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.

Videotutoriales sobre el depurador

Los siguientes vídeos ofrecen un recorrido por las capacidades del depurador de Amazon SageMaker mediante el uso de instancias de cuadernos de SageMaker Studio y SageMaker AI.

Depuración de modelos con el depurador de Amazon SageMaker en Studio Classic

Julien Simon, evangelizador de tecnología de AWS | Duración: 14 minutos, 17 segundos

Este videotutorial muestra cómo utilizar el depurador de Amazon SageMaker para capturar e inspeccionar información de depuración de un modelo de entrenamiento. El modelo de entrenamiento de ejemplo utilizado en este vídeo es una simple red neuronal convolucional (CNN) basada en Keras con el backend de TensorFlow. SageMaker AI en un marco de TensorFlow y el depurador le permiten crear un estimador directamente utilizando el script de entrenamiento y depurar el trabajo de entrenamiento.

Encontrará el bloc de notas de ejemplo en el vídeo de este repositorio de demostración de Studio proporcionado por el autor. Debe clonar el archivo del cuaderno de debugger.ipynb y el script de entrenamiento mnist_keras_tf.py en su SageMaker Studio o en una instancia del cuaderno de SageMaker. Después de clonar los dos archivos, especifique la ruta de acceso keras_script_path al archivo mnist_keras_tf.py dentro del bloc de notas debugger.ipynb. Por ejemplo, si clona los dos archivos en el mismo directorio, establézcalo como keras_script_path = "mnist_keras_tf.py".

Profundizar en el depurador de Amazon SageMaker y monitor de modelos de SageMaker AI

Julien Simon, evangelizador de tecnología de AWS | Duración: 44 minutos, 34 segundos

Esta sesión de vídeo explora las características avanzadas del depurador y el monitor de modelos de SageMaker que ayudan a aumentar la productividad y la calidad de sus modelos. En primer lugar, este vídeo muestra cómo detectar y corregir problemas de entrenamiento, visualizar tensores y mejorar modelos con el depurador. A continuación, en el minuto 22:41, el vídeo muestra cómo monitorear modelos en producción e identificar problemas de predicción, como ausencia de características o deriva de datos mediante el monitor de modelos de SageMaker AI. Por último, ofrece consejos de optimización de costos para ayudarle a sacar el máximo partido a su presupuesto de machine learning.

Encontrará el cuaderno de ejemplo en el vídeo en este repositorio de AWS Dev Days 2020 ofrecido por el autor.