Métodos de clase útiles del estimador de SageMaker AI para el depurador - Amazon SageMaker AI

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Métodos de clase útiles del estimador de SageMaker AI para el depurador

Los siguientes classmethods del estimador son útiles para acceder a la información del trabajo de entrenamiento de SageMaker y recuperar las rutas de salida de los datos de entrenamiento recopilados por el depurador. Los siguientes métodos se pueden ejecutar después de iniciar un trabajo de entrenamiento con el método estimator.fit().

  • Comprobar el URI del bucket de S3 base de un trabajo de entrenamiento de SageMaker:

    estimator.output_path

  • Comprobar el nombre del trabajo base de un trabajo de entrenamiento de SageMaker:

    estimator.latest_training_job.job_name

  • Ver la configuración completa de las operaciones de la API CreateTrainingJob de un trabajo de entrenamiento de SageMaker:

    estimator.latest_training_job.describe()

  • Consultar una lista completa de las reglas del depurador mientras se está ejecutando un trabajo de entrenamiento de SageMaker:

    estimator.latest_training_job.rule_job_summary()

  • Comprobar el URI del bucket de S3 en el que se guardan los datos de los parámetros del modelo (tensores de salida):

    estimator.latest_job_debugger_artifacts_path()

  • Comprobar el URI del bucket de S3 en el que se guardan los datos de rendimiento del modelo (métricas del sistema y del marco):

    estimator.latest_job_profiler_artifacts_path()

  • Comprobar la configuración de las reglas del depurador para la depuración de los tensores de salida:

    estimator.debugger_rule_configs

  • Consultar la lista de reglas del depurador para la depuración mientras se está ejecutando un trabajo de entrenamiento de SageMaker:

    estimator.debugger_rules

  • Para comprobar la configuración de las reglas del depurador para monitorizar y perfilar las métricas del sistema y del marco:

    estimator.profiler_rule_configs

  • Consultar la lista de reglas del depurador para la monitorización y la creación de perfiles mientras se está ejecutando un trabajo de entrenamiento de SageMaker:

    estimator.profiler_rules

Para obtener más información sobre la clase del estimador SageMaker AI y sus métodos, consulte la API del estimador en el Amazon SageMaker Python SDK.