Amazon SageMaker Debugger 架構

本主題會逐步引導您完成 Amazon SageMaker Debugger 工作流程的高階概觀。

Debugger 支援效能最佳化的分析功能，識別諸如系統瓶頸和使用量過低等運算問題，並協助大規模最佳化硬體資源使用率。

Debugger 模型最佳化的偵錯功能涉及分析可能出現的非收斂訓練問題，同時使用諸如梯度下降及其變化等最佳化演算法，以最小化損耗函式。

下圖顯示 SageMaker 偵錯工具的架構。具有粗邊界的區塊即為 Debugger 管理來分析訓練任務的區塊。

Debugger 會將訓練任務的下列資料存放在安全的 Amazon S3 儲存貯體中：

• 輸出張量 — 訓練機器學習 (ML) 模型時，在向前和向後傳遞期間持續更新純量和模型參數的集合。輸出張量包含純量值 (準確度和損失) 和矩陣 (權重、梯度、輸入層和輸出層)。

  注意

  依預設，Debugger 會監控和偵錯 SageMaker 訓練任務，而不會在 SageMaker 估算器中設定任何偵錯器特定的參數。Debugger 每 500 毫秒收集一次系統指標，並且每 500 個步驟收集一次基本輸出張量 (諸如損失和準確度等純量輸出)。它也執行 ProfilerReport 規則來分析系統指標，並彙總 Studio Debugger 深入分析儀表板和分析報告。Debugger 會將輸出資料儲存在安全的 Amazon S3 儲存貯體。

Debugger 內建規則在處理容器上執行，這些容器旨在通過處理 S3 儲存貯體中收集的訓練資料來評估機器學習模型 (請參閱處理資料和評估模型)。Debugger 會完全管理內建規則。您也可以建立自己的自訂模型規則，以監看您想要監控的任何問題。