Utilisez Amazon SageMaker Débogueur pour déboguer et améliorer les performances du modèle - Amazon SageMaker

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.

Utilisez Amazon SageMaker Débogueur pour déboguer et améliorer les performances du modèle

Déboguez en temps réel les tenseurs de sortie des modèles issus de tâches de formation à l'apprentissage automatique et détectez les problèmes non convergents à l'aide d'Amazon SageMaker Debugger.

Amazon SageMaker Fonctionnalités du débogage

Une tâche d'entraînement au machine learning (ML) peut présenter des problèmes tels que le surajustement, la saturation des fonctions d'activation et la disparition des dégradés, ce qui peut compromettre les performances du modèle.

SageMaker Debugger propose des outils permettant de débuger des tâches d'entraînement et de résoudre de tels problèmes afin d'améliorer les performances de votre modèle. Debugger propose également des outils permettant d'envoyer des alertes lorsque des anomalies d'entraînement sont détectées, de prendre des mesures contre les problèmes et d'en identifier la cause racine en visualisant les métriques et les tenseurs collectés.

SageMaker Le débogueur prend en charge le système Apache MXnet, PyTorch, TensorFlow, et les frameworks XGBoost. Pour en savoir plus sur les frameworks et les versions disponibles pris en charge par SageMaker Debugger, voirCadres et algorithmes pris en charge.


                Présentation du fonctionnement d'Amazon SageMaker Debugger fonctionne.

Voici le flux de travail à haut niveau de Debugger :

  1. Modifiez votre script d'entraînement à l'aide du kit SDK Python pour sagemaker-debugger, si nécessaire.

  2. Configurez un SageMaker poste de formation avec SageMaker Debugger.

  3. Démarrez une tâche d'entraînement et contrôlez les problèmes d'entraînement en temps réel.

  4. Recevez des alertes et prenez des mesures rapides contre les problèmes d'entraînement.

  5. Explorez l'analyse approfondie des problèmes de formation.

  6. Corrigez les problèmes, prenez en compte les suggestions fournies par Debugger et répétez les étapes 1 à 5 jusqu'à ce que vous optimisiez votre modèle et que vous atteigniez la précision cible.

Le SageMaker Le guide du développeur Debugger rend compte des sujets suivants.