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

I seguenti video forniscono una panoramica delle funzionalità di Amazon SageMaker Debugger utilizzando le istanze di notebook SageMaker Studio e SageMaker AI.

Debug dei modelli con Amazon SageMaker Debugger in Studio Classic

Julien Simon, AWS Technical Evangelist | Durata: 14 minuti 17 secondi

In questo video tutorial viene illustrato come utilizzare Debugger Amazon SageMaker per acquisire e ispezionare le informazioni di debug da un modello di addestramento. Il modello di addestramento di esempio utilizzato in questo video è una semplice rete neurale convoluzionale (CNN) basata su Keras con il back-end TensorFlow. SageMaker AI in un framework TensorFlow e Debugger consentono di creare uno strumento di stima direttamente utilizzando lo script di addestramento ed eseguire il debug del job di addestramento.

Puoi trovare il notebook di esempio usato nel video in questo repository Studio Demo fornito dall'autore. Devi clonare il file del notebook debugger.ipynb e lo script di addestramento mnist_keras_tf.py in SageMaker Studio o in 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".

Analisi approfondita su Amazon SageMaker Debugger e SageMaker AI Model Monitor

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 migliorare 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, al minuto 22:41, il video mostra come monitorare i modelli in produzione e identificare i problemi di previsione come le funzionalità mancanti o la deriva dei dati utilizzando SageMaker AI Model Monitor. 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 offerto dall'autore.