Ejemplo: visualización de una curva de entrenamiento y validación - 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.

Ejemplo: visualización de una curva de entrenamiento y validación

Normalmente, puede dividir los datos que utiliza en el entrenamiento de su modelo en conjuntos de datos de entrenamiento y de validación. Puede utilizar el conjunto de datos de entrenamiento para entrenar los parámetros del modelo que se utilizan para realizar predicciones en el conjunto de datos de entrenamiento. A continuación, puede probar la exactitud con que el modelo realiza predicciones calculando predicciones para el conjunto de datos de validación. Para analizar el rendimiento de un trabajo de entrenamiento, se suele representar una curva de entrenamiento junto a una curva de validación.

Visualizar un gráfico que muestre la precisión de los conjuntos de datos de entrenamiento y de validación a lo largo del tiempo puede ayudarle a mejorar el rendimiento del modelo. Por ejemplo, si la precisión de la entrenamiento sigue aumentando con el paso del tiempo, pero, en algún momento, la precisión de la validación comienza a disminuir, es probable que esté sobreajustando el modelo. Para solucionar este problema, puede realizar ajustes en el modelo, como, por ejemplo, aumentar la regularización.

Para este ejemplo, puede utilizar el ejemplo Image-classification-full-training que se encuentra en la sección Cuadernos de ejemplo de la instancia de cuaderno de SageMaker AI. Si no tiene una instancia de cuaderno de , cree una siguiendo las instrucciones que se indican en Crear una instancia de Amazon SageMaker Notebook para el tutorial. Si lo prefiere, puede seguir el End-to-End Multiclass Image Classification Example en el bloc de notas de ejemplo en GitHub. Asimismo, necesitará un bucket de Amazon S3 para almacenar los datos de la entrenamiento y para la salida del modelo.

Para ver las curvas de errores de entrenamiento y validación

  1. Abra la consola de SageMaker AI en https://console.aws.amazon.com/sagemaker.

  2. Elija Notebooks (Bloc de notas), a continuación, elija Notebook instances (Instancias de bloc de notas).

  3. Elija la instancia de bloc de notas que desea utilizar y, a continuación, elija Open (Abrir).

  4. En el panel de la instancia de cuaderno, elija Ejemplos de SageMaker AI.

  5. Expanda la sección Introduction to Amazon Algorithms (Introducción a los algoritmos de Amazon), a continuación, elija Use (Usar) junto a Image-classification-full-training.ipynb.

  6. Elija Create copy (Crear copia). SageMaker AI crea una copia modificable del cuaderno Image-classification-full-training.ipynb en la instancia de cuaderno.

  7. Ejecute todas las celdas en el cuaderno hasta la sección Interference (Interferencia). En este ejemplo, no es necesario implementar un punto de enlace ni obtener la inferencia.

  8. Una vez iniciado el trabajo de entrenamiento, abra la consola de CloudWatch en https://console.aws.amazon.com/cloudwatch/.

  9. Elija Metrics (Métricas), a continuación, elija /aws/sagemaker/TrainingJobs.

  10. Elija TrainingJobName (Nombre del trabajo de capacitación).

  11. En la pestaña All metrics (Todas las métricas), elija las métricas train:accuracy (entrenamiento:precisión) y validation:accuracy (validación:precisión) para el trabajo de entrenamiento que ha creado en el cuaderno.

  12. En el gráfico, elija un área de los valores de la métrica para ampliarla. Debería ver algo parecido al siguiente ejemplo.

    Se ha ampliado el área del gráfico.