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.

Vídeos tutoriais do Depurador

Os vídeos a seguir apresentam um tour pelos recursos do Amazon SageMaker Debugger usando as instâncias de caderno do SageMaker Studio e do SageMaker AI.

Modelos com depuração com o Amazon SageMaker Debugger no Studio Classic

Julien Simon, evangelista técnico da AWS | Duração: 14 minutos e 17 segundos

Esse tutorial em vídeo demonstra como usar o Amazon SageMaker Debugger para capturar e inspecionar informações de depuração de um modelo de treinamento. O modelo de treinamento de exemplo usado nesse vídeo é uma rede neural convolucional simples (CNN) baseada em Keras com o backend do TensorFlow. O SageMaker AI no framework TensorFlow e Debugger permitem criar um estimador diretamente usando o script de treinamento e depurar a tarefa de treinamento.

É possível encontrar o caderno de exemplo no vídeo neste repositório de demonstrações do Studio fornecido pelo autor. Você precisa clonar o arquivo debugger.ipynb de caderno e um arquivo de exemplo mnist_keras_tf.py de script de treinamento para a sua instância do SageMaker Studio ou de um caderno do SageMaker. Depois de clonar os dois arquivos, especifique o caminho keras_script_path para o arquivo mnist_keras_tf.py dentro do caderno debugger.ipynb. Por exemplo, se você clonou os dois arquivos no mesmo diretório, defina-o como keras_script_path = "mnist_keras_tf.py".

Análise detalhada do Amazon SageMaker Debugger e do SageMaker AI Model Monitor

Julien Simon, evangelista técnico da AWS | Duração: 44 minutos e 34 segundos

Essa sessão de vídeo explora os recursos avançados do Debugger e do SageMaker Model Monitor que ajudam a aumentar a produtividade e a qualidade dos modelos. Primeiro, esse vídeo mostra como detectar e corrigir problemas de treinamento, visualizar tensores e aprimorar modelos com o Debugger. Depois, em 22:41, o vídeo mostra como monitorar modelos em produção e identificar problemas de predição, como recursos ausentes ou desvio de dados usando o SageMaker AI Model Monitor. Por fim, ele oferece dicas de otimização de custos para ajudá-lo a aproveitar ao máximo seu orçamento de machine learning.

É possível encontrar o caderno de exemplo do vídeo neste repositório do Dev Days 2020 da AWS oferecido pelo autor.