Utilizzo delle API Debugger per eseguire le tue regole personalizzate - Amazon SageMaker AI

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Utilizzo delle API Debugger per eseguire le tue regole personalizzate

Il seguente esempio di codice mostra come configurare una regola personalizzata con Amazon SageMaker Python SDK. Questo esempio presuppone che lo script di regole personalizzate creato nella fase precedente si trovi in '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"}
)

L'elenco seguente illustra gli argomenti dell'API Rule.custom di Debugger.

  • name (str): specifica un nome di regola personalizzato desiderato.

  • image_uri (str): questa è l'immagine del container che ha la logica di comprendere la regola personalizzata. Reperisce e valuta le raccolte di tensori specificate salvate nel processo di addestramento. Puoi trovare l’elenco delle immagini dello strumento di valutazione delle regole SageMaker AI open source in URI delle immagini di Amazon SageMaker Debugger per strumenti di valutazione di regole personalizzate.

  • instance_type (str): devi specificare un'istanza per creare un container docker per regole. Questo fa funzionare l'istanza parallelamente a un container di addestramento.

  • source (str): questo è il percorso locale o l'URI di Amazon S3 dello script di regole personalizzate.

  • rule_to_invoke (str): specifica la particolare implementazione della classe Rule nello script di regole personalizzate. Nei processi di regole, SageMaker AI supporta una sola regola da valutare alla volta.

  • collections_to_save (str): specifica quali raccolte di tensori verranno salvate per l'esecuzione della regola.

  • rule_parameters (dizionario): accetta input di parametri in un formato dizionario. È possibile regolare i parametri configurati nello script di regole personalizzate.

Dopo aver configurato l’oggetto custom_rule, puoi utilizzarlo per creare uno strumento di stima SageMaker AI per qualsiasi job di addestramento. Specifica entry_point nello script di addestramento. Non è necessario apportare modifiche allo script di addestramento.

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()

Per ulteriori varianti ed esempi avanzati di utilizzo delle regole personalizzate di Debugger, consulta i seguenti notebook di esempio.