Amazon SageMaker Debugger

Debuggen, überwachen und profilieren von Schulungsaufträgen in Echtzeit, erkennen nicht konvergierende Bedingungen, optimieren die Ressourcennutzung durch Beseitigung von Engpässen, verbessern die Schulungszeit und senken die Kosten für Ihre maschinellen Lernmodelle mithilfe von Amazon SageMaker Debugger.

Amazon SageMaker Debugger-Funktionen

Ein maschinelles Lernen (ML) Training Job kann Probleme wie Systemengpässe, Überanpassung, gesättigte Aktivierungsfunktionen und verschwindende Farbverläufe haben, die die Modellleistung beeinträchtigen können.

SageMaker Debugger profiliert und debuggt Schulungsaufträge, um solche Probleme zu lösen und die Rechenressourcenauslastung und -leistung Ihres ML-Modells zu verbessern. Debugger bietet Tools, um Warnungen zu senden, wenn Trainingsanomalien gefunden werden, Maßnahmen gegen die Probleme zu ergreifen und die Ursache dieser durch Visualisierung gesammelter Metriken und Tensoren zu identifizieren.

SageMaker Debugger unterstützt Apache MXNet, TensorFlow, PyTorch und XGBoost. Weitere Informationen zu verfügbaren Frameworks und Versionen finden Sie unterUnterstützte Frameworks und Algorithmenaus.

Der High-Level-Debugger-Sammlungen ist wie folgt:

1. Konfigurieren Sie einen SageMaker Schulungsauftrag mit Debugger.

   • Konfigurieren mit dem SageMakerEstimatorAPI (für Python-SDK)aus.

   • Konfigurieren mit dem SageMakerCreateTrainingJobAnfrage (für Boto3 oder CLI)aus.

   • Konfigurationbenutzerdefinierte Schulungscontainermit Debugger.

2. Starten Sie einen Schulungsauftrag und überwachen Sie Schulungsprobleme in Echtzeit.

   • SageMaker Studio Debugger-Dashboards in Studio-Experimenten und -Studienaus.

   • Liste der integrierten Debugger-Regeln.

3. Erhalten Sie Warnungen und ergreifen Sie umgehend Maßnahmen gegen Schulungsprobleme.

   • Erhalten Sie Texte und E-Mails und beenden Sie Schulungsaufträge, wenn Schulungsprobleme mitIntegrierte Debugger-Aktionen für Regelnaus.

   • Richten Sie Ihre eigenen Aktionen mitAmazon CloudWatch Events undAWS Lambdaaus.

4. Erhalten Sie Schulungsberichte, Vorschläge zur Behebung der Probleme und Einblicke in Ihre Schulungsaufträge.

   • Studio Debugger Insights-Dashboard für Deep-Learning-Frameworks

   • Bericht zur Profilierung von Deep Learning

   • SageMaker XGBoost Schulungsbericht

5. Erkunden Sie eine tiefgreifende Analyse der Schulungsprobleme und Engpässe.

   • Informationen zur Profilerstellung finden Sie unterAnalysieren von Daten mithilfe der SMDebug-Client-Bibliothekaus.

   • Informationen zum Debuggen von Modellparametern finden Sie unterVisualisieren Sie Debugger-Ausgabetensoren in TensorBoardaus.

6. Beheben Sie die Probleme unter Berücksichtigung der Vorschläge von Debugger, und wiederholen Sie die Schritte 1—5, bis Sie Ihr Modell optimieren und die Zielgenauigkeit erreichen.

Der SageMaker Debugger-Entwicklerhandbuch führt Sie durch die folgenden Themen.

Themen

• Unterstützte Frameworks und Algorithmen
• Amazon SageMaker Debugger-Architektur
• Erste Schritte mit Debugger-Tutorials
• Konfigurieren des Debuggers mit Amazon SageMaker Python SDK
• Konfigurieren des Debuggers mithilfe der Amazon SageMaker API
• Liste der integrierten Debugger-Regeln
• Erstellen benutzerdefinierter Debugger-Regeln für die Trainings-Job Analyse
• Verwenden des Debuggers mit benutzerdefinierten Schulungscontainern
• Aktionen auf Amazon SageMaker Debugger-Regeln
• SageMaker Debugger auf Studio
• SageMaker Debugger Interaktive Berichte
• Analysieren von Daten mithilfe der SMDebug-Client-Bibliothek
• Visualisieren Sie Amazon SageMaker Debugger-Ausgabetensoren in TensorBoard
• Bewährte Methoden für Amazon SageMaker Debugger
• Amazon SageMaker Debugger — Erweiterte Themen und Referenzdokumentation