Konstruieren Sie einen SageMaker XGBoost KI-Schätzer mit der Debugger-Berichtsregel XGBoost - 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.

Konstruieren Sie einen SageMaker XGBoost KI-Schätzer mit der Debugger-Berichtsregel XGBoost

Die CreateXgboostReport Regel erfasst die folgenden Ausgangstensoren aus Ihrem Trainingsauftrag:

  • hyperparameters – Speichert im ersten Schritt.

  • metrics – Speichert alle 5 Schritte Verlust und Genauigkeit.

  • feature_importance – Speichert alle 5 Schritte.

  • predictions – Speichert alle 5 Schritte.

  • labels – Speichert alle 5 Schritte.

Die Ausgabetensoren werden in einem Standard-S3-Bucket gespeichert. Beispiel, s3://sagemaker-<region>-<12digit_account_id>/<base-job-name>/debug-output/.

Wenn Sie einen SageMaker KI-Schätzer für einen XGBoost Trainingsjob erstellen, geben Sie die Regel wie im folgenden Beispielcode dargestellt an.

Using the SageMaker AI generic estimator
import boto3
import sagemaker
from sagemaker.estimator import Estimator
from sagemaker import image_uris
from sagemaker.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.create_xgboost_report())
]

region = boto3.Session().region_name
xgboost_container=sagemaker.image_uris.retrieve("xgboost", region, "1.2-1")

estimator=Estimator(
    role=sagemaker.get_execution_role()
    image_uri=xgboost_container,
    base_job_name="debugger-xgboost-report-demo",
    instance_count=1,
    instance_type="ml.m5.2xlarge",
    
    # Add the Debugger XGBoost report rule
    rules=rules
)

estimator.fit(wait=False)