Utilisation des API Debugger pour exécuter vos propres règles personnalisées - Amazon SageMaker AI

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Utilisation des API Debugger pour exécuter vos propres règles personnalisées

L'exemple de code suivant décrit comment configurer une règle personnalisée avec le kit SDK Python Amazon SageMaker. Cet exemple suppose que le script de règle personnalisé que vous avez créé à l'étape précédente se trouve sous « path/to/my_custom_rule.py ».

from sagemaker.debugger import Rule, CollectionConfig

custom_rule = Rule.custom(
    name='MyCustomRule',
    image_uri='759209512951.dkr.ecr.us-west-2.amazonaws.com/sagemaker-debugger-rule-evaluator:latest', 
    instance_type='ml.t3.medium',     
    source='path/to/my_custom_rule.py', 
    rule_to_invoke='CustomGradientRule',     
    collections_to_save=[CollectionConfig("gradients")], 
    rule_parameters={"threshold": "20.0"}
)

La liste suivante explique les arguments de l'API Rule.custom Debugger.

  • name (str) : spécifiez un nom de règle personnalisé à votre guise.

  • image_uri (str) : il s'agit de l'image du conteneur dont la logique est de comprendre votre règle personnalisée. Celle-ci approvisionne et évalue les collections de tenseurs spécifiées que vous enregistrez dans la tâche d'entraînement. Vous pouvez trouver la liste des images d’évaluateur de règles SageMaker AI open source dans URI d’images Amazon SageMaker Debugger pour les évaluateurs de règles personnalisées.

  • instance_type (str) : vous devez spécifier une instance pour créer un conteneur Docker de règles afin d'activer l'instance en parallèle avec un conteneur d'entraînement.

  • source (str) : il s'agit du chemin local ou de l'URI Amazon S3 vers votre script de règle personnalisée.

  • rule_to_invoke (str) : spécifie l'implémentation de la classe de règle particulière dans votre script de règle personnalisée. SageMaker AI ne prend en charge qu’une seule règle à évaluer à la fois dans une tâche de règle.

  • collections_to_save (str) : spécifie les collections de tenseurs que vous allez enregistrer pour l'exécution de la règle.

  • rule_parameters (dictionnaire) : accepte les entrées de paramètres dans un format de dictionnaire. Vous pouvez ajuster les paramètres que vous avez configurés dans le script de règle personnalisée.

Une fois que vous avez configuré l’objet custom_rule, vous pouvez l’utiliser pour créer un estimateur SageMaker AI pour n’importe quelle tâche d’entraînement. Spécifiez le point entry_point à votre script d'entraînement. Vous n'avez pas besoin de modifier votre script d'entraînement.

from sagemaker.tensorflow import TensorFlow

estimator = TensorFlow(
                role=sagemaker.get_execution_role(),
                base_job_name='smdebug-custom-rule-demo-tf-keras',
                entry_point='path/to/your_training_script.py'
                train_instance_type='ml.p2.xlarge'
                ...
                
                # debugger-specific arguments below
                rules = [custom_rule]
)

estimator.fit()

Pour plus de variantes et des exemples avancés d'utilisation des règles personnalisées Debugger, consultez les exemples de blocs-notes suivants.