Configurer les collections de tenseurs en utilisant l’API CollectionConfig

Utilisez l'opération d'API CollectionConfig pour configurer les collections de tenseurs. Debugger fournit des collections de tenseurs prédéfinies qui couvrent une variété d'expressions régulières (regex) de paramètres si vous utilisez des frameworks d'apprentissage Debugger-supported profond et des algorithmes d'apprentissage automatique. Comme indiqué dans l'exemple de code suivant, ajoutez les collections de tenseurs intégrées que vous souhaitez déboguer.

from sagemaker.debugger import CollectionConfig

collection_configs=[
    CollectionConfig(name="weights"),
    CollectionConfig(name="gradients")
]

Les collections précédentes configurent le hook de Debugger pour enregistrer les tenseurs toutes les 500 étapes en fonction de la valeur "save_interval" par défaut.

Pour une liste complète des collections intégrées de Debugger disponibles, consultez la section Built-in Debugger Collections.

Si vous souhaitez personnaliser les collections intégrées, par exemple en modifiant les intervalles de sauvegarde et l'expression régulière de tenseur, utilisez le modèle CollectionConfig suivant pour ajuster les paramètres.

from sagemaker.debugger import CollectionConfig

collection_configs=[
    CollectionConfig(
        name="tensor_collection",
        parameters={
            "key_1": "value_1",
            "key_2": "value_2",
            ...
            "key_n": "value_n"
        }
    )
]

Pour plus d'informations sur les clés de paramètres disponibles, consultez CollectionConfigle SDK Amazon SageMaker Python. Par exemple, l'exemple de code suivant montre comment ajuster les intervalles de sauvegarde de la collection de tenseurs de « pertes » à différentes phases de l'entraînement : perte de sauvegarde toutes les 100 étapes de la phase d'entraînement et perte de validation toutes les 10 étapes de la phase de validation.

from sagemaker.debugger import CollectionConfig

collection_configs=[
    CollectionConfig(
        name="losses",
        parameters={
            "train.save_interval": "100",
            "eval.save_interval": "10"
        }
    )
]