Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# SageMaker referensi SDK Python penyaringan cerdas
<a name="train-smart-sifting-pysdk-reference"></a>

Halaman ini menyediakan referensi modul Python yang Anda butuhkan untuk menerapkan penyaringan SageMaker cerdas ke skrip pelatihan Anda.

## SageMaker modul konfigurasi penyaringan cerdas
<a name="train-smart-sifting-pysdk-base-config-modules"></a>

**`class smart_sifting.sift_config.sift_configs.RelativeProbabilisticSiftConfig()`**

Kelas konfigurasi penyaringan SageMaker cerdas.

**Parameter**
+ `beta_value`(float) — Nilai beta (konstan). Ini digunakan untuk menghitung probabilitas memilih sampel untuk pelatihan berdasarkan persentil kerugian dalam riwayat nilai kerugian. Menurunkan nilai beta menghasilkan persentase data yang diayak lebih rendah, dan meningkatkannya menghasilkan persentase data yang diayak lebih tinggi. Tidak ada nilai minimum atau maksimum untuk nilai beta, selain itu harus nilai positif. Tabel referensi berikut memberikan informasi untuk tingkat penyaringan sehubungan `beta_value` dengan.    
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/train-smart-sifting-pysdk-reference.html)
+ `loss_history_length`(int) — Jumlah kerugian pelatihan sebelumnya yang harus disimpan untuk pengambilan sampel berbasis kerugian ambang relatif.
+ `loss_based_sift_config`(dict atau `LossConfig` objek) — Tentukan `LossConfig` objek yang mengembalikan konfigurasi antarmuka Loss penyaringan SageMaker cerdas.

**`class smart_sifting.sift_config.sift_configs.LossConfig()`**

Kelas konfigurasi untuk `loss_based_sift_config` parameter `RelativeProbabilisticSiftConfig` kelas.

**Parameter**
+ `sift_config`(dict atau `SiftingBaseConfig` objek) - Tentukan `SiftingBaseConfig` objek yang mengembalikan kamus konfigurasi dasar penyaringan.

**`class smart_sifting.sift_config.sift_configs.SiftingBaseConfig()`**

Kelas konfigurasi untuk `sift_config` parameter`LossConfig`.

**Parameter**
+ `sift_delay`(int) — Jumlah langkah pelatihan yang harus ditunggu sebelum mulai menyaring. Kami menyarankan Anda mulai menyaring setelah semua lapisan dalam model memiliki tampilan yang cukup dari data pelatihan. Nilai default-nya adalah `1000`.
+ `repeat_delay_per_epoch`(bool) — Tentukan apakah akan menunda penyaringan setiap zaman. Nilai default-nya adalah `False`.

## SageMaker modul transformasi batch data penyaringan cerdas
<a name="train-smart-sifting-pysdk-batch-transform-modules"></a>

`class smart_sifting.data_model.data_model_interface.SiftingBatchTransform`

Modul Python penyaringan SageMaker cerdas untuk menentukan cara melakukan transformasi batch. Dengan menggunakan ini, Anda dapat menyiapkan kelas transformasi batch yang mengonversi format data data pelatihan Anda ke `SiftingBatch` format. SageMaker penyaringan cerdas dapat menyaring dan mengumpulkan data dalam format ini ke dalam batch yang diayak.

`class smart_sifting.data_model.data_model_interface.SiftingBatch`

Antarmuka untuk menentukan tipe data batch yang dapat diayak dan diakumulasikan.

`class smart_sifting.data_model.list_batch.ListBatch`

Modul untuk melacak batch daftar untuk penyaringan.

`class smart_sifting.data_model.tensor_batch.TensorBatch`

Modul untuk melacak batch tensor untuk diayak.

## SageMaker modul implementasi kerugian penyaringan cerdas
<a name="train-smart-sifting-pysdk-loss-interface-moddule"></a>

`class smart_sifting.loss.abstract_sift_loss_module.Loss`

Modul pembungkus untuk mendaftarkan antarmuka penyaringan SageMaker pintar ke fungsi kehilangan model PyTorch berbasis.

## SageMaker modul pembungkus pemuat data pengayak cerdas
<a name="train-smart-sifting-pysdk-dataloader-wrapper-module"></a>

`class smart_sifting.dataloader.sift_dataloader.SiftingDataloader`

Modul pembungkus untuk mendaftarkan antarmuka penyaringan SageMaker cerdas ke pemuat data model PyTorch berbasis.

Iterator Main Sifting Dataloader menyaring sampel pelatihan dari dataloader berdasarkan konfigurasi ayakan.

**Parameter**
+ `sift_config`(dict atau `RelativeProbabilisticSiftConfig` objek) — Sebuah `RelativeProbabilisticSiftConfig` objek.
+ `orig_dataloader`( PyTorch DataLoader objek) - Tentukan objek PyTorch Dataloader yang akan dibungkus.
+ `batch_transforms`(`SiftingBatchTransform`objek) — (Opsional) Jika format data Anda tidak didukung oleh transformasi default perpustakaan penyaringan SageMaker pintar, Anda harus membuat kelas transformasi batch menggunakan `SiftingBatchTransform` modul. Parameter ini digunakan untuk melewati kelas transformasi batch. Kelas ini digunakan `SiftingDataloader` untuk mengubah data menjadi format yang dapat diterima oleh algoritma penyaringan SageMaker cerdas. 
+ `model`(objek PyTorch model) — PyTorch Model asli
+ `loss_impl`(fungsi kehilangan penyaringan`smart_sifting.loss.abstract_sift_loss_module.Loss`) - Fungsi kehilangan penyaringan yang dikonfigurasi dengan `Loss` modul dan membungkus fungsi kerugian. PyTorch 
+ `log_batch_data`(bool) - Tentukan apakah akan mencatat data batch. Jika disetel ke`True`, SageMaker smart sifting mencatat detail batch yang disimpan atau diayak. Kami menyarankan Anda menyalakannya hanya untuk pekerjaan pelatihan pilot. Saat logging aktif, sampel dimuat ke GPU dan ditransfer ke CPU, yang memperkenalkan overhead. Nilai default-nya adalah `False`.