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。
使用 Amazon 调 SageMaker 试器调试和提高模型性能
使用 Amazon Debugger 实时调试机器学习训练作业中的模型输出张量，并检测非融合问题。 SageMaker
Amazon SageMaker 调试器功能
机器学习 (ML) 训练作业可能存在系统瓶颈、过度拟合、饱和激活函数和梯度消失等问题，这些问题会影响模型性能。
SageMaker Debugger 提供了用于调试训练作业和解决此类问题的工具，从而提高模型的性能。Debugger 也提供了一些工具，用于在发现训练异常情况时发送警报，针对问题采取措施，并通过将收集的指标和张量可视化来确定造成问题的根本原因。
SageMaker 调试器支持 Apache MXnet、 PyTorch TensorFlow、和 xgBoost 框架。有关 D SageMaker ebugger 支持的可用框架和版本的更多信息，请参阅支持的框架和算法。
Debugger 工作流概述如下：
-
如果需要，可以使用
sagemaker-debuggerPython SDK 修改您的训练脚本。 -
使用 SageMaker 调试器配置 SageMaker 训练作业。
-
使用 SageMaker 估算器 API 进行配置（适用于 Python SDK）。
-
使用 SageMaker
CreateTrainingJob请求进行配置（适用于 Boto3 或 CLI）。 -
使用 SageMaker 调试器配置自定义训练容器。
-
-
启动训练作业并实时监控训练问题。
-
获取警报并针对训练问题迅速采取措施。
-
使用 针对规则的 Debugger 内置操作，在发现训练问题时接收短信和电子邮件并停止训练作业。
-
-
探索对训练问题的深入分析。
-
有关调试模型输出张量的信息，请参阅在中可视化调试器输出张量 TensorBoard。
-
-
修复问题，考虑 Debugger 提供的建议，然后重复步骤 1-5，直到模型得到优化并达到目标准确性。
《 SageMaker 调试器开发者指南》将引导您完成以下主题。