 44 Minuten und 34 Sekunden
In dieser Videositzung werden erweiterte Funktionen von Debugger und SageMaker Model Monitor untersucht, die dazu beitragen, die Produktivität und die Qualität Ihrer Modelle zu steigern. Zunächst zeigt dieses Video, wie Sie Schulungprobleme erkennen und beheben, Tensoren visualisieren und Modelle mit Debugger verbessern können. Als Nächstes zeigt das Video um 22:41 Uhr, wie Modelle in der Produktion überwacht und Prognoseprobleme wie fehlende Features oder Datenabweichungen mithilfe von SageMaker Model Monitor identifiziert werden. Schließlich bietet es Tipps zur Kostenoptimierung, sodass Sie Ihr Machine Learning-Budget optimal nutzen können.
Sie finden das Beispiel-Notebook im Video in diesem vom Autor bereitgestellten AWS Dev Days 2020 repository
