Gestione Amazon SageMaker Experiments en Studio Classic

importante

El seguimiento de SageMaker experimentos mediante el SDK de Experiments Python solo está disponible en Studio Classic. Recomendamos usar la nueva experiencia de Studio y crear experimentos con las SageMaker integraciones más recientes con MLflow. No hay ninguna integración de la interfaz de usuario de MLflow con Studio Classic. Si desea utilizar MLFlow con Studio, debe iniciar la interfaz de usuario de MLflow mediante. AWS CLI Para obtener más información, consulte Inicie la interfaz de usuario de MLFlow mediante el AWS CLI.

Amazon SageMaker Experiments Classic es una funcionalidad de Amazon SageMaker que te permite crear, gestionar, analizar y comparar tus experimentos de aprendizaje automático en Studio Classic.

Experiments Classic rastrea automáticamente las entradas, los parámetros, las configuraciones y los resultados de las iteraciones a medida que se ejecutan. Puedes asignar, agrupar y organizar estas ejecuciones en experimentos. SageMaker Experiments está integrado con Amazon SageMaker Studio Classic y proporciona una interfaz visual para explorar los experimentos activos y anteriores, comparar las ejecuciones en función de las principales métricas de rendimiento e identificar los modelos con mejor rendimiento. SageMaker Experiments hace un seguimiento de todos los pasos y elementos necesarios para crear un modelo, y puede revisar rápidamente los orígenes de un modelo cuando esté solucionando problemas en la producción o auditando sus modelos para comprobar su conformidad.

Utilice SageMaker Experimentos para ver, gestionar, analizar y comparar tanto los experimentos personalizados que cree mediante programación como los que se crean automáticamente a partir de tareas. SageMaker

Ejemplos de cuadernos para Experiments Classic

Los siguientes tutoriales muestran cómo realizar un seguimiento de las ejecuciones de varios experimentos de entrenamiento con modelos. Puede ver los experimentos resultantes en Studio Classic después de ejecutar los cuadernos. Para ver un tutorial que muestra las funciones adicionales de Studio Classic, consulte. Visita clásica a Amazon SageMaker Studio

Realice un seguimiento de los experimentos en un entorno de cuaderno

Para obtener más información sobre el seguimiento de los experimentos en un entorno de cuadernos, consulte los siguientes cuadernos de ejemplo:

• Realizar un seguimiento de un experimento mientras forma un modelo de Keras a nivel local

• Realizar un seguimiento de un experimento mientras forma un modelo de Pytorch localmente o en su cuaderno

Controle el sesgo y la explicabilidad de sus experimentos con Clarify SageMaker

Para obtener una step-by-step guía sobre el seguimiento de los sesgos y la explicabilidad de sus experimentos, consulte el siguiente cuaderno de ejemplo:

• Imparcialidad y explicabilidad con Clarify SageMaker

Realice un seguimiento de los experimentos para los trabajos SageMaker de formación mediante el modo script

Para obtener más información sobre el seguimiento de los experimentos para los trabajos de SageMaker formación, consulte los siguientes cuadernos de ejemplo:

• Realice un SageMaker experimento con Pytorch Distributed Data Parallel (clasificación de dígitos manuscritos del MNIST)

• Realiza un seguimiento de un experimento mientras entrenas un modelo de Pytorch con un SageMaker Training Job

• Entrene a un TensorFlow modelo con un trabajo de SageMaker formación y realice un seguimiento del mismo mediante experimentos SageMaker

Ver experimentos y ejecuciones

Amazon SageMaker Studio Classic proporciona un navegador de experimentos que puede utilizar para ver listas de experimentos y ejecuciones. Puede elegir una de estas entidades para ver información detallada sobre la entidad o elegir varias entidades para compararlas. Puede filtrar la lista de experimentos por nombre de entidad, tipo y etiquetas.

Ver experimentos y ejecuciones

1. Para ver el experimento en Studio Classic, en la barra lateral izquierda, selecciona Experimentos.

   Seleccione el nombre del experimento para ver todas las ejecuciones asociadas. Puede buscar experimentos escribiéndolos directamente en la barra de Búsqueda o filtrando por tipo de experimento. También puede elegir qué columnas quiere mostrar en su lista de experimentos o ejecuciones.

   Es posible que la lista tarde un momento en actualizarse y mostrar un experimento nuevo o una ejecución de experimentos nuevos. Puede hacer clic en Actualizar para actualizar la página. Su lista de experimentos debe tener un aspecto similar a este:

   

2. En la lista de experimentos, haga doble clic en un experimento para mostrar una lista de ejecuciones del experimento.

   nota

   De forma predeterminada, las ejecuciones de experimentos que se crean automáticamente mediante SageMaker trabajos y contenedores están visibles en la interfaz de usuario clásica de Experiments Studio. Para ocultar las carreras creadas por los SageMaker trabajos de un experimento determinado, selecciona el icono de configuración ( ) y activa la opción Mostrar trabajos.

   

3. Haga doble clic en una ejecución para mostrar información sobre una ejecución específica.

   En el panel de Información general, elija cualquiera de los siguientes encabezados para ver la información disponible sobre cada ejecución:

   • Métricas: métricas que se registran durante una ejecución.

   • Gráficos: cree sus propios gráficos para comparar ejecuciones.

   • Artefactos de salida: todos los artefactos resultantes de la ejecución del experimento y las ubicaciones de los artefactos en Amazon S3.

   • Informes de sesgo: informes de sesgo previos o posteriores al entrenamiento generados con Clarify.

   • Explicabilidad: informes de explicabilidad generados con Clarify.

   • Depuraciones: una lista de reglas del depurador y de problemas encontrados.

Migre de Experiments Classic a Amazon SageMaker con MLflow

Los experimentos anteriores creados con Experiments Classic todavía están disponibles para su visualización en Studio Classic. Si desea mantener y usar el código de experimentos anteriores con MLFlow, debe actualizar su código de entrenamiento para usar el SDK de MLflow y volver a ejecutar los experimentos de entrenamiento. Para obtener más información sobre cómo empezar a utilizar el SDK de MLFlow y el complemento de AWS MLflow, consulte. Realice un seguimiento de los experimentos con MLflow