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.

Debugger-Tutorial-Videos

Die folgenden Videos bieten einen Überblick über die Funktionen von Amazon SageMaker Debugger mithilfe von SageMaker Studio und den Notebook-Instances von SageMaker AI.

Modelle mit Amazon SageMaker Debugger in Studio Classic debuggen

Julien Simon, AWS Technical Evangelist | Länge: 14 Minuten und 17 Sekunden

In diesem Video-Tutorial wird gezeigt, wie Sie mit Debugging-Informationen aus einem Trainingsmodell erfassen und untersuchen. Das Beispiel-Trainingsmodell, das in diesem Video verwendet wird, ist ein einfaches Convolutional Neural Network (CNN) auf Basis von Keras mit dem TensorFlow-Backend. Sie werden sehen, dass SageMaker AI im TensorFlow-Framework und Debugger Funktionen zum direkten Erstellen einer Schätzfunktion mit dem Trainingsskript und Debuggen der Trainingsaufgabe bieten.

Sie finden das Beispiel-Notebook im Video in diesem vom Autor bereitgestellten Studio-Demo-Repository. Sie müssen die debugger.ipynb Notebook-Datei und eine Beispieldatei für das mnist_keras_tf.py Trainingsskript in SageMaker Studio oder einer SageMaker-Notebook-Instance klonen. Nachdem Sie die beiden Dateien geklont haben, geben Sie den Pfad keras_script_path zur mnist_keras_tf.py-Datei im debugger.ipynb-Notebook an. Wenn Sie die beiden Dateien im selben Verzeichnis geklont haben, legen Sie sie als keras_script_path = "mnist_keras_tf.py" fest.

Detaillierte Informationen zu Amazon SageMaker Debugger und Amazon SageMaker AI Model Monitor

Julien Simon, AWS Technical Evangelist | Länge: 44 Minuten und 34 Sekunden

In dieser Videositzung werden die erweiterten Funktionen von Debugger und SageMaker Model Monitor untersucht, mit denen Sie die Produktivität und die Qualität Ihrer Modelle steigern können. Zunächst zeigt dieses Video, wie Sie Trainingsprobleme erkennen und beheben, Tensoren visualisieren und Modelle mit Debugger verbessern können. Als Nächstes zeigt das Video ab 22:41, wie Modelle in der Produktion überwacht und Prognoseprobleme wie fehlende Features oder Datendrift mit SageMaker AI Model Monitor identifiziert werden können. Schließlich bietet es Tipps zur Kostenoptimierung, sodass Sie Ihr Machine-Learning-Budget optimal nutzen können.

Sie finden das Beispiel-Notebook im Video in diesem vom Autor bereitgestellten AWS Dev Days 2020 repository.