View a markdown version of this page

Construisez un SageMaker AI XGBoost ModelTrainer avec la règle Debugger XGBoost Report - Amazon SageMaker AI

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Construisez un SageMaker AI XGBoost ModelTrainer avec la règle Debugger XGBoost Report

Note

Amazon SageMaker Debugger n'est plus ouvert aux nouveaux clients. Les clients existants peuvent continuer à utiliser le service normalement. AWS continue d'investir dans l'amélioration de la sécurité et de la disponibilité de Debugger, mais nous ne prévoyons pas d'introduire de nouvelles fonctionnalités. Pour de plus amples informations, veuillez consulter Modification de la disponibilité du débogueur.

La règle CreateXgboostReport collecte les tenseurs de sortie suivants à partir de votre tâche d'entraînement :

  • hyperparameters : enregistre à la première étape.

  • metrics : enregistre la perte et la précision toutes les 5 étapes.

  • feature_importance : enregistre toutes les 5 étapes.

  • predictions : enregistre toutes les 5 étapes.

  • labels : enregistre toutes les 5 étapes.

Les tenseurs de sortie sont enregistrés dans un compartiment S3 par défaut. Par exemple, s3://sagemaker-<region>-<12digit_account_id>/<base-job-name>/debug-output/.

Lorsque vous créez une SageMaker IA ModelTrainer pour une tâche d'entraînement XGBoost, spécifiez la règle comme indiqué dans l'exemple de code suivant.

import boto3
import sagemaker
from sagemaker.train import ModelTrainer
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")

model_trainer=ModelTrainer(
    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
)

model_trainer.train()