Didacticiels vidéo Debugger

Les vidéos suivantes présentent les fonctionnalités d'Amazon SageMaker Debugger en utilisant SageMaker Studio et des instances de bloc-notes SageMaker.

Analyser, détecter et recevoir des alertes en cas de problèmes liés aux exécutions d'entraînements à l'aide d'Amazon SageMaker Debugger

Emily Webber, Spécialiste du machine learning AWS | Durée : 13 minutes et 54 secondes

Ce didacticiel vidéo vous montre comment utiliser Amazon SageMaker Debugger pour capturer, déboguer et visualiser les données de sortie d'un modèle d'entraînement avec MXNet. Découvrez comment Amazon SageMaker Debugger rend le processus d'entraînement transparent en capturant les métriques, en analysant les cycles d'entraînement et en détectant les problèmes, le tout de manière automatique.

Vous trouverez l'exemple de bloc-notes de cette vidéo dans la rubrique Visualizing Debugging Tensors of MXNet training du référentiel GitHub Amazon SageMaker Examples.

Déboguer des modèles avec Amazon SageMaker Debugger dans Studio

Julien Simon, AWS Technical Evangelist | Durée : 14 minutes et 17 secondes

Ce didacticiel vidéo montre comment utiliser Amazon SageMaker pour capturer et inspecter les informations de débogage à partir d'un modèle d'entraînement. L'exemple de modèle d'entraînement utilisé dans cette vidéo est un simple réseau neuronal convolutif (CNN) basé sur Keras avec le backend TensorFlow. SageMaker dans un cadre de Tensorflow et Debugger vous permettent de créer un estimateur en utilisant directement le script d'entraînement et de déboguer la tâche d'entraînement.

Vous pouvez trouver l'exemple de bloc-notes dans la vidéo dans ce référentiel Studio Demo fourni par l'auteur. Vous devez cloner le fichier bloc-notes debugger.ipynb et l'exemple de script d'entraînement mnist_keras_tf.py sur votre SageMaker Studio ou une instance de bloc-notes SageMaker. Après avoir cloné les deux fichiers, spécifiez le chemin d'accès keras_script_path au fichier mnist_keras_tf.py à l'intérieur du bloc-notes debugger.ipynb. Par exemple, si vous avez cloné les deux fichiers dans le même répertoire, définissez-le comme suit : keras_script_path = "mnist_keras_tf.py".

Découverte approfondie d'Amazon SageMaker Debugger et d'Amazon SageMaker Model Monitor

Julien Simon, AWS Technical Evangelist | Durée : 44 minutes et 34 secondes

Cette séance vidéo explore les fonctions avancées de Debugger et de SageMaker Model Monitor qui aident à augmenter la productivité et la qualité de vos modèles. Tout d'abord, cette vidéo montre comment détecter et résoudre les problèmes d'entraînement, visualiser des tenseurs et améliorer les modèles avec Debugger. Ensuite, à 22 minutes et 41 secondes, la vidéo montre comment contrôler les modèles en production et identifier les problèmes de prévision tels que les fonctions manquantes ou la dérive des données à l'aide de SageMaker Model Monitor. Enfin, la vidéo vous offre des conseils d'optimisation des coûts pour vous aider à tirer le meilleur parti de votre budget de machine learning.

Vous trouverez l'exemple de bloc-notes de la vidéo dans ce référentiel AWS Dev Days 2020 offert par l'auteur.