Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

配置调换器内置规则

Amazon SageMaker Debugger 的内置规则分析模型训练期间发出的张量。 SageMakerDebugger 提供Rule的 API 操作用于监控训练作业进度和错误，从而成功训练模型。例如，这些规则可以检测梯度是太大还是太小，模型是过度拟合还是过度训练，以及训练作业是否不会降低损失函数和改进。要查看可用内置规则的完整列表，请参阅调试器内置规则列表。

在以下主题中，您将学习如何使用 SageMaker Debugger 内置规则。

将调试器内置规则与默认参数设置一起使用

要在估算器中指定 Debugger 内置规则，你需要配置一个列表对象。以下示例代码显示了列出 Debugger 内置规则的基本结构：

from sagemaker.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.built_in_rule_name_1()),
    Rule.sagemaker(rule_configs.built_in_rule_name_2()),
    ...
    Rule.sagemaker(rule_configs.built_in_rule_name_n()),
    ... # You can also append more profiler rules in the ProfilerRule.sagemaker(rule_configs.*()) format.
]

有关默认参数值和内置规则描述的更多信息，请参阅调试器内置规则列表。

要查找调 SageMaker 试器 API 参考资料，请参阅sagemaker.debugger.rule_configs和sagemaker.debugger.Rule。

例如，要检查模型的整体训练性能和进度，请使用以下内置规则配置构造一个 SageMaker 估计器。

from sagemaker.debugger import Rule, rule_configs

rules=[
    Rule.sagemaker(rule_configs.loss_not_decreasing()),
    Rule.sagemaker(rule_configs.overfit()),
    Rule.sagemaker(rule_configs.overtraining()),
    Rule.sagemaker(rule_configs.stalled_training_rule())
]

启动训练作业时，默认情况下，Debugger 每 500 毫秒收集一次系统资源利用率数据，每 500 步收集一次损失和精度值。调试器分析资源利用率以确定您的模型是否存在瓶颈问题。loss_not_decreasing、overfitovertraining、和stalled_training_rule监视您的模型是否在没有这些训练问题的情况下优化了损失函数。如果规则检测到训练异常，则规则评估状态将更改为IssueFound。您可以设置自动操作，例如使用Amazon Ev CloudWatch ents通知培训问题和停止培训作业Amazon Lambda。有关更多信息，请参阅对亚马逊 SageMaker 调试器规则采取的行动：

使用带有自定义参数值的调试器内置规则

如果要调整内置规则参数值并自定义 tensor 集合正则表达式，请为base_config和Rule.sagemaker类方法配置ProfilerRule.sagemaker和rule_parameters参数。对于Rule.sagemaker类方法，你也可以通过collections_to_save参数自定义张量集合。有关如何使用该CollectionConfig课程的说明，请参见使用CollectionConfig API 配置张量集合。

使用以下内置规则配置模板自定义参数值。通过根据需要更改规则参数，您可以调整要触发的规则的敏感度。

有关调试器规则类、方法和参数的更多信息，请参阅 Amaz SageMaker on Python SDK 中的SageMaker调试器规则类。

from sagemaker.debugger import Rule, ProfilerRule, rule_configs, CollectionConfig

rules=[
    Rule.sagemaker(
        base_config=rule_configs.built_in_rule_name(),
        rule_parameters={
                "key": "value"
        },
        collections_to_save=[ 
            CollectionConfig(
                name="tensor_collection_name", 
                parameters={
                    "key": "value"
                } 
            )
        ]
    )
]

为每条规则提供了参数描述和值自定义示例，请参见调试器内置规则列表。

用于配置调试器规则的示例笔记本和代码示例

在以下各节中，提供了如何使用调试器规则监控 SageMaker 训练作业的笔记本和代码示例。

调试器内置规则示例笔记本电脑

以下示例笔记本显示了在使用 Amazon 运行训练任务时如何使用 Debugger 内置规则 SageMaker：

在 SageMaker Studio 中运行示例笔记本时，您可以在 Studi o 实验列表选项卡上找到创建的训练作业试用版。例如，如以下屏幕截图所示，您可以找到并打开当前训练作业的 “描述试用组件” 窗口。在调试器选项卡上，您可以检查调试器规则vanishing_gradient()和是否在ploss_not_decreasing() arallel 监视训练会话。有关如何在 Studio 用户界面中查找训练作业试用组件的完整说明，请参阅 SageMaker Studio-查看实验、试用和试用组件。

在 SageMaker 环境中使用 Debugger 内置规则有两种方法：在准备就绪时部署内置规则或根据需要调整其参数。以下主题向您展示如何使用内置规则和示例代码。

调试器内置规则示例代码

以下代码示例显示了如何使用Rule.sagemaker方法设置 Debugger 内置规则。要指定要运行的内置规则，请使用rules_configs API 操作调用内置规则。要查找 Debugger 内置规则和默认参数值的完整列表，请参阅调试器内置规则列表。

import sagemaker
from sagemaker.tensorflow import TensorFlow
from sagemaker.debugger import Rule, CollectionConfig, rule_configs

# call built-in rules that you want to use.
built_in_rules=[ 
            Rule.sagemaker(rule_configs.vanishing_gradient())
            Rule.sagemaker(rule_configs.loss_not_decreasing())
]

# construct a SageMaker estimator with the Debugger built-in rules
sagemaker_estimator=TensorFlow(
    entry_point='directory/to/your_training_script.py',
    role=sm.get_execution_role(),
    base_job_name='debugger-built-in-rules-demo',
    instance_count=1,
    instance_type="ml.p3.2xlarge",
    framework_version="2.9.0",
    py_version="py39",

    # debugger-specific arguments below
    rules=built_in_rules
)
sagemaker_estimator.fit()

有关调试器规则类、方法和参数的更多信息，请参阅 Amaz SageMaker on Python SDK 中的SageMaker 调试器规则类。

要查找如何调整调试器规则参数的示例，请参阅以下使用调试器内置规则修改参数部分。

使用调试器内置规则修改参数

以下代码示例显示了用于调整参数的内置规则的结构。在此示例中，每 50 步stalled_training_rule收集一次训练作业的losses张量集合，每 10 步收集评估阶段的张量集合。如果训练过程开始停止并且在 120 秒内没有收集张量输出，则stalled_training_rule会停止训练作业。

import sagemaker
from sagemaker.tensorflow import TensorFlow
from sagemaker.debugger import Rule, CollectionConfig, rule_configs

# call the built-in rules and modify the CollectionConfig parameters

base_job_name_prefix= 'smdebug-stalled-demo-' + str(int(time.time()))

built_in_rules_modified=[
    Rule.sagemaker(
        base_config=rule_configs.stalled_training_rule(),
        rule_parameters={
                'threshold': '120',
                'training_job_name_prefix': base_job_name_prefix,
                'stop_training_on_fire' : 'True'
        }
        collections_to_save=[ 
            CollectionConfig(
                name="losses", 
                parameters={
                      "train.save_interval": "50"
                      "eval.save_interval": "10"
                } 
            )
        ]
    )
]

# construct a SageMaker estimator with the modified Debugger built-in rule
sagemaker_estimator=TensorFlow(
    entry_point='directory/to/your_training_script.py',
    role=sm.get_execution_role(),
    base_job_name=base_job_name_prefix,
    instance_count=1,
    instance_type="ml.p3.2xlarge",
    framework_version="2.9.0",
    py_version="py39",

    # debugger-specific arguments below
    rules=built_in_rules_modified
)
sagemaker_estimator.fit()

有关使用CreateTrainingJob API 对调试器内置规则的高级配置，请参阅使用亚马逊配置调试器 SageMaker API。