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.
Surveillance AWS utilisation des ressources de calcul dans Amazon SageMaker Studio Classic
Note
Avis de fin de support : le 30 juin 2027, le support d'Amazon SageMaker Profiler AWS prendra fin. Après le 30 juin 2027, vous ne pourrez plus accéder à la console Profiler ni aux ressources du Profiler. Pour de plus amples informations, veuillez consulter Modification de la disponibilité du profileur.
Pour suivre l'utilisation des ressources informatiques de votre tâche de formation, utilisez les outils de surveillance proposés par Amazon SageMaker Debugger.
Pour toute tâche de formation que vous exécutez en SageMaker IA à l'aide du SDK SageMaker Python, Debugger collecte des mesures d'utilisation des ressources de base, telles que l'utilisation du processeur, l'utilisation de la mémoire du GPU, le réseau et le temps d' I/O attente toutes les 500 millisecondes. Pour consulter le tableau de bord des mesures d'utilisation des ressources de votre tâche de formation, utilisez simplement l'interface utilisateur du SageMaker débogueur dans SageMaker Studio Experiments.
Les opérations et étapes de deep learning peuvent s'exécuter à des intervalles de quelques millisecondes. Comparé aux CloudWatch métriques Amazon, qui collectent des métriques à des intervalles d'une seconde, Debugger fournit une granularité plus fine des mesures d'utilisation des ressources jusqu'à des intervalles de 100 millisecondes (0,1 seconde) afin que vous puissiez approfondir les métriques au niveau d'une opération ou d'une étape.
Si vous souhaitez modifier l'intervalle de collecte des métriques, vous pouvez ajouter un paramètre de configuration du profilage à votre lanceur de tâches d'entraînement. Par exemple, si vous utilisez le SDK SageMaker AI Python, vous devez transmettre le profiler_config paramètre lorsque vous créez un ModelTrainer objet. Pour découvrir comment ajuster l'intervalle de collecte des métriques d'utilisation des ressources, consultez Modèle de code pour configurer un objet estimateur SageMaker AI avec les modules SageMaker Debugger Python du SDK AI Python SageMaker, puis Configuration des paramètres pour le profilage de base de l'utilisation des ressources du système.
En outre, vous pouvez ajouter des outils de détection des problèmes appelés règles de profilage intégrées fournies par SageMaker Debugger. Les règles de profilage intégrées exécutent une analyse par rapport aux métriques d'utilisation des ressources et détectent les problèmes de performances de calcul. Pour de plus amples informations, veuillez consulter Utiliser les règles de profilage intégrées gérées par Amazon Debugger SageMaker. Vous pouvez recevoir les résultats de l'analyse des règles via l'interface utilisateur du SageMaker débogueur dans SageMaker Studio Experiments ou via le rapport de profilage du SageMaker débogueur. Vous pouvez également créer des règles de profilage personnalisées à l'aide du SDK SageMaker Python.
Pour en savoir plus sur les fonctionnalités de surveillance fournies par SageMaker Debugger, consultez les rubriques suivantes.
Rubriques
