支持的框架和算法
下表显示了 Debugger 支持的 SageMaker 机器学习框架和算法。
| SageMaker-supported frameworks and algorithms | Debugging output tensors |
|---|---|
|
Amazon TensorFlow 深度学习容器 |
|
|
Amazon PyTorch 深度学习容器 |
|
|
Amazon MXNet 深度学习容器 |
|
|
1.0-1、1.2-1、1.3-1 |
|
|
自定义训练容器（可用于 TensorFlow、PyTorch、MXNet 和 XGBoost，采用手动钩子注册） |
-
调试输出张量 – 跟踪和调试模型参数，例如训练作业的权重、梯度、偏差和标量值。可用的深度学习框架包括 Apache MXNet、TensorFlow、PyTorch 和 XGBoost。
重要
在采用 Keras 的 TensorFlow 框架中，对于使用 TensorFlow 2.6 及更高版本的
tf.keras模块构建的调试模型，SageMaker Debugger 现已弃用零代码更改支持。这是由于在 TensorFlow 2.6.0 发行说明中公告的重大更改所造成。有关如何更新训练脚本的说明，请参阅调整 TensorFlow 训练脚本。 重要
从 PyTorch v1.12.0 及更高版本开始，SageMaker Debugger 弃用了对调试模型的零代码更改支持。
这是由于进行了重大更改，导致 SageMaker Debugger 会干扰
torch.jit的功能。有关如何更新训练脚本的说明，请参阅调整 PyTorch 训练脚本。
如果表中没有列出您要训练和调试的框架或算法，请转到 Amazon 论坛
Amazon Web Services 区域
Amazon SageMaker Debugger 在提供 Amazon SageMaker 的所有区域可用，但以下区域除外。
亚太地区（雅加达）：
ap-southeast-3
要了解您的 Amazon Web Services 区域中是否提供 Amazon SageMaker，请参阅 Amazon 区域服务。
将 Debugger 与自定义训练容器配合使用
自带训练容器到 SageMaker 中，并使用 Debugger 深入了解您的训练作业。使用监控和调试功能，在 Amazon EC2 实例上优化模型，最大限度地提高工作效率。
有关如何使用 sagemaker-debugger 客户端库构建训练容器、将其推送到 Amazon Elastic Container Registry (Amazon ECR)，然后进行监控和调试的更多信息，请参阅将 Debugger 与自定义训练容器配合使用。
Debugger 开源 GitHub 存储库
Debugger API 通过 SageMaker Python SDK 提供，设计用于为 SageMaker CreateTrainingJob 和 DescribeTrainingJob API 操作构造 Debugger 钩子和规则配置。sagemaker-debugger 客户端库提供工具用于注册钩子，并通过其试验功能访问训练数据，所有这些都通过灵活而强大的 API 操作来实现。它支持 Python 3.6 和更高版本上的机器学习框架 TensorFlow、PyTorch、MXNet 和 XGBoost。
有关直接介绍 Debugger 和 sagemaker-debugger API 操作的资源，请参阅以下链接：
如果您使用 SDK for Java 来执行 SageMaker 训练作业，并且想要配置 Debugger API，请参阅以下参考资料：