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.
Video tutorial su Debugger
Nota
Amazon SageMaker Debugger non è più aperto a nuovi clienti. I clienti esistenti possono continuare a utilizzare il servizio normalmente. AWS continua a investire in miglioramenti della sicurezza e della disponibilità di Debugger, ma non prevediamo di introdurre nuove funzionalità. Per ulteriori informazioni, consulta Modifica della disponibilità del debugger.
I seguenti video forniscono una panoramica delle funzionalità di Amazon SageMaker Debugger utilizzando istanze di notebook SageMaker Studio e SageMaker AI.
Argomenti
Debug di modelli con Amazon Debugger in Studio Classic SageMaker
Julien Simon, AWS Technical Evangelist | Durata: 14 minuti 17 secondi
Questo video tutorial dimostra come utilizzare Amazon SageMaker Debugger per acquisire e controllare le informazioni di debug da un modello di training. Il modello di addestramento di esempio utilizzato in questo video è una semplice rete neurale convoluzionale (CNN) basata su Keras con backend. TensorFlow SageMaker L'intelligenza artificiale in un TensorFlow framework e Debugger consentono di creare un processo utilizzando ModelTrainer direttamente lo script di formazione ed eseguire il debug del processo di formazione.
Puoi trovare il notebook di esempio usato nel video in questo repository Studio Demodebugger.ipynb notebook e lo script di mnist_keras_tf.py training su SageMaker Studio o su un'istanza del notebook. SageMaker Dopo aver clonato i due file, specifica il percorso keras_script_path verso il file mnist_keras_tf.py all'interno del notebook debugger.ipynb. Ad esempio, se hai clonato i due file nella stessa directory, impostala come keras_script_path =
"mnist_keras_tf.py".
Approfondisci su Amazon SageMaker Debugger e SageMaker sul monitor dei modelli AI
Julien Simon, AWS Technical Evangelist | Durata: 44 minuti 34 secondi
Questa sessione video esplora le funzionalità avanzate di Debugger e SageMaker Model Monitor che aiutano a incrementare la produttività e la qualità dei modelli. Innanzitutto, questo video mostra come rilevare e risolvere i problemi di addestramento, visualizzare i tensori e migliorare i modelli con Debugger. Successivamente, alle 22:41, il video mostra come monitorare i modelli in produzione e identificare problemi di previsione come funzionalità mancanti o deriva dei dati utilizzando AI Model Monitor. SageMaker Infine, puoi trovare dei suggerimenti per l'ottimizzazione dei costi che consentono di sfruttare al massimo il tuo budget relativo al machine learning.
Puoi trovare il notebook di esempio mostrato nel video in questo repository AWS
Dev Days 2020
