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.
# SageMaker referência do SDK Python de filtragem inteligente
Esta página fornece uma referência dos módulos Python necessários para aplicar a peneiração SageMaker inteligente ao seu script de treinamento.
## SageMaker módulos de configuração de peneiramento inteligente
**`class smart_sifting.sift_config.sift_configs.RelativeProbabilisticSiftConfig()`**
A classe de configuração de peneiramento SageMaker inteligente.
**Parâmetros**
+ `beta_value` (float): Um valor beta (constante). É usado para calcular a probabilidade de selecionar uma amostra para treinamento com base no percentil da perda no histórico de valores de perda. Reduzir o valor beta resulta em uma porcentagem menor de dados filtrados, e aumentá-lo resulta em uma porcentagem maior de dados filtrados. Não há valor mínimo ou máximo para o valor beta, exceto que ele deve ser um valor positivo. A tabela de referência a seguir fornece informações sobre as taxas de seleção em relação a `beta_value`.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/train-smart-sifting-pysdk-reference.html)
+ `loss_history_length` (int): o número de perdas de treinamento anteriores a serem armazenadas para a amostragem baseada na perda de limite relativo.
+ `loss_based_sift_config`(dict ou um `LossConfig` objeto) — Especifique um `LossConfig` objeto que retorne a configuração da interface SageMaker smart sifting Loss.
**`class smart_sifting.sift_config.sift_configs.LossConfig()`**
A classe de configuração para o parâmetro `loss_based_sift_config` da classe `RelativeProbabilisticSiftConfig`.
**Parâmetros**
+ `sift_config` (dict ou um objeto `SiftingBaseConfig`): especifique um objeto `SiftingBaseConfig` que retorne um dicionário de configuração de base de filtragem.
**`class smart_sifting.sift_config.sift_configs.SiftingBaseConfig()`**
A classe de configuração para o parâmetro `sift_config` de `LossConfig`.
**Parâmetros**
+ `sift_delay` (int): o número de etapas de treinamento a serem esperadas antes de começar a seleção. Recomendamos que você comece a selecionar depois que todas as camadas do modelo tiverem uma visão suficiente dos dados de treinamento. O valor padrão é `1000`.
+ `repeat_delay_per_epoch` (bool): especifique se a seleção deve ser adiada em cada época. O valor padrão é `False`.
## SageMaker módulos de transformação em lote de dados de peneiração inteligente
`class smart_sifting.data_model.data_model_interface.SiftingBatchTransform`
Um módulo Python de filtragem SageMaker inteligente para definir como realizar a transformação em lote. Usando isso, você pode configurar uma classe de transformação em lote que converte o formato de dados dos seus dados de treinamento em `SiftingBatch` formato. SageMaker a peneiração inteligente pode filtrar e acumular dados nesse formato em um lote peneirado.
`class smart_sifting.data_model.data_model_interface.SiftingBatch`
Uma interface para definir um tipo de dados em lote que pode ser filtrado e acumulado.
`class smart_sifting.data_model.list_batch.ListBatch`
Um módulo para acompanhar um lote de listas para filtragem.
`class smart_sifting.data_model.tensor_batch.TensorBatch`
Um módulo para acompanhar um lote de tensores para seleção.
## SageMaker módulo de implementação de perdas por peneiramento inteligente
`class smart_sifting.loss.abstract_sift_loss_module.Loss`
Um módulo de embalagem para registrar a interface de peneiramento SageMaker inteligente na função de perda de um modelo baseado. PyTorch
## SageMaker módulo de embalagem de carregador de dados de peneiração inteligente
`class smart_sifting.dataloader.sift_dataloader.SiftingDataloader`
Um módulo de embalagem para registrar a interface de peneiramento SageMaker inteligente no carregador de dados de um modelo baseado. PyTorch
O iterador Main Sifting Dataloader seleciona amostras de treinamento de um carregador de dados com base em uma configuração sift.
**Parâmetros**
+ `sift_config` (dict ou um objeto `RelativeProbabilisticSiftConfig`): um objeto `RelativeProbabilisticSiftConfig`.
+ `orig_dataloader`(um PyTorch DataLoader objeto) — Especifique o objeto PyTorch Dataloader a ser encapsulado.
+ `batch_transforms`(um `SiftingBatchTransform` objeto) — (Opcional) Se o formato de dados não for suportado pela transformação padrão da biblioteca SageMaker smart sifting, você deverá criar uma classe de transformação em lote usando o `SiftingBatchTransform` módulo. Esse parâmetro é usado para transmitir a classe de transformação em lote. Essa classe é usada `SiftingDataloader` para converter os dados em um formato que o algoritmo de peneiramento SageMaker inteligente possa aceitar.
+ `model`(um objeto PyTorch modelo) — O PyTorch modelo original
+ `loss_impl`(uma função de perda por peneiramento de`smart_sifting.loss.abstract_sift_loss_module.Loss`) — Uma função de perda por peneiramento que é configurada com o `Loss` módulo e envolve a função de perda. PyTorch
+ `log_batch_data` (bool): especifique se os dados do lote devem ser registrados. Se definido como`True`, a peneiração SageMaker inteligente registra os detalhes dos lotes que são mantidos ou peneirados. Recomendamos que você a ative apenas para o treinamento de pilotos. Quando o log está ativado, as amostras são carregadas na GPU e transferidas para a CPU, o que gera sobrecarga. O valor padrão é `False`.