Nützliche Klassenmethoden des SageMaker-AI-Schätzers für Debugger - Amazon SageMaker KI

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Nützliche Klassenmethoden des SageMaker-AI-Schätzers für Debugger

Die folgenden Schätzer-Klassenmethoden sind nützlich, um auf Ihre SageMaker-Trainingsauftrag-Informationen zuzugreifen und Ausgabepfade der vom Debugger gesammelten Trainingsdaten abzurufen. Die folgenden Methoden sind ausführbar, nachdem Sie mit der estimator.fit() Methode einen Trainingsauftrag gestartet haben.

  • Um den S3-Bucket-Basis−URI eines SageMaker-Trainingsauftrags zu überprüfen:

    estimator.output_path

  • Um den Basisauftragnamen eines SageMaker-Trainingsauftrags zu überprüfen:

    estimator.latest_training_job.job_name

  • Um eine vollständige CreateTrainingJob API-Betriebskonfiguration eines SageMaker-Trainingsauftrag zu sehen:

    estimator.latest_training_job.describe()

  • Um eine vollständige Liste der Debugger-Regeln zu überprüfen, während ein SageMaker-Trainingsauftrag ausgeführt wird:

    estimator.latest_training_job.rule_job_summary()

  • Um den S3-Bucket-URI zu überprüfen, in dem die Modellparameterdaten (Ausgabetensoren) gespeichert sind:

    estimator.latest_job_debugger_artifacts_path()

  • So überprüfen Sie den S3-Bucket-URI, in dem die Modellleistungsdaten (System- und Framework-Metriken) gespeichert sind:

    estimator.latest_job_profiler_artifacts_path()

  • Um die Debugger-Regelkonfiguration für das Debuggen von Ausgabetensoren zu überprüfen:

    estimator.debugger_rule_configs

  • Um die Liste der Debugger-Regeln für das Debuggen zu überprüfen, während ein SageMaker-Trainingsauftrag ausgeführt wird:

    estimator.debugger_rules

  • So überprüfen Sie die Debugger-Regelkonfiguration für die Überwachung und Profilierung von System- und Framework-Metriken:

    estimator.profiler_rule_configs

  • So überprüfen Sie die Liste der Debugger-Regeln für die Überwachung und Profilerstellung, während ein SageMaker-Trainingsauftrag ausgeführt wird:

    estimator.profiler_rules

Weitere Informationen zur SageMaker-AI-Schätzerklasse und ihren Methoden finden Sie unter Schätzer-API im Amazon SageMaker Python SDK.