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.
Cadres et algorithmes pris en charge
Le tableau suivant présente les frameworks et algorithmes d'apprentissage SageMaker automatique pris en charge par Debugger.
| SageMaker-supported frameworks and algorithms | Debugging output tensors |
|---|---|
|
AWS TensorFlow conteneurs de deep learning |
|
|
AWS PyTorch conteneurs de deep learning |
|
|
AWS Conteneurs d'apprentissage profond MXnet |
|
|
1,0-1, 1,2-1, 1,3-1 |
|
|
Conteneurs de formation personnalisés (disponibles pour TensorFlow PyTorch, MXnet et XGBoost avec enregistrement manuel des crochets) |
-
Débogage des tenseurs de sortie : suivez et déboguez les paramètres du modèle, tels que les pondérations, les gradients, les biais et les valeurs scalaires de votre tâche d'entraînement. Les frameworks d'apprentissage profond disponibles sont Apache MXnet, TensorFlow PyTorch, et XGBoost.
Important
Pour le TensorFlow framework avec Keras, SageMaker Debugger déconseille la prise en charge du zéro changement de code pour les modèles de débogage créés à l'aide des modules de 2.6 et versions ultérieures.
tf.kerasTensorFlow Cela est dû aux modifications majeures annoncées dans la note de publication de la TensorFlow version 2.6.0. Pour obtenir des instructions de mise à jour de votre script d'entraînement, consultez Adaptez votre script TensorFlow d'entraînement. Important
À partir de la PyTorch version v1.12.0 et des versions ultérieures, SageMaker Debugger déconseille la prise en charge du zéro changement de code pour les modèles de débogage.
Cela est dû à des modifications importantes qui font en sorte que SageMaker Debugger interfère avec les
torch.jitfonctionnalités. Pour obtenir des instructions de mise à jour de votre script d'entraînement, consultez Adaptez votre script PyTorch d'entraînement.
Si le framework ou l'algorithme que vous souhaitez entraîner et déboguer ne figure pas dans le tableau, rendez-vous sur le forum de AWS discussion
Régions AWS
Amazon SageMaker Debugger est disponible dans toutes les régions où Amazon SageMaker est en service, à l'exception de la région suivante.
Asie-Pacifique (Jakarta) :
ap-southeast-3
Pour savoir si Amazon SageMaker est en service dans votre région Région AWS, consultez la section Services AWS régionaux
Utiliser Debugger avec des conteneurs d'entraînement personnalisés
Importez vos conteneurs de formation SageMaker et obtenez des informations sur vos tâches de formation à l'aide de Debugger. Améliorez votre efficacité en optimisant votre modèle sur les instances Amazon EC2 à l'aide des fonctions de surveillance et de débogage.
Pour savoir comment créer votre conteneur d'entraînement avec la bibliothèque client sagemaker-debugger, le transmettre à Amazon Elastic Container Registry (Amazon ECR) et le contrôler et le déboguer, consultez Utiliser Debugger avec des conteneurs d'entraînement personnalisés.
Référentiels open source Debugger GitHub
Les API de débogage sont fournies via le SDK SageMaker Python et conçues pour créer des configurations de crochets et de règles de débogage pour les opérations d'API et d'API. SageMaker CreateTrainingJob DescribeTrainingJob La bibliothèque client sagemaker-debugger fournit des outils pour enregistrer des hooks et accéder aux données d'entraînement via sa fonction d'essai, le tout grâce à ses opérations d'API flexibles et puissantes. Il prend en charge les frameworks d'apprentissage automatique TensorFlow PyTorch, MXnet et XGBoost sur Python 3.6 et versions ultérieures.
Pour obtenir des ressources directes sur Debugger et les opérations d'API sagemaker-debugger, consultez les liens suivants :
Si vous utilisez le SDK for Java pour SageMaker effectuer des tâches de formation et que vous souhaitez configurer les API Debugger, consultez les références suivantes :
