Amazon SageMaker 디버거를 사용하여 모델 성능을 디버깅하고 개선하십시오.

Amazon Debugger를 사용하여 기계 학습 교육 작업의 모델 출력 텐서를 실시간으로 디버깅하고 비수렴 문제를 감지합니다. SageMaker

아마존 SageMaker 디버거 기능

기계 학습(ML) 훈련 작업에 과적합, 포화 상태 활성화 함수, 그라데이션 소실 등의 문제가 발생하면 모델 성능이 저하될 수 있습니다.

SageMaker 디버거는 학습 작업을 디버깅하고 이러한 문제를 해결하여 모델의 성능을 개선하는 도구를 제공합니다. Debugger는 훈련 이상이 발견된 경우 알림을 보내고, 문제에 대해 조치를 취하고, 수집된 지표 및 텐서를 시각화하여 문제의 근본 원인을 파악할 수 있는 도구도 제공합니다.

SageMaker 디버거는 아파치 MXnet,,, PyTorch XGBoost 프레임워크를 지원합니다. TensorFlow 사용 가능한 프레임워크 및 디버거에서 지원하는 버전에 대한 자세한 내용은 을 참조하십시오. SageMaker 지원되는 프레임워크 및 알고리즘

고급 Debugger 워크플로는 다음과 같습니다.

1. 필요한 경우 sagemaker-debugger Python SDK로 훈련 스크립트를 수정하세요.

2. SageMaker 디버거를 사용하여 SageMaker 교육 작업을 구성하십시오.

   • SageMaker 에스티메이터 API (Python SDK용) 를 사용하여 구성합니다.

   • SageMaker CreateTrainingJob요청을 사용하여 구성합니다 (Boto3 또는 CLI의 경우).

   • 디버거를 사용하여 사용자 지정 교육 컨테이너를 구성하십시오. SageMaker

3. 훈련 작업을 시작하고 훈련 문제를 실시간으로 모니터링하세요.

   • Debugger 기본 제공 규칙 목록.

4. 알림을 받고 나서 훈련 문제에 대해 즉각 조치를 취하세요.

   • 규칙에 대한 디버거 내장 작업 사용 시 훈련 문제가 발견되면 문자 및 이메일을 받고 훈련 작업을 중지하세요.

   • Amazon CloudWatch Events를 사용하여 자신만의 작업을 설정하고 AWS Lambda.

5. 훈련 문제에 대한 심층 분석 내용을 살펴보세요.

   • 모델 출력 텐서의 디버깅에 대한 내용은 에서 디버거 출력 텐서를 시각화하십시오. TensorBoard 을(를) 참조하세요.

6. 모델을 최적화하고 목표 정확도를 달성할 때까지 문제를 해결하고, Debugger에서 제공하는 제안 사항을 고려하고, 1~5단계를 반복하세요.

SageMaker 디버거 개발자 안내서는 다음 주제를 안내합니다.

주제

• 지원되는 프레임워크 및 알고리즘
• 아마존 SageMaker 디버거 아키텍처
• 디버거 시작하기 자습서
• Amazon SageMaker 디버거를 사용하여 교육 작업 디버깅
• Debugger 기본 제공 규칙 목록
• 훈련 작업 분석을 위한 Debugger 사용자 지정 규칙 만들기
• 사용자 지정 훈련 컨테이너와 함께 디버거 사용하기
• Amazon SageMaker API를 사용하여 디버거 구성
• Amazon SageMaker 디버거 모범 사례
• Amazon SageMaker 디버거 고급 주제 및 참조 문서