View a markdown version of this page

SageMaker Amazon-Debugger - Amazon SageMaker KI
SageMaker Funktionen des Debuggers

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.

SageMaker Amazon-Debugger

Anmerkung

Amazon SageMaker Debugger steht neuen Kunden nicht mehr offen. Bestehende Kunden können den Service weiterhin wie gewohnt nutzen. AWS investiert weiterhin in Sicherheits- und Verfügbarkeitsverbesserungen für Debugger, aber wir planen nicht, neue Funktionen einzuführen. Weitere Informationen finden Sie unter Änderung der Debugger-Verfügbarkeit.

Debuggen Sie die Modellausgabetensoren aus Trainingsaufträgen für maschinelles Lernen in Echtzeit und erkennen Sie nicht konvergierende Probleme mithilfe von Amazon Debugger. SageMaker

SageMaker Funktionen von Amazon Debugger

Bei einem Trainingsjob für Machine Learning (ML) können Probleme auftreten, wie z. B. eine Überanpassung, gesättigte Aktivierungsfunktionen und verschwindende Farbverläufe, die die Modellleistung beeinträchtigen können.

SageMaker Der Debugger bietet Tools zum Debuggen von Trainingsaufträgen und zum Beheben solcher Probleme, um die Leistung Ihres Modells zu verbessern. Der Debugger bietet auch Tools, mit denen Warnmeldungen gesendet werden können, wenn Trainingsanomalien festgestellt werden, Maßnahmen zur Behebung der Probleme ergriffen und die Hauptursache dafür identifiziert werden können, indem gesammelte Metriken und Tensoren visualisiert werden.

SageMaker Der Debugger unterstützt die Apache MXNet- und PyTorch TensorFlow XGBoost-Frameworks. Weitere Informationen zu den verfügbaren Frameworks und Versionen, die vom SageMaker Debugger unterstützt werden, finden Sie unter. Unterstützte Frameworks und Algorithmen

Überblick über die Funktionsweise von Amazon SageMaker Debugger.

Der High-Level-Debugger-Workflow sieht wie folgt aus:

  1. Ändern Sie Ihr Trainingsskript bei Bedarf mit dem sagemaker-debugger Python-SDK.

  2. Konfigurieren Sie einen SageMaker Trainingsjob mit SageMaker Debugger.

  3. Starten Sie einen Trainingsjob und überwachen Sie Trainingsprobleme in Echtzeit.

  4. Erhalten Sie Benachrichtigungen und ergreifen Sie umgehend Maßnahmen gegen die Trainingsprobleme.

  5. Erkunden Sie eine eingehende Analyse der Trainingsprobleme.

  6. Beheben Sie die Probleme, berücksichtigen Sie die Vorschläge des Debuggers und wiederholen Sie die Schritte 1–5, bis Sie Ihr Modell optimiert und die Zielgenauigkeit erreicht haben.

Das SageMaker Debugger-Entwicklerhandbuch führt Sie durch die folgenden Themen.

Themen