Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Exemples de blocs-notes Debugger
Des exemples de blocs-notes SageMaker Debugger
Nous vous recommandons d'exécuter les exemples de blocs-notes sur SageMaker Studio ou sur une instance de bloc-notes SageMaker, car la plupart de ces exemples sont conçus pour des tâches d'entraînement dans l'écosystème SageMaker, y compris Amazon EC2, Amazon S3 et le kit SDK Python Amazon SageMaker.
Pour cloner l'exemple de référentiel vers SageMaker Studio, suivez les instructions de la rubrique Visite guidée Amazon SageMaker Studio.
Pour chercher les exemples d'une instance de bloc-notes SageMaker, suivez les instructions de la rubrique Exemples de blocs-notes SageMaker.
Important
Pour utiliser les nouvelles fonctions de Debugger, vous devez mettre à niveau le kit SDK Python SageMaker et la bibliothèque client SMDebug
. Dans votre noyau iPython, bloc-notes Jupyter ou environnement JupyterLab, exécutez le code suivant pour installer les dernières versions des bibliothèques et redémarrer le noyau.
import sys import IPython !{sys.executable} -m pip install -U sagemaker smdebug IPython.Application.instance().kernel.do_shutdown(True)
Exemple de blocs-notes Debugger pour le profilage des tâches d'entraînement
La liste suivante contient des exemples de blocs-notes Debugger présentant l'adaptabilité de Debugger au contrôle et au profilage des tâches d'entraînement pour divers modèles de machine learning, jeux de données et cadres.
Titre du bloc-notes | Cadre | Modèle | Jeux de données | Description |
---|---|---|---|---|
Analyse des données de profilage d'Amazon SageMaker Debugger |
TensorFlow |
Keras ResNet50 |
Cifar-10 |
Ce bloc-notes fournit une introduction à l'analyse interactive des données profilées capturées par SageMaker Debugger. Explorez toutes les fonctionnalités des outils d'analyse interactifs |
Profiler l'entraînement de machine learning avec Amazon SageMaker Debugger |
TensorFlow |
Réseau neuronal convolutif 1-D |
Jeu de données IMDB |
Profilez un CNN 1-D TensorFlow pour une analyse de ressenti des données IMDB, qui consiste en critiques de films étiquetées comme ayant un ressenti positif ou négatif. Explorez les informations de Studio Debugger et le rapport de profilage de Debugger. |
TensorFlow |
ResNet50 | Cifar-10 |
Exécutez des tâches d'entraînement TensorFlow avec différents paramètres d'entraînement distribués, contrôlez l'utilisation des ressources système et profilez les performances du modèle à l'aide de Debugger. |
|
PyTorch |
ResNet50 |
Cifar-10 |
Exécutez des tâches d'entraînement PyTorch avec différents paramètres d'entraînement distribués, contrôlez l'utilisation des ressources système et profilez les performances du modèle à l'aide de Debugger. |
Exemple de blocs-notes Debugger pour l'analyse des paramètres de modèle
La liste suivante contient des exemples de blocs-notes Debugger présentant l'adaptabilité de Debugger au débogage des tâches d'entraînement pour divers modèles de machine learning, jeux de données et cadres.
Titre du bloc-notes | Cadre | Modèle | Jeux de données | Description |
---|---|---|---|---|
Amazon SageMaker Debugger : utilisation des règles intégrées |
TensorFlow |
Réseau neuronal convolutif |
MNIST |
Utilisez les règles intégrées d'Amazon SageMaker Debugger pour le débogage d'un modèle TensorFlow. |
Amazon SageMaker Debugger : Tensorflow 2.1 |
TensorFlow |
ResNet50 |
Cifar-10 |
Utilisez la configuration de hook et les règles intégrées d'Amazon SageMaker Debugger pour déboguer un modèle avec le cadre Tensorflow 2.1. |
Entraînement pour visualiser les tenseurs de débogage de MXNet |
MXNet |
Réseau neuronal convolutif Gluon |
Fashion MNIST |
Exécutez une tâche d'entraînement et configurez SageMaker Debugger pour stocker tous les tenseurs de cette tâche, puis visualisez ces tenseurs dans un bloc-notes. |
Activer l'entraînement Spot avec Amazon SageMaker Debugger |
MXNet |
Réseau neuronal convolutif Gluon |
Fashion MNIST |
Découvrez comment Debugger collecte des données de tenseurs à partir d'une tâche d'entraînement sur une instance Spot, et comment utiliser les règles intégrées de Debugger avec un entraînement Spot géré. |
Expliquer un modèle XGBoost qui prédit le revenu d'un individu avec Amazon SageMaker Debugger |
XGBoost |
Régression XGBoost |
Découvrez comment utiliser le hook et les règles intégrées de Debugger pour collecter et visualiser des données de tenseurs à partir d'un modèle de régression XGBoost, telles que les valeurs de perte, les fonctions et les valeurs SHAP. |
Pour trouver des visualisations avancées des paramètres de modèle et des cas d'utilisation, consultez la rubrique suivante : Démonstrations et visualisation avancées de Debugger.