Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

Debugger 教程视频

以下视频介绍了 SageMaker Studio 和 SageMaker 笔记本实例的 Amazon SageMaker Debugger 功能。

使用 Amazon SageMaker Debugger 分析、检测训练运行中的问题并获取警报

Emily Webber，Amazon 机器学习专家 | 长度：13 分 54 秒

本教程视频将为您介绍通过 Amazon SageMaker Debugger，来捕获、调试和可视化训练模型（使用 MXNet）的输出数据。了解 Amazon SageMaker Debugger 如何通过自动捕获指标、分析训练运行情况和检测问题，来提供透明的训练过程。

您可在 Amazon SageMaker 示例 GitHub 存储库的 MXNet 训练的调试张量可视化中，找到本视频中使用的示例笔记本。

在 Studio 中使用 Amazon SageMaker Debugger 调试模型

Julien Simon，Amazon 技术宣传官 | 长度：14 分钟 17 秒

本教程视频演示了如何使用 Amazon SageMaker Debugger 从训练模型中捕获和检查调试信息。视频中使用的示例训练模型是一个简单的卷积神经网络 (CNN)，基于 Keras，采用 TensorFlow 后端。通过 TensorFlow 框架中的 SageMaker 和 Debugger，您可以直接使用训练脚本构建估算器并调试训练作业。

您可以在作者提供的该 Studio 演示存储库中找到该视频中的示例笔记本。您需要将 debugger.ipynb 笔记本文件和 mnist_keras_tf.py 训练脚本克隆到您的 SageMaker Studio 或 SageMaker 笔记本实例中。在克隆这两个文件后，请指定 debugger.ipynb 笔记本中的 mnist_keras_tf.py 文件的 keras_script_path 路径。例如，如果您将两个文件克隆到同一目录中，请将其设置为 keras_script_path = "mnist_keras_tf.py"。

深入了解 Amazon SageMaker 调试器和 Amazon SageMaker 模型监控器

Julien Simon，Amazon 技术宣传官 | 长度：44 分钟 34 秒

此视频讲座探讨了调试器和 SageMaker 模型监控器的高级功能，这些功能有助于提高生产率和模型质量。首先，此视频说明了如何使用 Debugger 检测和修复训练问题，对张量进行可视化以及改进模型。接下来，从 22:41 开始，该视频说明了如何使用 SageMaker 模型监控器在生产环境中监控模型并找出预测问题，例如缺少特征或数据偏差。最后，它提供了成本优化技巧，以帮助您充分利用机器学习预算。

您可以在作者提供的此 Amazon Dev Days 2020 存储库中找到视频中的示例笔记本。