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.

# Definizione dei parametri di training
<a name="define-train-metrics"></a>

SageMaker L'intelligenza artificiale analizza automaticamente i registri dei lavori di formazione e invia i parametri di formazione a. CloudWatch Per impostazione predefinita, l' SageMaker IA invia le metriche di utilizzo delle risorse di sistema elencate in [SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/monitoring-cloudwatch.html#cloudwatch-metrics-jobs) Jobs ed Endpoint Metrics. Se desideri che l' SageMaker IA analizzi i log e invii metriche personalizzate da un processo di formazione del tuo algoritmo a CloudWatch, devi specificare le definizioni delle metriche passando il nome delle metriche e delle espressioni regolari quando configuri una richiesta di lavoro di formazione sull'intelligenza artificiale. SageMaker 

Puoi specificare le metriche che desideri monitorare utilizzando la console SageMaker AI, l'SDK [SageMaker AI Python o l' SageMaker API AI](https://github.com/aws/sagemaker-python-sdk) di basso livello.

Se utilizzi il tuo algoritmo, procedi come riportato di seguito:
+ Assicurati che l'algoritmo scriva i parametri che devono essere acquisiti nei log.
+ Definisci un'espressione regolare che cerchi accuratamente nei log per acquisire i valori delle metriche a cui desideri inviare. CloudWatch

Ad esempio, supponi che l'algoritmo emetta i seguenti parametri per errore di addestramento ed errore di convalida:

```
Train_error=0.138318;  Valid_error=0.324557;
```

Se desideri monitorare entrambe queste metriche CloudWatch, il dizionario per le definizioni delle metriche dovrebbe essere simile al seguente esempio:

```
[
    {
        "Name": "train:error",
        "Regex": "Train_error=(.*?);"
    },
    {
        "Name": "validation:error",
        "Regex": "Valid_error=(.*?);"
    }    
]
```

Nell'espressione regolare per il parametro `train:error` definita in precedenza, la prima parte dell'espressione regolare trova il testo esatto "Train\$1error= " e l'espressione `(.*?);` acquisisce qualsiasi carattere fino al primo carattere punto e virgola. In questa espressione, la parentesi indicano alla regex di acquisire il loro contenuto, `.` significa qualsiasi carattere, `*` significa zero o più caratteri e `?` significa acquisire solo fino alla prima istanza del carattere `;`.

## Definisci le metriche utilizzando l'SDK SageMaker AI Python
<a name="define-train-metrics-sdk"></a>

Definisci le metriche a cui desideri inviare CloudWatch specificando un elenco di nomi di metriche ed espressioni regolari come `metric_definitions` argomento quando inizializzi un oggetto. `Estimator` Ad esempio, se desideri monitorare sia le `validation:error` metriche che in CloudWatch, l'`train:error``Estimator`inizializzazione sarà simile al seguente esempio:

```
import sagemaker
from sagemaker.estimator import Estimator

estimator = Estimator(
    image_uri="your-own-image-uri",
    role=sagemaker.get_execution_role(), 
    sagemaker_session=sagemaker.Session(),
    instance_count=1,
    instance_type='ml.c4.xlarge',
    metric_definitions=[
       {'Name': 'train:error', 'Regex': 'Train_error=(.*?);'},
       {'Name': 'validation:error', 'Regex': 'Valid_error=(.*?);'}
    ]
)
```

[Per ulteriori informazioni sulla formazione utilizzando gli estimatori di [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable), consulta Sagemaker Python SDK on.](https://github.com/aws/sagemaker-python-sdk#sagemaker-python-sdk-overview) GitHub 

## SageMaker Definisci le metriche utilizzando la console AI
<a name="define-train-metrics-console"></a>

**Se scegli l'opzione Il **tuo contenitore di algoritmi in ECR** come fonte dell'algoritmo nella console SageMaker AI quando crei un processo di formazione, aggiungi le definizioni delle metriche nella sezione Metriche.** La schermata seguente mostra come dovrebbe funzionare dopo aver aggiunto i nomi dei parametri di esempio e le espressioni regolari corrispondenti.

![\[Esempio di modulo delle opzioni dell’algoritmo nella console.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/training-metrics-using-smconsole.png)


## Definisci le metriche utilizzando l'API AI di basso livello SageMaker
<a name="define-train-metrics-api"></a>

Definisci le metriche a cui desideri inviare CloudWatch specificando un elenco di nomi di metriche ed espressioni regolari nel `MetricDefinitions` campo del parametro di [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)input che passi all'operazione. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) Ad esempio, se desideri monitorare sia le `train:error` `validation:error` metriche che in CloudWatch, `AlgorithmSpecification` avresti un aspetto simile al seguente:

```
"AlgorithmSpecification": {
    "TrainingImage": your-own-image-uri,
    "TrainingInputMode": "File",
    "MetricDefinitions" : [
        {
            "Name": "train:error",
            "Regex": "Train_error=(.*?);"
        },
        {
            "Name": "validation:error",
            "Regex": "Valid_error=(.*?);"
        }
    ]
}
```

Per ulteriori informazioni sulla definizione e l'esecuzione di un processo di formazione utilizzando l'API SageMaker AI di basso livello, consulta. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)