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 Python-SDK-Referenz für intelligentes Sieben
Diese Seite enthält eine Referenz der Python-Module, die Sie benötigen, um SageMaker Smart Sifting auf Ihr Trainingsskript anzuwenden.
## SageMaker Konfigurationsmodule für intelligentes Sieben
**`class smart_sifting.sift_config.sift_configs.RelativeProbabilisticSiftConfig()`**
Die SageMaker Smart Sifting-Konfigurationsklasse.
**Parameter**
+ `beta_value` (float) – ein Beta-Wert (konstanter Wert). Er wird verwendet, um die Wahrscheinlichkeit der Auswahl einer Stichprobe für das Training anhand des Perzentils des Verlusts im Verlustwerteverlauf zu berechnen. Eine Senkung des Betawerts führt zu einem geringeren Prozentsatz gesichteter Daten, während eine Erhöhung des Betawerts zu einem höheren Prozentsatz gesichteter Daten führt. Es gibt keinen Mindest- oder Höchstwert für den Betawert, außer dass es sich um einen positiven Wert handeln muss. Die folgende Referenztabelle enthält Informationen zu den Sichtungsraten in Bezug auf `beta_value`.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/train-smart-sifting-pysdk-reference.html)
+ `loss_history_length` (int) – die Anzahl der vorherigen Trainingsverluste, die für die auf dem relativen Schwellenwert basierende Stichprobe gespeichert werden soll
+ `loss_based_sift_config`(Diktat oder `LossConfig` Objekt) — Geben Sie ein `LossConfig` Objekt an, das die SageMaker Smart Sifting Loss-Schnittstellenkonfiguration zurückgibt.
**`class smart_sifting.sift_config.sift_configs.LossConfig()`**
Die Konfigurationsklasse für den `loss_based_sift_config`-Parameter der Klasse `RelativeProbabilisticSiftConfig`.
**Parameter**
+ `sift_config` (dict oder `SiftingBaseConfig`-Objekt) – Geben Sie ein `SiftingBaseConfig`-Objekt an, das ein Basiskonfigurationswörterbuch für die Sichtung zurückgibt.
**`class smart_sifting.sift_config.sift_configs.SiftingBaseConfig()`**
Die Konfigurationsklasse für den `sift_config`-Parameter von `LossConfig`.
**Parameter**
+ `sift_delay` (int) – Die Anzahl der Trainingsschritte, die vor der Sichtung abgewartet werden. Wir empfehlen, mit der Sichtung zu beginnen, nachdem alle Ebenen im Modell ausreichend Einblick in die Trainingsdaten haben. Der Standardwert ist `1000`.
+ `repeat_delay_per_epoch` (bool) – Geben Sie an, ob die Sichtung für jede Epoche verzögert werden soll. Der Standardwert ist `False`.
## SageMaker Module zur Batch-Transformation von Smart-Sifting-Daten
`class smart_sifting.data_model.data_model_interface.SiftingBatchTransform`
Ein SageMaker intelligentes Sifting-Python-Modul, um zu definieren, wie eine Batch-Transformation durchgeführt wird. Auf diese Weise können Sie eine Batch-Transformationsklasse einrichten, die das Datenformat Ihrer Trainingsdaten in ein `SiftingBatch` Format konvertiert. SageMaker Mit Smart Sifting können Daten in diesem Format gesiebt und zu einem gesiebten Stapel zusammengefasst werden.
`class smart_sifting.data_model.data_model_interface.SiftingBatch`
Eine Schnittstelle zur Definition eines Batch-Datentyps, der gesichtet und gesammelt werden kann
`class smart_sifting.data_model.list_batch.ListBatch`
Ein Modul zur Nachverfolgung eines zu sichtenden Listenstapels
`class smart_sifting.data_model.tensor_batch.TensorBatch`
Ein Modul zur Nachverfolgung eines Tensorstapels für die Sichtung
## SageMaker Modul zur Implementierung von Smart Sifting Loss
`class smart_sifting.loss.abstract_sift_loss_module.Loss`
Ein Wrapper-Modul zur Registrierung der SageMaker Smart-Sifting-Schnittstelle zur Verlustfunktion eines PyTorch basierten Modells.
## SageMaker Wrapper-Modul für Smart Sifting Data Loader
`class smart_sifting.dataloader.sift_dataloader.SiftingDataloader`
Ein Wrapper-Modul zur Registrierung der SageMaker Smart-Sifting-Schnittstelle zum Datenlader eines basierten Modells. PyTorch
Der Iterator des Hauptsichtungs-Datenladers filtert Trainingsproben basierend auf einer Sichtungskonfiguration aus einem Datenloader heraus.
**Parameter**
+ `sift_config` (dict oder ein `RelativeProbabilisticSiftConfig`-Objekt) – ein `RelativeProbabilisticSiftConfig`-Object.
+ `orig_dataloader`(ein PyTorch DataLoader Objekt) — Geben Sie das PyTorch Dataloader-Objekt an, das umschlossen werden soll.
+ `batch_transforms`(ein `SiftingBatchTransform` Objekt) — (Optional) Wenn Ihr Datenformat von der Standardtransformation der SageMaker Smart-Sifting-Bibliothek nicht unterstützt wird, müssen Sie mithilfe des Moduls eine Batch-Transformationsklasse erstellen. `SiftingBatchTransform` Dieser Parameter wird verwendet, um die Batch-Transformationsklasse zu übergeben. Diese Klasse wird verwendet`SiftingDataloader`, um die Daten in ein Format zu konvertieren, das der SageMaker Smart-Sifting-Algorithmus akzeptieren kann.
+ `model`(ein PyTorch Modellobjekt) — Das PyTorch Originalmodell
+ `loss_impl`(eine Siebungsverlustfunktion von`smart_sifting.loss.abstract_sift_loss_module.Loss`) — Eine Siebungsverlustfunktion, die mit dem `Loss` Modul konfiguriert ist und die Verlustfunktion umschließt. PyTorch
+ `log_batch_data` (bool) – Geben Sie an, ob Batch-Daten protokolliert werden sollen. Wenn diese Option auf gesetzt ist`True`, protokolliert das SageMaker intelligente Sieben die Details der Chargen, die aufbewahrt oder gesiebt wurden. Wir empfehlen, diese Option nur für einen Pilot-Trainingsjob zu aktivieren. Wenn die Protokollierung aktiviert ist, werden die Samples auf die GPU geladen und auf die CPU übertragen, was zu Mehraufwand führt. Der Standardwert ist `False`.