DifícilOpción múltiple

Pregunta de práctica de MLA-C01

Exhibit

{
    "DebugHookConfig": {
        "S3OutputPath": "s3://my-bucket/debug/",
        "CollectionConfigurations": [
            {"CollectionName": "losses"},
            {"CollectionName": "gradients"}
        ]
    },
    "DebugRuleConfigurations": [
        {
            "RuleConfigurationName": "Overfitting",
            "RuleEvaluatorImage": "...",
            "InstanceType": "ml.t3.medium",
            "VolumeSizeInGB": 5
        }
    ]
}

Consulte el anexo. Un científico de datos configuró SageMaker Debugger para monitorear el entrenamiento en busca de sobreajuste (overfitting). Sin embargo, la regla nunca se activa aunque el modelo parece estar sobreajustado. ¿Cuál es la razón más probable?

Elige la mejor respuesta.

Respuesta correcta

  • AEl debug hook no está recopilando la pérdida de validación

Explicación

SageMaker Debugger monitorea el entrenamiento recopilando tensores (por ejemplo, pérdida, precisión) a través de un debug hook. La regla para detectar sobreajuste generalmente compara la pérdida de entrenamiento con la pérdida de validación. Si el hook no está configurado para recopilar tensores de pérdida de validación, la regla no tiene datos para evaluar y nunca se activará, incluso si ocurre el sobreajuste. Esta es la razón más probable porque la regla depende de que se guarden nombres de tensores específicos.

Por qué cada opción es correcta o incorrecta

A

Correcta

El debug hook no está recopilando la pérdida de validación

La regla de sobreajuste de SageMaker Debugger compara la pérdida de entrenamiento con la pérdida de validación, por lo que necesita ambos tensores recopilados a través del debug hook. Si el hook solo captura la pérdida de entrenamiento, la regla no tiene señal de validación para evaluar y nunca se dispara, incluso cuando el modelo realmente se sobreajusta.

B

Incorrecta

El tipo de instancia para la regla es demasiado pequeño

Las instancias de regla solo evalúan los tensores emitidos, por lo que una instancia de tamaño insuficiente ralentizaría o bloquearía la evaluación, no suprimiría silenciosamente un disparador. Es tentador porque la escasez de recursos causa fallas en las reglas, pero las reglas de sobreajuste dependen de los datos del tensor y los umbrales, no de la capacidad de cómputo.

C

Incorrecta

La ruta de salida de S3 no se puede escribir

Una ruta de S3 no escribible generaría errores de escritura o de permisos durante el trabajo de entrenamiento, no permitiría que la regla se ejecute y simplemente nunca se dispare. Es tentador porque la configuración incorrecta de la salida rompe el Debugger, pero el síntoma aquí es una regla que se ejecuta sin dispararse, lo que indica una falta de coincidencia en la regla o la configuración.

D

Incorrecta

La imagen del evaluador de reglas es incorrecta

Una imagen de evaluador de reglas incorrecta evitaría que el contenedor de reglas se ejecutara en absoluto, produciendo errores en lugar de no dispararse silenciosamente. Es tentador porque los problemas de imagen rompen las reglas, pero surgen como fallas; una regla que se ejecuta limpiamente pero nunca se dispara apunta a la configuración o los parámetros de la regla.

Para profundizar

Las reglas de SageMaker Debugger, como la regla de sobreajuste, comparan la pérdida de entrenamiento con la pérdida de validación o evaluación, por lo que la configuración del hook debe emitir ambos tensores. Si el script de entrenamiento solo registra la pérdida de entrenamiento, la regla no tiene nada que comparar y permanece en silencio incluso cuando el modelo claramente se sobreajusta. El hook se configura a través de la biblioteca smdebug, y las colecciones como pérdidas y métricas deben guardarse con save_scalar o una llamada similar en el paso apropiado. Un comportamiento sutil es que una regla también puede fallar al activarse si el tensor se guarda con un nombre que la regla no espera, o si el paso de inicio de la regla es posterior al último paso registrado. En la práctica, un científico de datos que depure esto debería inspeccionar la salida de Debugger en S3 para confirmar que tanto las pérdidas de entrenamiento como las de validación están presentes antes de sospechar de la imagen de la regla o del tamaño de la instancia.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de MLA-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.