기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
지원되는 프레임워크 및 알고리즘
다음 표에는 Debugger에서 지원하는 SageMaker 기계 학습 프레임워크와 알고리즘이 나와 있습니다.
| SageMaker-supported frameworks and algorithms | Debugging output tensors |
|---|---|
|
AWS MXNet 딥 러닝 |
|
|
1.0-1, 1.2-1, 1.3-1 |
|
|
사용자 지정 교육 컨테이너 (수동 후크 등록을 통해 TensorFlow, PyTorch, MXNet 및 XGBoost에 사용 가능) |
-
출력 텐서 디버깅 - 훈련 작업의 가중치, 그라데이션, 편향, 스칼라 값 등 모델 파라미터를 추적하고 디버깅합니다. 사용 가능한 딥 러닝 프레임워크는 아파치, MXnet,, XGBoost입니다. TensorFlow PyTorch
중요
Keras가 포함된 TensorFlow 프레임워크의 경우 SageMaker 디버거는 2.6 이상의 모듈을 사용하여 빌드된 디버깅 모델에 대한 제로 코드 변경 지원을 중단합니다.
tf.kerasTensorFlow 이는 2.6.0 릴리스 노트에 발표된 주요 변경 사항 때문입니다. TensorFlow훈련 스크립트를 업데이트하는 방법에 대한 지침은 트레이닝 스크립트를 수정하세요 TensorFlow 을(를) 참조하세요. 중요
PyTorch v1.12.0 이상부터 SageMaker 디버거는 디버깅 모델에 대한 제로 코드 변경 지원을 중단합니다.
이는 디버거가 기능을 방해하는 주요 변경 사항 때문입니다. SageMaker
torch.jit훈련 스크립트를 업데이트하는 방법에 대한 지침은 교육 스크립트를 조정하세요. PyTorch 을(를) 참조하세요.
학습 및 디버깅하려는 프레임워크 또는 알고리즘이 표에 나열되지 않은 경우 AWS 토론 포럼으로
AWS 리전
Amazon SageMaker Debugger는 다음 지역을 제외하고 SageMaker Amazon이 서비스를 제공하는 모든 지역에서 사용할 수 있습니다.
아시아 태평양(자카르타):
ap-southeast-3
SageMaker Amazon이 AWS 리전귀사에서 서비스를 제공하는지 알아보려면 AWS 지역 서비스를
사용자 지정 훈련 컨테이너로 Debugger 사용용
교육 컨테이너를 SageMaker 가져와 Debugger를 사용하여 교육 작업에 대한 통찰력을 얻으십시오. 모니터링 및 디버깅 기능을 사용하여 Amazon EC2 인스턴스에 대해 모델을 최적화함으로써 작업 효율을 최대화하세요.
sagemaker-debugger 클라이언트 라이브러리로 훈련 컨테이너를 빌드하고, 이 컨테이너를 Amazon ECR(Amazon Elastic Container Registry)로 푸시하여 모니터링 및 디버깅하는 방법에 대한 자세한 내용은 사용자 지정 훈련 컨테이너와 함께 디버거 사용하기을(를) 참조하세요.
디버거 오픈 소스 리포지토리 GitHub
디버거 API는 SageMaker Python SDK를 통해 제공되며, 및 API 작업을 위한 디버거 후크 및 규칙 구성을 구성하도록 설계되었습니다. SageMaker CreateTrainingJob DescribeTrainingJob sagemaker-debugger 클라이언트 라이브러리는 유연하고 강력한 API 연산을 통해 평가 기능으로 후크를 등록하고 훈련 데이터에 액세스할 수 있는 도구를 제공합니다. Python 3.6 이상의 머신러닝 프레임워크 TensorFlow PyTorch, MXnet, XGBoost를 지원합니다.
Debugger 및 sagemaker-debugger API 연산에 관한 직접적인 리소스는 다음 링크를 참조하세요.
SDK for Java를 사용하여 교육 작업을 SageMaker 수행하고 디버거 API를 구성하려는 경우 다음 참조를 참조하십시오.
