As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Estruturas e algoritmos compatíveis
A tabela a seguir mostra estruturas e algoritmos SageMaker de aprendizado de máquina compatíveis com o Debugger.
| SageMaker-supported frameworks and algorithms | Debugging output tensors |
|---|---|
|
AWS TensorFlow contêineres de aprendizado profundo |
|
|
AWS PyTorch contêineres de aprendizado profundo |
|
|
AWS MXNetcontêineres de aprendizado profundo |
|
|
1,0-1, 1,2-1, 1,3-1 |
|
|
Contêineres de treinamento personalizados (disponíveis para TensorFlow PyTorch,MXNet, e XGBoost com registro manual de ganchos) |
-
Depuração de tensores de saída – Monitore e depure os parâmetros do modelo, como pesos, gradientes, tendenciosos e valores escalares do seu trabalho de treinamento. As estruturas de aprendizado profundo disponíveis são ApacheMXNet, TensorFlow PyTorch, e. XGBoost
Importante
Para a TensorFlow estrutura com Keras, o SageMaker Debugger desaprova o suporte de alteração de código zero para modelos de depuração criados usando os módulos 2.6 e posteriores.
tf.kerasTensorFlow Isso se deve às mudanças significativas anunciadas na nota de lançamento TensorFlow 2.6.0. Para obter instruções sobre como atualizar seu script de treinamento, consulte Adapte seu roteiro TensorFlow de treinamento. Importante
A partir da PyTorch versão 1.12.0 e versões posteriores, o SageMaker Debugger descontinua o suporte à alteração de código zero para modelos de depuração.
Isso ocorre devido a alterações significativas que fazem com que o SageMaker Debugger interfira na funcionalidade.
torch.jitPara obter instruções sobre como atualizar seu script de treinamento, consulte Adapte seu roteiro PyTorch de treinamento.
Se a estrutura ou algoritmo que você deseja treinar e depurar não estiver listado na tabela, acesse o Fórum de AWS discussão
Regiões da AWS
O Amazon SageMaker Debugger está disponível em todas as regiões em que a Amazon SageMaker está em serviço, exceto na região seguinte.
Ásia-Pacífico (Jacarta):
ap-southeast-3
Para descobrir se a Amazon SageMaker está em serviço no seu Região da AWS, consulte Serviços AWS regionais
Use o Depurador com contêineres de treinamento personalizados
Traga seus contêineres de treinamento SageMaker e obtenha informações sobre seus trabalhos de treinamento usando o Debugger. Maximize sua eficiência de trabalho otimizando seu modelo nas EC2 instâncias da Amazon usando os recursos de monitoramento e depuração.
Para obter mais informações sobre como criar seu contêiner de treinamento com a biblioteca do sagemaker-debugger cliente, enviá-lo para o Amazon Elastic Container Registry (AmazonECR) e monitorar e depurar, consulteUse o Debugger com contêineres de treinamento personalizados.
Repositórios de código aberto do Debugger GitHub
APIsOs depuradores são fornecidos por meio do SageMaker Python SDK e projetados para criar configurações de ganchos e regras do Debugger para as operações e. SageMaker CreateTrainingJob DescribeTrainingJobAPI A biblioteca sagemaker-debugger cliente fornece ferramentas para registrar ganchos e acessar os dados de treinamento por meio de seu recurso de teste, por meio de suas API operações flexíveis e poderosas. Ele é compatível com as estruturas de aprendizado de máquina TensorFlow, PyTorchMXNet, e XGBoost no Python 3.6 e versões posteriores.
Para obter recursos diretos sobre o Debugger e sagemaker-debugger API as operações, consulte os links a seguir:
Se você usa o for Java SDK para realizar trabalhos de SageMaker treinamento e quiser configurar o DebuggerAPIs, consulte as seguintes referências:
