グラフ信号を用いた機械学習のプロファイリング

Graphsignalは、データの科学者とMLのエンジニアを理解し、ベンチマークを分析し、モデルの訓練と推論を分析し、それを迅速かつ計算効率的にするためのプロファイラを学習マシンです.
機械学習ノート、スクリプトまたはアプリケーションに、いくつかの線のコードを加えることによって、Graphsignalは自動的にプロフィールTorsorFlow、Keras、Pirtorch、Hugging顔と他のフレームワークを分類します.
加えるprofiler , 単にPythonモジュールをインストールしてインポートし、APIキーとワークロード名を指定することで設定します.APIキーを取得するsigning up 無料のアカウント.最後に、プロファイラーコールバックを登録するか、フレームワークに応じてプロファイル関数を使用します.
以下に、Kerasフレームワークの例を示します.

# 1. Import Graphsignal modules
import graphsignal
from graphsignal.profilers.keras import GraphsignalCallback

# 2. Configure
graphsignal.configure(api_key='my_key', workload_name='training_example')

....

# 3. Add profiler callback
model.fit(..., callbacks=[GraphsignalCallback()])

他の統合に関する詳細情報はDocs .
実行を開始した後、プロファイルが自動的に記録され、分析のために利用可能なcloud dashboard 各々の実行または実験のために、バッチ時間、バッチ速度、GPUメモリおよび利用のようないくつかの基本統計は、比較されることができる.

プロファイルを開くと、実行の特定のフェーズに関する詳細な情報が表示されます.
プロファイルには、パフォーマンス概要、実行環境、トレーニング、推論速度に関する詳細な情報が含まれます.

資源利用の計算

また、操作とカーネルレベルの統計情報は、正確に最も時間と計算された場所を理解するための機器です.例えば、この場合、ほとんどの時間がデータ入力操作に費やされるのを見ることができます.

時間をかけて実行する方法を参照するには、メトリクスダッシュボードを使用します.

手動で実行されるか、MLパイプラインで定期的に実行されるすべてのMLワークロードにGraphsignalを加えてください、そして、いつでも自動的に記録されたプロフィールとメトリックに一定のチーム・アクセスを可能にしてください.
ご覧の通り、それを試してみると簡単ですQuick Start Guide 指示や詳細についてはgraphsignal.com .