Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Daftar Aturan Built-in Debugger
Gunakan aturan bawaan Debugger yang disediakan oleh Amazon SageMaker Debugger dan analisis metrik dan tensor yang dikumpulkan saat melatih model Anda. Aturan bawaan Debugger memantau berbagai kondisi umum yang sangat penting untuk keberhasilan pekerjaan pelatihan. Anda dapat memanggil aturan bawaan menggunakan Amazon SageMaker Python SDK atau operasi
catatan
Jumlah maksimum aturan bawaan yang dapat Anda lampirkan ke pekerjaan pelatihan adalah 20. SageMaker Debugger sepenuhnya mengelola aturan bawaan dan menganalisis pekerjaan pelatihan Anda secara serempak.
penting
Untuk menggunakan fitur Debugger baru, Anda perlu memutakhirkan SageMaker Python SDK dan pustaka klien. SMDebug Di iPython kernel, notebook Jupyter, atau JupyterLab lingkungan Anda, jalankan kode berikut untuk menginstal versi terbaru dari pustaka dan restart kernel.
import sys import IPython !{sys.executable} -m pip install -U sagemaker smdebug IPython.Application.instance().kernel.do_shutdown(True)
Aturan Debugger
Aturan berikut adalah aturan bawaan Debugger yang dapat dipanggil menggunakan classmethod. Rule.sagemaker
Aturan bawaan debugger untuk menghasilkan laporan pelatihan
Lingkup Validitas | Aturan bawaan |
---|---|
Laporan Pelatihan untuk pekerjaan SageMaker XGboost pelatihan |
Aturan bawaan debugger untuk men-debug data pelatihan model (tensor keluaran)
Lingkup Validitas | Aturan bawaan |
---|---|
Kerangka kerja pembelajaran mendalam (TensorFlow,MXNet, dan PyTorch) | |
Kerangka kerja pembelajaran mendalam (TensorFlow,MXNet, dan PyTorch) dan algoritme XGBoost | |
Aplikasi pembelajaran mendalam | |
XGBoostalgoritma |
Untuk menggunakan aturan bawaan dengan nilai parameter default - gunakan format konfigurasi berikut:
from sagemaker.debugger import Rule, ProfilerRule, rule_configs rules = [ Rule.sagemaker(rule_configs.
built_in_rule_name_1
()), Rule.sagemaker(rule_configs.built_in_rule_name_2
()), ... Rule.sagemaker(rule_configs.built_in_rule_name_n
()) ]
Untuk menggunakan aturan bawaan dengan menyesuaikan nilai parameter — gunakan format konfigurasi berikut:
from sagemaker.debugger import Rule, ProfilerRule, rule_configs rules = [ Rule.sagemaker( base_config=rule_configs.
built_in_rule_name
(), rule_parameters={ "key
": "value
" } collections_to_save=[ CollectionConfig( name="tensor_collection_name
", parameters={ "key
": "value
" } ) ] ) ]
Untuk menemukan kunci yang tersedia untuk rule_parameters
parameter, lihat tabel deskripsi parameter.
Contoh kode konfigurasi aturan disediakan untuk setiap aturan bawaan di bawah tabel deskripsi parameter.
-
Untuk instruksi lengkap dan contoh penggunaan aturan bawaan Debugger, lihat. Kode Contoh Aturan Bawaan Debugger
-
Untuk instruksi lengkap tentang penggunaan aturan bawaan dengan SageMaker API operasi tingkat rendah, lihatKonfigurasikan Debugger Menggunakan Amazon API SageMaker .
CreateXgboostReport
CreateXgboostReport Aturan tersebut mengumpulkan tensor keluaran dari pekerjaan XGBoost pelatihan dan membuat laporan pelatihan yang komprehensif secara otomatis. Anda dapat mengunduh laporan pembuatan profil yang komprehensif saat pekerjaan pelatihan sedang berjalan atau setelah pekerjaan pelatihan selesai, dan memeriksa kemajuan pelatihan atau hasil akhir dari pekerjaan pelatihan. CreateXgboostReport Aturan mengumpulkan tensor keluaran berikut secara default:
-
hyperparameters
— Menyimpan pada langkah pertama -
metrics
— Menghemat kerugian dan akurasi setiap 5 langkah -
feature_importance
— Menyimpan setiap 5 langkah -
predictions
— Menyimpan setiap 5 langkah -
labels
— Menyimpan setiap 5 langkah
Deskripsi Parameter untuk Aturan CreateXgboostReport
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
rules=[ Rule.sagemaker( rule_configs.
create_xgboost_report
() ) ]
DeadRelu
Aturan ini mendeteksi ketika persentase fungsi aktivasi unit linier yang diperbaiki (ReLU) dalam percobaan dianggap mati karena aktivitas aktivasi mereka telah turun di bawah ambang batas. Jika persentase R tidak aktif eLUs dalam lapisan lebih besar dari threshold_layer
nilai R tidak aktifeLUs, aturan kembali. True
Deskripsi Parameter untuk Aturan DeadRelu
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
tensor_regex |
Daftar pola regex yang digunakan untuk membatasi perbandingan ini dengan tensor bernilai skalar tertentu. Aturan hanya memeriksa tensor yang cocok dengan pola regex yang ditentukan dalam daftar. Jika tidak ada pola yang diteruskan, aturan membandingkan semua tensor yang dikumpulkan dalam uji coba secara default. Hanya tensor bernilai skalar yang dapat dicocokkan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: |
threshold_inactivity |
Mendefinisikan tingkat aktivitas di bawah mana ReLU dianggap mati. Sebuah ReLu mungkin aktif di awal percobaan dan kemudian perlahan-lahan mati selama proses pelatihan. Jika ReLU aktif kurang dari Opsional Nilai yang valid: Float Nilai default: |
threshold_layer |
Mengembalikan Mengembalikan Opsional Nilai yang valid: Float Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.dead_relu(), rule_parameters={ "tensor_regex": "
.*relu_output|.*ReLU_output
", "threshold_inactivity": "1.0
", "threshold_layer": "50.0
" }, collections_to_save=[ CollectionConfig( name="custom_relu_collection
", parameters={ "include_regex: ".*relu_output|.*ReLU_output
", "save_interval": "500
" } ) ] ) ]
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
catatan
Aturan ini tidak tersedia untuk XGBoost algoritma.
ExplodingTensor
Aturan ini mendeteksi apakah tensor yang dipancarkan selama pelatihan memiliki nilai yang tidak terbatas, baik tak terbatas atau NaN (bukan angka). Jika nilai yang tidak terbatas terdeteksi, aturan akan kembali. True
Deskripsi Parameter untuk Aturan ExplodingTensor
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
collection_names |
Daftar nama koleksi yang tensornya diperiksa oleh aturan. Opsional Nilai valid: String Nilai default: |
tensor_regex |
Daftar pola regex yang digunakan untuk membatasi perbandingan ini dengan tensor bernilai skalar tertentu. Aturan hanya memeriksa tensor yang cocok dengan pola regex yang ditentukan dalam daftar. Jika tidak ada pola yang diteruskan, aturan membandingkan semua tensor yang dikumpulkan dalam uji coba secara default. Hanya tensor bernilai skalar yang dapat dicocokkan. Opsional Nilai valid: String Nilai default: |
only_nan |
Opsional Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
exploding_tensor
(), rule_parameters={ "tensor_regex": ".*gradient
", "only_nan": "False
" }, collections_to_save=[ CollectionConfig( name="gradients
", parameters={ "save_interval": "500
" } ) ] ) ]
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
catatan
Aturan ini tidak tersedia untuk XGBoost algoritma.
PoorWeightInitialization
Aturan ini mendeteksi jika parameter model Anda telah diinisialisasi dengan buruk.
Inisialisasi yang baik memecah simetri bobot dan gradien dalam jaringan saraf dan mempertahankan varians aktivasi yang sepadan di seluruh lapisan. Jika tidak, jaringan saraf tidak belajar secara efektif. Inisialisasi seperti Xavier bertujuan untuk menjaga varians konstan di seluruh aktivasi, yang sangat relevan untuk melatih jaring saraf yang sangat dalam. Inisialisasi yang terlalu kecil dapat menyebabkan gradien menghilang. Inisialisasi yang terlalu besar dapat menyebabkan gradien meledak. Aturan ini memeriksa varians input aktivasi lintas lapisan, distribusi gradien, dan konvergensi kerugian untuk langkah awal untuk menentukan apakah jaringan saraf telah diinisialisasi dengan buruk.
Deskripsi Parameter untuk Aturan PoorWeightInitialization
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
activation_inputs_regex |
Daftar pola regex yang digunakan untuk membatasi perbandingan ini dengan tensor bernilai skalar tertentu. Aturan hanya memeriksa tensor yang cocok dengan pola regex yang ditentukan dalam daftar. Jika tidak ada pola yang diteruskan, aturan membandingkan semua tensor yang dikumpulkan dalam uji coba secara default. Hanya tensor bernilai skalar yang dapat dicocokkan. Opsional Nilai valid: String Nilai default: |
threshold |
Jika rasio antara varians minimum dan maksimum bobot per lapisan melebihi Opsional Nilai yang valid: Float Nilai default: |
distribution_range |
Jika perbedaan minimum antara persentil ke-5 dan ke-95 dari distribusi gradien kurang dari Opsional Nilai yang valid: Float Nilai default: |
patience |
Jumlah langkah untuk menunggu sampai kerugian dianggap tidak lagi berkurang. Opsional Nilai yang valid: Integer Nilai default: |
steps |
Jumlah langkah yang dianalisis aturan ini. Anda biasanya hanya perlu memeriksa beberapa iterasi pertama. Opsional Nilai yang valid: Float Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
poor_weight_initialization
(), rule_parameters={ "activation_inputs_regex": ".*relu_input|.*ReLU_input
", "threshold": "10.0
", "distribution_range": "0.001
", "patience": "5
", "steps": "10
" }, collections_to_save=[ CollectionConfig( name="custom_relu_collection
", parameters={ "include_regex
": ".*relu_input|.*ReLU_input
", "save_interval
": "500
" } ) ] ) ]
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
catatan
Aturan ini tidak tersedia untuk XGBoost algoritma.
SaturatedActivation
Aturan ini mendeteksi jika lapisan aktivasi tanh dan sigmoid menjadi jenuh. Lapisan aktivasi jenuh ketika input lapisan mendekati maksimum atau minimum fungsi aktivasi. Minimum dan maksimum fungsi aktivasi tanh dan sigmoid ditentukan oleh masing-masing min_threshold
dan nilainya. max_thresholds
Jika aktivitas node turun di bawah threshold_inactivity
persentase, itu dianggap jenuh. Jika lebih dari satu threshold_layer
persen node jenuh, aturan kembaliTrue
.
Deskripsi Parameter untuk Aturan SaturatedActivation
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
collection_names |
Daftar nama koleksi yang tensornya diperiksa oleh aturan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: Tidak ada |
tensor_regex |
Daftar pola regex yang digunakan untuk membatasi perbandingan ini dengan tensor bernilai skalar tertentu. Aturan hanya memeriksa tensor yang cocok dengan pola regex yang ditentukan dalam daftar. Jika tidak ada pola yang diteruskan, aturan membandingkan semua tensor yang dikumpulkan dalam uji coba secara default. Hanya tensor bernilai skalar yang dapat dicocokkan. Opsional Nilai valid: String Nilai default: |
threshold_tanh_min |
Ambang batas minimum dan maksimum yang menentukan ekstrem input untuk fungsi aktivasi tanh, didefinisikan sebagai:. Opsional Nilai yang valid: Float Nilai default: |
threshold_tanh_max |
Ambang batas minimum dan maksimum yang menentukan ekstrem input untuk fungsi aktivasi tanh, didefinisikan sebagai:. Opsional Nilai yang valid: Float Nilai default: |
threshold_sigmoid_min |
Ambang batas minimum dan maksimum yang menentukan ekstrem input untuk fungsi aktivasi sigmoid, didefinisikan sebagai:. Opsional Nilai yang valid: Float Nilai default: |
threshold_sigmoid_max |
Ambang batas minimum dan maksimum yang menentukan ekstrem input untuk fungsi aktivasi sigmoid, didefinisikan sebagai:. Opsional Nilai yang valid: Float Nilai default: |
threshold_inactivity |
Persentase ketidakaktifan di bawah mana lapisan aktivasi dianggap jenuh. Aktivasi mungkin aktif di awal percobaan dan kemudian perlahan-lahan menjadi kurang aktif selama proses pelatihan. Opsional Nilai yang valid: Float Nilai default: |
threshold_layer |
Mengembalikan Mengembalikan Opsional Nilai yang valid: Float Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
saturated_activation
(), rule_parameters={ "tensor_regex": ".*tanh_input|.*sigmoid_input
", "threshold_tanh_min": "-9.4999
", "threshold_tanh_max": "9.4999
", "threshold_sigmoid_min": "-23
", "threshold_sigmoid_max": "16.99999
", "threshold_inactivity": "1.0
", "threshold_layer": "50.0
" }, collections_to_save=[ CollectionConfig( name="custom_activations_collection
", parameters={ "include_regex
": ".*tanh_input|.*sigmoid_input
" "save_interval
": "500
" } ) ] ) ]
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
catatan
Aturan ini tidak tersedia untuk XGBoost algoritma.
VanishingGradient
Aturan ini mendeteksi jika gradien dalam percobaan menjadi sangat kecil atau turun ke magnitudo nol. Jika rata-rata nilai absolut gradien turun di bawah yang ditentukanthreshold
, aturan akan kembaliTrue
.
Deskripsi Parameter untuk Aturan VanishingGradient
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
threshold |
Nilai di mana gradien ditentukan untuk menghilang. Opsional Nilai yang valid: Float Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
vanishing_gradient
(), rule_parameters={ "threshold": "0.0000001
" }, collections_to_save=[ CollectionConfig( name="gradients
", parameters={ "save_interval
": "500
" } ) ] ) ]
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
catatan
Aturan ini tidak tersedia untuk XGBoost algoritma.
WeightUpdateRatio
Aturan ini melacak rasio pembaruan terhadap bobot selama pelatihan dan mendeteksi apakah rasio itu terlalu besar atau terlalu kecil. Jika rasio pembaruan terhadap bobot lebih besar dari large_threshold value
atau jika rasio ini lebih kecil darismall_threshold
, aturan akan kembaliTrue
.
Kondisi untuk pelatihan adalah yang terbaik ketika pembaruan sepadan dengan gradien. Pembaruan yang terlalu besar dapat mendorong bobot menjauh dari nilai optimal, dan pembaruan yang sangat kecil menghasilkan konvergensi yang sangat lambat. Aturan ini mengharuskan bobot tersedia untuk dua langkah pelatihan, dan train.save_interval
perlu ditetapkan sama dengan. num_steps
Deskripsi Parameter untuk Aturan WeightUpdateRatio
Nama Parameter, | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
num_steps |
Jumlah langkah di mana aturan memeriksa untuk menentukan apakah tensor telah berubah. Jumlah langkah di mana Anda ingin membandingkan rasio berat. Jika Anda tidak memberikan nilai, aturan berjalan secara default terhadap langkah saat ini dan langkah tersimpan sebelumnya. Jika Anda mengganti default dengan meneruskan nilai untuk parameter ini, perbandingan dilakukan antara bobot pada langkah Opsional Nilai yang valid: Integer Nilai default: |
large_threshold |
Nilai maksimum yang dapat diambil oleh rasio pembaruan terhadap bobot sebelum aturan kembali Opsional Nilai yang valid: Float Nilai default: |
small_threshold |
Nilai minimum yang dapat diambil oleh rasio pembaruan terhadap bobot, di bawahnya aturan dikembalikan Opsional Nilai yang valid: Float Nilai default: |
epsilon |
Konstanta kecil digunakan untuk memastikan bahwa Debugger tidak membagi dengan nol saat menghitung pembaruan rasio untuk ditimbang. Opsional Nilai yang valid: Float Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
weight_update_ratio
(), rule_parameters={ "num_steps": "100
", "large_threshold": "10.0
", "small_threshold": "0.00000001
", "epsilon": "0.000000001
" }, collections_to_save=[ CollectionConfig( name="weights
", parameters={ "train.save_interval
": "100
" } ) ] ) ]
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
catatan
Aturan ini tidak tersedia untuk XGBoost algoritma.
AllZero
Aturan ini mendeteksi jika semua atau persentase tertentu dari nilai tensor adalah nol.
Aturan ini dapat diterapkan baik ke salah satu kerangka pembelajaran mendalam yang didukung (TensorFlow,MXNet, dan PyTorch) atau ke XGBoost algoritme. Anda harus menentukan tensor_regex
parameter collection_names
atau. Jika kedua parameter ditentukan, aturan memeriksa penyatuan tensor dari kedua set.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
Deskripsi Parameter untuk Aturan AllZero
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
collection_names |
Daftar nama koleksi yang tensornya diperiksa oleh aturan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: |
tensor_regex |
Daftar pola regex yang digunakan untuk membatasi perbandingan ini dengan tensor bernilai skalar tertentu. Aturan hanya memeriksa tensor yang cocok dengan pola regex yang ditentukan dalam daftar. Jika tidak ada pola yang diteruskan, aturan membandingkan semua tensor yang dikumpulkan dalam uji coba secara default. Hanya tensor bernilai skalar yang dapat dicocokkan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: |
threshold |
Menentukan persentase nilai dalam tensor yang harus nol agar aturan ini dipanggil. Opsional Nilai yang valid: Float Nilai default: 100 (dalam persentase) |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
all_zero
(), rule_parameters={ "tensor_regex": ".*
", "threshold": "100
" }, collections_to_save=[ CollectionConfig( name="all
", parameters={ "save_interval
": "500
" } ) ] ) ]
ClassImbalance
Aturan ini mengukur ketidakseimbangan pengambilan sampel antara kelas dan melempar kesalahan jika ketidakseimbangan melebihi ambang batas atau jika terlalu banyak kesalahan prediksi untuk kelas yang kurang terwakili terjadi sebagai akibat dari ketidakseimbangan.
Model klasifikasi membutuhkan kelas yang seimbang dalam kumpulan data pelatihan atau bobot/pengambilan sampel kelas yang tepat selama pelatihan. Aturan melakukan pemeriksaan berikut:
-
Ini menghitung kejadian per kelas. Jika rasio jumlah sampel antara kelas terkecil dan terbesar lebih besar dari
threshold_imbalance
, kesalahan dilemparkan. -
Ini memeriksa akurasi prediksi per kelas. Jika resampling atau pembobotan belum diterapkan dengan benar, maka model dapat mencapai akurasi tinggi untuk kelas dengan banyak sampel pelatihan, tetapi akurasi rendah untuk kelas dengan sedikit sampel pelatihan. Jika sebagian kecil dari kesalahan prediksi untuk kelas tertentu di atas
threshold_misprediction
, kesalahan dilemparkan.
Aturan ini dapat diterapkan baik ke salah satu kerangka pembelajaran mendalam yang didukung (TensorFlow,MXNet, dan PyTorch) atau ke XGBoost algoritme.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
Deskripsi Parameter untuk Aturan ClassImbalance
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
threshold_imbalance |
Ketidakseimbangan yang dapat diterima antara jumlah sampel di kelas terkecil dan di kelas terbesar. Melebihi nilai ambang batas ini menimbulkan kesalahan. Opsional Nilai yang valid: Float Nilai default: |
threshold_misprediction |
Batas pada fraksi misprediksi diperbolehkan untuk setiap kelas. Melebihi ambang batas ini menimbulkan kesalahan. Kelas yang kurang terwakili paling berisiko melewati ambang batas ini. Opsional Nilai yang valid: Float Nilai default: |
samples |
Jumlah label yang harus diproses sebelum ketidakseimbangan dievaluasi. Aturan mungkin tidak dipicu sampai telah melihat sampel yang cukup di beberapa langkah. Semakin banyak kelas yang berisi kumpulan data Anda, semakin besar Opsional Nilai yang valid: Integer Nilai default: |
argmax |
Jika Bersyarat Nilai yang benar: Boolean Nilai default: |
labels_regex |
Nama tensor yang berisi label. Opsional Nilai valid: String Nilai default: |
predictions_regex |
Nama tensor yang berisi prediksi. Opsional Nilai valid: String Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
class_imbalance
(), rule_parameters={ "threshold_imbalance": "10
", "threshold_misprediction": "0.7
", "samples": "500
", "argmax": "False
", "labels_regex": ".*labels
", "predictions_regex": ".*predictions
" }, collections_to_save=[ CollectionConfig( name="custom_output_collection
", parameters={ "include_regex": ".*labels|.*predictions
", "save_interval": "500
" } ) ] ) ]
LossNotDecreasing
Aturan ini mendeteksi ketika kerugian tidak menurun nilainya pada tingkat yang memadai. Kerugian ini harus skalar.
Aturan ini dapat diterapkan baik ke salah satu kerangka pembelajaran mendalam yang didukung (TensorFlow,MXNet, dan PyTorch) atau ke XGBoost algoritme. Anda harus menentukan tensor_regex
parameter collection_names
atau. Jika kedua parameter ditentukan, aturan memeriksa penyatuan tensor dari kedua set.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
Deskripsi Parameter untuk Aturan LossNotDecreasing
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
collection_names |
Daftar nama koleksi yang tensornya diperiksa oleh aturan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: |
tensor_regex |
Daftar pola regex yang digunakan untuk membatasi perbandingan ini dengan tensor bernilai skalar tertentu. Aturan hanya memeriksa tensor yang cocok dengan pola regex yang ditentukan dalam daftar. Jika tidak ada pola yang diteruskan, aturan membandingkan semua tensor yang dikumpulkan dalam uji coba secara default. Hanya tensor bernilai skalar yang dapat dicocokkan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: |
use_losses_collection |
Jika diatur ke Opsional Nilai yang benar: Boolean Nilai default: |
num_steps |
Jumlah minimum langkah setelah aturan memeriksa apakah kerugian telah menurun. Evaluasi aturan terjadi setiap Opsional Nilai yang valid: Integer Nilai default: |
diff_percent |
Perbedaan persentase minimum dimana kerugian harus berkurang antara Opsional Nilai yang valid: Nilai default: |
increase_threshold_percent |
Persentase ambang batas maksimum bahwa kerugian dibiarkan meningkat dalam kasus kerugian telah meningkat Opsional Nilai yang valid: Nilai default: |
mode |
Nama mode Debugger untuk menanyakan nilai tensor untuk pemeriksaan aturan. Jika ini tidak diteruskan, aturan memeriksa secara default untuk Opsional Nilai yang valid: String ( Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
loss_not_decreasing
(), rule_parameters={ "tensor_regex": ".*
", "use_losses_collection": "True
", "num_steps": "10
", "diff_percent": "0.1
", "increase_threshold_percent": "5
", "mode": "GLOBAL
" }, collections_to_save=[ CollectionConfig( name="losses
", parameters={ "save_interval
": "500
" } ) ] ) ]
Overfit
Aturan ini mendeteksi jika model Anda terlalu cocok dengan data pelatihan dengan membandingkan validasi dan kerugian pelatihan.
Aturan ini dapat diterapkan baik ke salah satu kerangka pembelajaran mendalam yang didukung (TensorFlow,MXNet, dan PyTorch) atau ke XGBoost algoritme.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
catatan
Cara standar untuk mencegah overfitting adalah dengan mengatur model Anda.
Deskripsi Parameter untuk Aturan Overfit
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
tensor_regex |
Daftar pola regex yang digunakan untuk membatasi perbandingan ini dengan tensor bernilai skalar tertentu. Aturan hanya memeriksa tensor yang cocok dengan pola regex yang ditentukan dalam daftar. Jika tidak ada pola yang diteruskan, aturan membandingkan semua tensor yang dikumpulkan dalam uji coba secara default. Hanya tensor bernilai skalar yang dapat dicocokkan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: Tidak ada |
start_step |
Langkah dari mana untuk mulai membandingkan validasi dan kehilangan pelatihan. Opsional Nilai yang valid: Integer Nilai default: |
patience |
Jumlah langkah yang Opsional Nilai yang valid: Integer Nilai default: |
ratio_threshold |
Rasio maksimum perbedaan antara kehilangan validasi rata-rata dan kehilangan pelatihan rata-rata terhadap kerugian pelatihan rata-rata. Jika ambang batas ini terlampaui untuk Opsional Nilai yang valid: Float Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
overfit
(), rule_parameters={ "tensor_regex": ".*
", "start_step": "0
", "patience": "1
", "ratio_threshold": "0.1
" }, collections_to_save=[ CollectionConfig( name="losses
", parameters={ "train.save_interval": "100
", "eval.save_interval": "10
" } ) ] ) ]
Latihan berlebihan
Aturan ini mendeteksi jika model sedang dilatih berlebihan. Setelah sejumlah iterasi pelatihan pada model yang berperilaku baik (baik pelatihan dan kehilangan validasi menurun), model mendekati minimum fungsi kerugian dan tidak membaik lagi. Jika model melanjutkan pelatihan, dapat terjadi bahwa kehilangan validasi mulai meningkat, karena model mulai overfitting. Aturan ini menetapkan ambang batas dan kondisi untuk menentukan apakah model tidak membaik, dan mencegah masalah overfitting karena overtraining.
Aturan ini dapat diterapkan baik ke salah satu kerangka pembelajaran mendalam yang didukung (TensorFlow,MXNet, dan PyTorch) atau ke XGBoost algoritme.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
catatan
Overtraining dapat dihindari dengan berhenti lebih awal. Untuk informasi tentang berhenti lebih awal, lihatHentikan Pekerjaan Pelatihan Lebih Awal. Untuk contoh yang menunjukkan cara menggunakan pelatihan spot dengan Debugger, lihat Mengaktifkan Pelatihan Spot dengan Amazon SageMaker
Deskripsi Parameter untuk Aturan Overtraining
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
patience_train |
Jumlah langkah untuk menunggu sebelum kehilangan pelatihan dianggap tidak membaik lagi. Opsional Nilai yang valid: Integer Nilai default: |
patience_validation |
Jumlah langkah menunggu sebelum kehilangan validasi dianggap tidak membaik lagi. Opsional Nilai yang valid: Integer Nilai default: |
delta |
Ambang minimum dengan seberapa banyak kesalahan harus ditingkatkan sebelum dianggap sebagai optimal baru. Opsional Nilai yang valid: Float Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
overtraining
(), rule_parameters={ "patience_train": "5
", "patience_validation": "10
", "delta": "0.01
" }, collections_to_save=[ CollectionConfig( name="losses
", parameters={ "save_interval
": "500
" } ) ] ) ]
SimilarAcrossRuns
Aturan ini membandingkan tensor yang dikumpulkan dari uji coba dasar dengan tensor dari uji coba lain.
Aturan ini dapat diterapkan baik ke salah satu kerangka pembelajaran mendalam yang didukung (TensorFlow,MXNet, dan PyTorch) atau ke XGBoost algoritme.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
Deskripsi Parameter untuk Aturan SimilarAcrossRuns
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
other_trials |
Nama pekerjaan pelatihan lengkap yang tensornya ingin Anda bandingkan dengan tensor yang dikumpulkan dari arus. Diperlukan Nilai valid: String |
collection_names |
Daftar nama koleksi yang tensornya diperiksa oleh aturan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: Tidak ada |
tensor_regex |
Daftar pola regex yang digunakan untuk membatasi perbandingan ini dengan tensor bernilai skalar tertentu. Aturan hanya memeriksa tensor yang cocok dengan pola regex yang ditentukan dalam daftar. Jika tidak ada pola yang diteruskan, aturan membandingkan semua tensor yang dikumpulkan dalam uji coba secara default. Hanya tensor bernilai skalar yang dapat dicocokkan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: Tidak ada |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
similar_across_runs
(), rule_parameters={ "other_trials": "<specify-another-job-name>
", "collection_names": "losses
", "tensor_regex": ".*
" }, collections_to_save=[ CollectionConfig( name="losses
", parameters={ "save_interval
": "500
" } ) ] ) ]
StalledTrainingRule
StalledTrainingRule mendeteksi jika tidak ada kemajuan yang dibuat pada pekerjaan pelatihan, dan menghentikan pekerjaan pelatihan jika aturan tersebut berlaku. Aturan ini mengharuskan tensor disimpan secara berkala dalam interval waktu yang ditentukan oleh parameternyathreshold
. Aturan ini terus memantau tensor baru, dan jika tidak ada tensor baru yang dipancarkan untuk aturan interval ambang akan diaktifkan.
Deskripsi Parameter untuk Aturan StalledTrainingRule
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
threshold |
Ambang batas yang menentukan berapa banyak waktu dalam hitungan detik aturan menunggu output tensor sampai memicu masalah pelatihan yang macet. Nilai default adalah 1800 detik. Opsional Nilai yang valid: Integer Nilai default: |
stop_training_on_fire |
Jika disetel ke Opsional Nilai yang benar: Boolean Nilai default: |
training_job_name_prefix |
Awalan nama pekerjaan pelatihan dasar. Jika Opsional Nilai valid: String |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
stalled_training_rule
(), rule_parameters={ "threshold": "1800
", "stop_training_on_fire": "True
", "training_job_name_prefix": "<specify-training-base-job-name>
" }, collections_to_save=[ CollectionConfig( name="losses
", parameters={ "save_interval
": "500
" } ) ] ) ]
TensorVariance
Aturan ini mendeteksi jika Anda memiliki tensor dengan varians yang sangat tinggi atau rendah. Varians yang sangat tinggi atau rendah dalam tensor dapat menyebabkan saturasi neuron, yang mengurangi kemampuan belajar jaringan saraf. Varians yang sangat tinggi dalam tensor juga pada akhirnya dapat menyebabkan tensor meledak. Gunakan aturan ini untuk mendeteksi masalah tersebut sejak dini.
Aturan ini dapat diterapkan baik ke salah satu kerangka pembelajaran mendalam yang didukung (TensorFlow,MXNet, dan PyTorch) atau ke XGBoost algoritme. Anda harus menentukan tensor_regex
parameter collection_names
atau. Jika kedua parameter ditentukan, aturan memeriksa penyatuan tensor dari kedua set.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
Deskripsi Parameter untuk Aturan TensorVariance
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
collection_names |
Daftar nama koleksi yang tensornya diperiksa oleh aturan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: Tidak ada |
tensor_regex |
Daftar pola regex yang digunakan untuk membatasi perbandingan ini dengan tensor bernilai skalar tertentu. Aturan hanya memeriksa tensor yang cocok dengan pola regex yang ditentukan dalam daftar. Jika tidak ada pola yang diteruskan, aturan membandingkan semua tensor yang dikumpulkan dalam uji coba secara default. Hanya tensor bernilai skalar yang dapat dicocokkan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: Tidak ada |
max_threshold |
Ambang batas atas varians tensor. Opsional Nilai yang valid: Float Nilai default: Tidak ada |
min_threshold |
Ambang batas bawah varians tensor. Opsional Nilai yang valid: Float Nilai default: Tidak ada |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
tensor_variance
(), rule_parameters={ "collection_names": "weights
", "max_threshold": "10
", "min_threshold": "0.00001
", }, collections_to_save=[ CollectionConfig( name="weights
", parameters={ "save_interval
": "500
" } ) ] ) ]
UnchangedTensor
Aturan ini mendeteksi apakah tensor tidak lagi berubah di seluruh langkah.
Aturan ini menjalankan metode numpy.allclose
Aturan ini dapat diterapkan baik ke salah satu kerangka pembelajaran mendalam yang didukung (TensorFlow,MXNet, dan PyTorch) atau ke XGBoost algoritme. Anda harus menentukan tensor_regex
parameter collection_names
atau. Jika kedua parameter ditentukan, aturan memeriksa penyatuan tensor dari kedua set.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
Deskripsi Parameter untuk Aturan UnchangedTensor
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
collection_names |
Daftar nama koleksi yang tensornya diperiksa oleh aturan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: Tidak ada |
tensor_regex |
Daftar pola regex digunakan untuk membatasi perbandingan ini dengan tensor bernilai skalar tertentu. Aturan hanya memeriksa tensor yang cocok dengan pola regex yang ditentukan dalam daftar. Jika tidak ada pola yang diteruskan, aturan membandingkan semua tensor yang dikumpulkan dalam uji coba secara default. Hanya tensor bernilai skalar yang dapat dicocokkan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: Tidak ada |
num_steps |
Jumlah langkah di mana aturan memeriksa untuk menentukan apakah tensor telah berubah. Ini memeriksa yang terakhir Opsional Nilai yang valid: Integer Nilai default: |
rtol |
Parameter toleransi relatif yang akan diteruskan ke Opsional Nilai yang valid: Float Nilai default: |
atol |
Parameter toleransi absolut yang akan diteruskan ke Opsional Nilai yang valid: Float Nilai default: |
equal_nan |
Apakah akan membandingkan NaNs sebagai sama. Jika Opsional Nilai yang benar: Boolean Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
unchanged_tensor
(), rule_parameters={ "collection_names": "losses
", "tensor_regex": "", "num_steps": "3
", "rtol": "1e-05
", "atol": "1e-08
", "equal_nan": "False
" }, collections_to_save=[ CollectionConfig( name="losses
", parameters={ "save_interval
": "500
" } ) ] ) ]
CheckInputImages
Aturan ini memeriksa apakah gambar input telah dinormalisasi dengan benar. Secara khusus, ini mendeteksi jika rata-rata data sampel berbeda lebih dari nilai ambang dari nol. Banyak model visi komputer mengharuskan data input memiliki mean nol dan varians unit.
Aturan ini berlaku untuk aplikasi pembelajaran mendalam.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
Deskripsi Parameter untuk Aturan CheckInputImages
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
threshold_mean |
Ambang batas yang menentukan seberapa besar rata-rata data input dapat berbeda dari 0. Opsional Nilai yang valid: Float Nilai default: |
threshold_samples |
Jumlah gambar yang harus diambil sampelnya sebelum kesalahan dapat dilemparkan. Jika nilainya terlalu rendah, estimasi rata-rata dataset tidak akan akurat. Opsional Nilai yang valid: Integer Nilai default: |
regex |
Nama tensor data input. Opsional Nilai valid: String Nilai default: |
channel |
Posisi saluran warna dalam larik bentuk tensor input. Opsional Nilai yang valid: Integer Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
check_input_images
(), rule_parameters={ "threshold_mean
": "0.2
", "threshold_samples
": "500
", "regex
": ".*hybridsequential0_input_0
", "channel
": "1
" }, collections_to_save=[ CollectionConfig( name="custom_inputs_collection
", parameters={ "include_regex
": ".*hybridsequential0_input_0
", "save_interval
": "500
" } ) ] ) ]
NLPSequenceRatio
Aturan ini menghitung rasio token tertentu mengingat sisa urutan input yang berguna untuk mengoptimalkan kinerja. Misalnya, Anda dapat menghitung persentase token padding end-of-sentence (EOS) dalam urutan input Anda. Jika jumlah EOS token terlalu tinggi, strategi bucketing alternatif harus dilakukan. Anda juga dapat menghitung persentase token yang tidak diketahui dalam urutan input Anda. Jika jumlah kata yang tidak diketahui terlalu tinggi, kosakata alternatif dapat digunakan.
Aturan ini berlaku untuk aplikasi pembelajaran mendalam.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
Deskripsi Parameter untuk Aturan NLPSequenceRatio
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
tensor_regex |
Daftar pola regex yang digunakan untuk membatasi perbandingan ini dengan tensor bernilai skalar tertentu. Aturan hanya memeriksa tensor yang cocok dengan pola regex yang ditentukan dalam daftar. Jika tidak ada pola yang diteruskan, aturan membandingkan semua tensor yang dikumpulkan dalam uji coba secara default. Hanya tensor bernilai skalar yang dapat dicocokkan. Opsional Nilai yang valid: Daftar string atau string yang dipisahkan koma Nilai default: |
token_values |
Sebuah string dari daftar nilai numerik token. Misalnya, “3, 0". Opsional Nilai yang valid: String nilai numerik yang dipisahkan koma Nilai default: |
token_thresholds_percent |
Sebuah string dari daftar ambang batas (dalam persentase) yang sesuai dengan masing-masing. Opsional Nilai yang valid: String float yang dipisahkan koma Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
nlp_sequence_ratio
(), rule_parameters={ "tensor_regex": ".*embedding0_input_0
", "token_values": "0
", "token_thresholds_percent": "50
" }, collections_to_save=[ CollectionConfig( name="custom_inputs_collection
", parameters={ "include_regex
": "" } ) ] ) ]
.*embedding0_input_0
Kebingungan
Aturan ini mengevaluasi kebaikan matriks kebingungan untuk masalah klasifikasi.
Ini menciptakan matriks ukuran category_no*category_no
dan mengisinya dengan data yang berasal dari (labels
,predictions
) pasangan. Untuk setiap pasangan (labels
,predictions
), hitungan dalam confusion[labels][predictions]
bertambah 1. Ketika matriks terisi penuh, rasio data nilai on-diagonal dan nilai off-diagonal dievaluasi sebagai berikut:
-
Untuk elemen pada diagonal:
confusion[i][i]/sum_j(confusion[j][j])>=min_diag
-
Untuk elemen di luar diagonal:
confusion[j][i])/sum_j(confusion[j][i])<=max_off_diag
Aturan ini dapat diterapkan pada XGBoost algoritma.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
Deskripsi Parameter untuk Aturan Kebingungan
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
category_no |
Jumlah kategori. Opsional Nilai yang valid: Integer ≥2 Nilai default: |
labels |
Koleksi Opsional Nilai valid: String Nilai default: |
predictions |
Koleksi Opsional Nilai valid: String Nilai default: |
labels_collection |
Aturan memeriksa tensor dalam koleksi ini untuk. Opsional Nilai valid: String Nilai default: |
predictions_collection |
Aturan memeriksa tensor dalam koleksi ini untuk. Opsional Nilai valid: String Nilai default: |
min_diag |
Ambang minimum untuk rasio data pada diagonal. Opsional Nilai yang valid: Nilai default: |
max_off_diag |
Ambang batas maksimum untuk rasio data dari diagonal. Opsional Nilai yang valid: Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
confusion
(), rule_parameters={ "category_no": "10
", "labels": "labels
", "predictions": "predictions
", "labels_collection": "labels
", "predictions_collection": "predictions
", "min_diag": "0.9
", "max_off_diag": "0.1
" }, collections_to_save=[ CollectionConfig( name="labels
", parameters={ "save_interval": "500
" } ), CollectionConfig( name="predictions
", parameters={ "include_regex": "500
" } ) ] ) ]
catatan
Aturan ini menyimpulkan nilai default untuk parameter opsional jika nilainya tidak ditentukan.
FeatureImportanceOverweight
Aturan ini mengakumulasi bobot n nilai kepentingan fitur terbesar per langkah dan memastikan bahwa mereka tidak melebihi ambang batas. Misalnya, Anda dapat mengatur ambang batas untuk 3 fitur teratas agar tidak menampung lebih dari 80 persen dari total bobot model.
Aturan ini hanya berlaku untuk XGBoost algoritma.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
Deskripsi Parameter untuk Aturan FeatureImportanceOverweight
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
threshold |
Mendefinisikan ambang batas untuk proporsi jumlah kumulatif dari fitur terbesar. Opsional Nilai yang valid: Float Nilai default: |
nfeatures |
Jumlah fitur terbesar. Opsional Nilai yang valid: Integer Nilai default: |
tensor_regex |
Ekspresi reguler (regex) tensor menamai aturan untuk dianalisis. Opsional Nilai valid: String Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
feature_importance_overweight
(), rule_parameters={ "threshold": "0.8
", "nfeatures": "3
", "tensor_regex": ".*feature_importance/weight
" }, collections_to_save=[ CollectionConfig( name="feature_importance
", parameters={ "save_interval
": "500
" } ) ] ) ]
TreeDepth
Aturan ini mengukur kedalaman pohon dalam suatu XGBoost model. XGBoostmenolak perpecahan jika mereka tidak meningkatkan kerugian. Ini mengatur pelatihan. Akibatnya, pohon mungkin tidak tumbuh sedalam yang ditentukan oleh depth
parameter.
Aturan ini hanya berlaku untuk XGBoost algoritma.
Untuk contoh cara mengonfigurasi dan menerapkan aturan bawaan, lihatKonfigurasikan Aturan Built-in Debugger.
Deskripsi Parameter untuk Aturan TreeDepth
Nama Parameter | Deskripsi |
---|---|
base_trial |
Nama pekerjaan pelatihan uji coba dasar. Parameter ini secara otomatis diatur ke pekerjaan pelatihan saat ini oleh Amazon SageMaker Debugger. Diperlukan Nilai valid: String |
depth |
Kedalaman pohon. Kedalaman pohon diperoleh dengan menghitung logaritma basis 2 dari ID node terbesar. Opsional Nilai yang valid: Float Nilai default: |
built_in_rules = [ Rule.sagemaker( base_config=rule_configs.
tree_depth
(), rule_parameters={ "depth
": "4
" }, collections_to_save=[ CollectionConfig( name="tree
", parameters={ "save_interval
": "500
" } ) ] ) ]