Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Definizione dei parametri di training
SageMaker L'intelligenza artificiale analizza automaticamente i registri dei lavori di formazione e invia le metriche di formazione a. CloudWatch Per impostazione predefinita, l' SageMaker IA invia le metriche di utilizzo delle risorse di sistema elencate in [ SageMaker AI Jobs e Endpoint Metrics. ](https://docs.aws.amazon.com/sagemaker/latest/dg/monitoring-cloudwatch.html#cloudwatch-metrics-jobs) Se desideri che l' SageMaker intelligenza artificiale analizzi i log e invii metriche personalizzate da un processo di formazione del tuo algoritmo a CloudWatch, devi specificare le definizioni delle metriche passando il nome delle metriche e delle espressioni regolari quando configuri una richiesta di lavoro di formazione AI. SageMaker
Puoi specificare le metriche da monitorare utilizzando la console SageMaker AI, l'AI Python SDK [ o l'](https://github.com/aws/sagemaker-python-sdk)SageMaker API AI di basso livello. SageMaker
Se utilizzi il tuo algoritmo, procedi come riportato di seguito:
+ Assicurati che l'algoritmo scriva i parametri che devono essere acquisiti nei log.
+ Definisci un'espressione regolare che esegua una ricerca accurata nei log per acquisire i valori delle metriche a cui desideri inviare. CloudWatch
Ad esempio, supponi che l'algoritmo emetta i seguenti parametri per errore di addestramento ed errore di convalida:
```
Train_error=0.138318; Valid_error=0.324557;
```
Se desideri monitorare entrambe le metriche in CloudWatch, il dizionario per le definizioni delle metriche dovrebbe essere simile al seguente esempio:
```
[
{
"Name": "train:error",
"Regex": "Train_error=(.*?);"
},
{
"Name": "validation:error",
"Regex": "Valid_error=(.*?);"
}
]
```
Nell'espressione regolare per la `train:error` metrica definita nell'esempio precedente, la prima parte dell'espressione regolare trova il testo esatto "Train\_error=» e l'espressione `(.*?);` acquisisce qualsiasi carattere fino alla comparsa del primo punto e virgola. In questa espressione, la parentesi indicano alla regex di acquisire il loro contenuto, `.` significa qualsiasi carattere, `*` significa zero o più caratteri e `?` significa acquisire solo fino alla prima istanza del carattere `;`.
## Definisci le metriche utilizzando AI Python SDK SageMaker
Definisci le metriche a cui desideri inviare CloudWatch specificando un elenco di definizioni delle metriche in quando crei `AlgorithmSpecification` un using. `TrainingJob` `sagemaker-core` Ad esempio, se desideri monitorare sia le metriche che `train:error` le `validation:error` metriche in CloudWatch, la tua `TrainingJob.create()` chiamata sarà simile al seguente esempio:
```
from sagemaker.core.resources import TrainingJob
from sagemaker.core.shapes import (
AlgorithmSpecification,
MetricDefinition,
ResourceConfig,
OutputDataConfig,
StoppingCondition,
)
TrainingJob.create(
training_job_name="{{my-training-job}}",
role_arn="{{arn:aws:iam::123456789012:role/SageMakerRole}}",
algorithm_specification=AlgorithmSpecification(
training_image="{{your-own-image-uri}}",
training_input_mode="File",
metric_definitions=[
MetricDefinition(name="train:error", regex="Train_error=(.*?);"),
MetricDefinition(name="validation:error", regex="Valid_error=(.*?);"),
],
),
resource_config=ResourceConfig(
instance_type="{{ml.c4.xlarge}}",
instance_count={{1}},
volume_size_in_gb={{30}},
),
output_data_config=OutputDataConfig(s3_output_path="{{s3://bucket/output}}"),
stopping_condition=StoppingCondition(max_runtime_in_seconds={{3600}}),
)
```
Per ulteriori informazioni sulla formazione utilizzando [ Amazon SageMaker Python SDK ](https://sagemaker.readthedocs.io/en/stable) ModelTrainers, consulta [ Sagemaker Python SDK on. ](https://github.com/aws/sagemaker-python-sdk#sagemaker-python-sdk-overview) GitHub
## Definisci le metriche utilizzando la console AI SageMaker
Se scegli l'**opzione Il ** tuo contenitore di algoritmi in ECR come fonte dell'algoritmo nella console SageMaker AI quando crei un lavoro di formazione, aggiungi le definizioni delle metriche nella ** sezione Metriche. ** La schermata seguente mostra come dovrebbe funzionare dopo aver aggiunto i nomi dei parametri di esempio e le espressioni regolari corrispondenti.
## Definisci le metriche utilizzando l'API AI Low-level SageMaker
Definisci le metriche a cui desideri inviare CloudWatch specificando un elenco di nomi di metriche ed espressioni regolari nel `MetricDefinitions` campo del parametro di [`AlgorithmSpecification`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html) input che passi all'operazione. [`CreateTrainingJob`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) Ad esempio, se desideri monitorare sia le metriche che `train:error` le `validation:error` metriche in CloudWatch, `AlgorithmSpecification` dovresti assomigliare al seguente esempio:
```
"AlgorithmSpecification": {
"TrainingImage": {{your-own-image-uri}},
"TrainingInputMode": "File",
"MetricDefinitions" : [
{
"Name": "train:error",
"Regex": "Train_error=(.*?);"
},
{
"Name": "validation:error",
"Regex": "Valid_error=(.*?);"
}
]
}
```
Per ulteriori informazioni sulla definizione e l'esecuzione di un lavoro di formazione utilizzando l'API SageMaker AI di basso livello, consulta. [`CreateTrainingJob`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)