View a markdown version of this page

Crie um SageMaker AI XGBoost ModelTrainer com a regra do Debugger XGBoost Report - SageMaker IA da Amazon

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Crie um SageMaker AI XGBoost ModelTrainer com a regra do Debugger XGBoost Report

nota

O Amazon SageMaker Debugger não está mais aberto a novos clientes. Os clientes existentes podem continuar usando o serviço normalmente. AWS continua investindo em melhorias de segurança e disponibilidade para o Debugger, mas não planejamos introduzir novos recursos. Para obter mais informações, consulte Alteração na disponibilidade do depurador.

A regra CreateXgboostReport coleta os seguintes tensores de saída do seu trabalho de treinamento:

  • hyperparameters: Salva na primeira etapa.

  • metrics: Economiza perdas e precisão a cada 5 etapas.

  • feature_importance: Salva a cada 5 etapas.

  • predictions: Salva a cada 5 etapas.

  • labels: Salva a cada 5 etapas.

Os tensores de saída são salvos em um bucket S3 padrão. Por exemplo, .s3://sagemaker-<region>-<12digit_account_id>/<base-job-name>/debug-output/

Ao criar uma SageMaker IA ModelTrainer para um trabalho de treinamento do XGBoost, especifique a regra conforme mostrado no código de exemplo a seguir.

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()