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.
CloudWatch Amazon-Metriken für die Überwachung und Analyse von Ausbildungsjobs
Ein SageMaker Amazon-Ausbildungsjob ist ein iterativer Prozess, bei dem einem Modell anhand von Beispielen aus einem Trainingsdatensatz beigebracht wird, Vorhersagen zu treffen. In der Regel berechnet ein Trainingsalgorithmus mehrere Metriken, wie z. B. Trainingsfehler und Voraussagegenauigkeit. Diese Metriken helfen, zu diagnostizieren, ob das Modell gut lernt und bezüglich des Treffens von Voraussagen anhand von ungesehenen Daten eine gute Leistung bringen wird. Der Trainingsalgorithmus schreibt die Werte dieser Metriken in Protokolle, die von der SageMaker KI überwacht und CloudWatch in Echtzeit an Amazon gesendet werden. Um die Leistung Ihres Trainingsauftrags zu analysieren, können Sie diese Metriken in CloudWatch als Diagramme anzeigen. Wenn ein Trainingsauftrag abgeschlossen ist, können Sie eine Liste der Metrikwerte erhalten, die in seiner abschließenden Iteration berechnet werden, in dem Sie die Operation DescribeTrainingJob aufrufen.
Anmerkung
Amazon CloudWatch unterstützt benutzerdefinierte Metriken mit hoher Auflösung, und die beste Auflösung beträgt 1 Sekunde. Je feiner die Auflösung ist, desto kürzer ist jedoch die Lebensdauer der CloudWatch Metriken. Bei der Frequenzauflösung von 1 Sekunde sind die CloudWatch Metriken 3 Stunden lang verfügbar. Weitere Informationen zur Auflösung und zur Lebensdauer der CloudWatch Metriken finden Sie GetMetricStatistics in der CloudWatch Amazon-API-Referenz.
Tipp
Wenn Sie Ihren Trainingsjob mit einer feineren Auflösung bis hin zu einer Granularität von 100 Millisekunden (0,1 Sekunden) profilieren und die Trainingsmetriken auf unbestimmte Zeit in Amazon S3 speichern möchten, um sie jederzeit individuell analysieren zu können, sollten Sie Amazon Debugger verwenden. SageMaker SageMaker Der Debugger bietet integrierte Regeln zur automatischen Erkennung häufiger Trainingsprobleme. Er erkennt Probleme bei der Auslastung der Hardwareressourcen (wie CPU, GPU und I/O Engpässe) und nicht konvergierende Modellprobleme (wie Überanpassung, verschwindende Gradienten und explodierende Tensoren). SageMaker Der Debugger bietet auch Visualisierungen über Studio Classic und seinen Profilerstellungsbericht. Informationen zu den Debugger-Visualisierungen finden Sie unter Exemplarische Vorgehensweise für das SageMaker Debugger Insights-Dashboard, Exemplarische Vorgehensweise für den Debugger-Profiling-Bericht und Analysieren von Daten mithilfe der smDebug-Clientbibliothek. https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-analyze-data.html
Themen
