As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Configuração do estimador com parâmetros para criação de perfil básica usando os módulos Amazon SageMaker Debugger Python [Por padrão, o perfil básico do SageMaker Debugger está ativado por padrão e monitora as métricas de utilização de recursos, como utilização da CPU, utilização da GPU, utilização da memória da GPU, rede e I/O tempo de espera, de todos os trabalhos de treinamento enviados usando o SDK do Amazon Python. SageMaker SageMaker ](https://sagemaker.readthedocs.io/en/stable) SageMaker O Debugger coleta essas métricas de utilização de recursos a cada 500 milissegundos. Você não precisa fazer alterações adicionais em seu código, script de treinamento ou iniciador de trabalho para rastrear a utilização de recursos básicos. Se quiser alterar o intervalo de coleta de métricas para a criação de perfil básica, você pode especificar Debugger-specific parâmetros ao criar um iniciador de tarefas de SageMaker treinamento usando o SDK AWS SDK para Python (Boto3) ou (CLI) do SageMaker Python. AWS Command Line Interface Neste guia, vamos nos concentrar em como alterar as opções de criação de perfil usando o SDK do [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable). Esta página fornece modelos de referência para configurar esse objeto estimador. Se quiser acessar o painel de métricas de utilização de recursos do seu trabalho de treinamento no SageMaker Studio, você pode acessar o. [Interface do SageMaker usuário do Amazon Debugger no Amazon Studio Classic Experiments SageMaker](debugger-on-studio.md) Se você quiser ativar as regras que detectam problemas de utilização de recursos do sistema automaticamente, você pode adicionar o parâmetro `rules` no objeto estimador para ativar as regras. **Importante** Para usar os recursos mais recentes do SageMaker Debugger, você precisa atualizar o SDK do SageMaker Python e a biblioteca cliente. `SMDebug` No kernel do IPython, no Jupyter Notebook JupyterLab ou no ambiente, execute o código a seguir para instalar as versões mais recentes das bibliotecas e reiniciar o kernel. ``` import sys import IPython !{sys.executable} -m pip install -U sagemaker smdebug IPython.Application.instance().kernel.do_shutdown(True) ``` ## Modelo de código para configurar um objeto estimador de SageMaker IA com os módulos Debugger SageMaker Python no SDK do AI Python SageMaker Para ajustar a configuração básica de criação de perfil (`profiler_config`) ou adicionar as regras do criador de perfil (`rules`), escolha uma das guias para obter o modelo para configurar um SageMaker estimador de IA. Nas páginas seguintes, você pode encontrar mais informações sobre como configurar os dois parâmetros: **nota** Os exemplos de código a seguir não são executáveis diretamente. Vá para as próximas seções para saber como configurar cada parâmetro. ------ #### [ PyTorch ] ``` # An example of constructing a SageMaker AI PyTorch estimator import boto3 import sagemaker from sagemaker.pytorch import PyTorch from sagemaker.debugger import ProfilerConfig, ProfilerRule, rule_configs session=boto3.session.Session() region=session.region_name profiler_config={{ProfilerConfig(...)}} rules=[ {{ProfilerRule.sagemaker(rule_configs.BuiltInRule())}} ] estimator=PyTorch( entry_point="{{directory/to/your_training_script.py}}", role=sagemaker.get_execution_role(), base_job_name="{{debugger-profiling-demo}}", instance_count={{1}}, instance_type="{{ml.p3.2xlarge}}", framework_version="{{1.12.0}}", py_version="{{py37}}", # SageMaker Debugger parameters profiler_config=profiler_config, rules=rules ) estimator.fit(wait=False) ``` ------ #### [ TensorFlow ] ``` # An example of constructing a SageMaker AI TensorFlow estimator import boto3 import sagemaker from sagemaker.tensorflow import TensorFlow from sagemaker.debugger import ProfilerConfig, ProfilerRule, rule_configs session=boto3.session.Session() region=session.region_name profiler_config={{ProfilerConfig(...)}} rules=[ {{ProfilerRule.sagemaker(rule_configs.BuiltInRule())}} ] estimator=TensorFlow( entry_point="{{directory/to/your_training_script.py}}", role=sagemaker.get_execution_role(), base_job_name="{{debugger-profiling-demo}}", instance_count={{1}}, instance_type="{{ml.p3.2xlarge}}", framework_version="{{2.8.0}}", py_version="{{py37}}", # SageMaker Debugger parameters profiler_config=profiler_config, rules=rules ) estimator.fit(wait=False) ``` ------ #### [ MXNet ] ``` # An example of constructing a SageMaker AI MXNet estimator import sagemaker from sagemaker.mxnet import MXNet from sagemaker.debugger import ProfilerConfig, ProfilerRule, rule_configs profiler_config={{ProfilerConfig(...)}} rules=[ {{ProfilerRule.sagemaker(rule_configs.BuiltInRule())}} ] estimator=MXNet( entry_point="{{directory/to/your_training_script.py}}", role=sagemaker.get_execution_role(), base_job_name="{{debugger-profiling-demo}}", instance_count={{1}}, instance_type="{{ml.p3.2xlarge}}", framework_version="{{1.7.0}}", py_version="{{py37}}", # SageMaker Debugger parameters profiler_config=profiler_config, rules=rules ) estimator.fit(wait=False) ``` **nota** Para o MXNet, ao configurar o parâmetro `profiler_config`, você só pode configurar para monitoramento do sistema. As métricas da framework de criação de perfil não são compatíveis com o MXNet. ------ #### [ XGBoost ] ``` # An example of constructing a SageMaker AI XGBoost estimator import sagemaker from sagemaker.xgboost.estimator import XGBoost from sagemaker.debugger import ProfilerConfig, ProfilerRule, rule_configs profiler_config={{ProfilerConfig(...)}} rules=[ {{ProfilerRule.sagemaker(rule_configs.BuiltInRule())}} ] estimator=XGBoost( entry_point="{{directory/to/your_training_script.py}}", role=sagemaker.get_execution_role(), base_job_name="{{debugger-profiling-demo}}", instance_count={{1}}, instance_type="{{ml.p3.2xlarge}}", framework_version="{{1.5-1}}", # Debugger-specific parameters profiler_config=profiler_config, rules=rules ) estimator.fit(wait=False) ``` **nota** Para o XGBoost, ao configurar o parâmetro `profiler_config`, você só pode configurar para monitoramento do sistema. As métricas da framework de criação de perfil não são compatíveis com o XGBoost. ------ #### [ Generic estimator ] ``` # An example of constructing a SageMaker AI generic estimator using the XGBoost algorithm base image import boto3 import sagemaker from sagemaker.estimator import Estimator from sagemaker import image_uris from sagemaker.debugger import ProfilerConfig, DebuggerHookConfig, Rule, ProfilerRule, rule_configs profiler_config={{ProfilerConfig(...)}} rules=[ {{ProfilerRule.sagemaker(rule_configs.BuiltInRule())}} ] region=boto3.Session().region_name xgboost_container=sagemaker.image_uris.retrieve("xgboost", region, "1.5-1") estimator=Estimator( role=sagemaker.get_execution_role() image_uri=xgboost_container, base_job_name="{{debugger-demo}}", instance_count={{1}}, instance_type="{{ml.m5.2xlarge}}", # Debugger-specific parameters profiler_config=profiler_config, rules=rules ) estimator.fit(wait=False) ``` ------ A seguir, são apresentadas breves descrições dos parâmetros. + `profiler_config`: Configure o Debugger para coletar métricas do sistema e métricas da framework de seu trabalho de treinamento e salvar em seu URI seguro do bucket S3 ou na máquina local. Você pode definir com que frequência ou de forma flexível as métricas do sistema. Para saber como configurar a o parâmetro `profiler_config`, consulte [Defina as configurações para a criação de perfil básico da utilização dos recursos do sistema](debugger-configure-system-monitoring.md) e [Configuração do estimador para criação de perfil de framework](debugger-configure-framework-profiling.md). + `rules`— Configure esse parâmetro para ativar as regras integradas do SageMaker Debugger que você deseja executar em paralelo. Certifique-se de que seu trabalho de treinamento tenha acesso a esse bucket do S3. As regras são executadas em contêineres de processamento e analisam automaticamente seu trabalho de treinamento para encontrar problemas de desempenho computacional e operacional. A regra [ProfilerReport](debugger-built-in-profiler-rules.md#profiler-report) é a regra mais integrada que executa todas as regras de criação de perfil integradas e salva os resultados da criação de perfil como um relatório em seu bucket seguro do S3. Para saber como configurar a o parâmetro `rules`, consulte [Use regras de criação de perfil integradas gerenciadas pelo Amazon SageMaker Debugger](use-debugger-built-in-profiler-rules.md). **nota** O Debugger salva com segurança os dados de saída em subpastas do seu bucket S3 padrão. Por exemplo, o formato do URI padrão do bucket do S3 é `s3://sagemaker--<12digit_account_id>///`. Há três subpastas criadas pelo Debugger: `debug-output`, `profiler-output` e `rule-output`. Você também pode recuperar os URIs padrão do bucket do S3 usando os métodos da classe [SageMaker AI](debugger-estimator-classmethods.md) Estimator. Consulte os tópicos a seguir para descobrir como configurar os Debugger-specific parâmetros em detalhes. **Topics** + [Modelo de código para configurar um objeto estimador de SageMaker IA com os módulos Debugger SageMaker Python no SDK do AI Python SageMaker](#debugger-configuration-structure-profiler) + [Defina as configurações para a criação de perfil básico da utilização dos recursos do sistema](debugger-configure-system-monitoring.md) + [Configuração do estimador para criação de perfil de framework](debugger-configure-framework-profiling.md) + [Atualizando o monitoramento do sistema do Debugger e a configuração de criação de perfil da framework enquanto um trabalho de treinamento está em execução](debugger-update-monitoring-profiling.md) + [Desativar o Debugger](debugger-turn-off-profiling.md)