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。
Amazon SageMaker 调试程序
使用 Amazon SageMaker 调试器实时调试、监控和分析培训作业，检测非融合条件，通过消除瓶颈优化资源利用率，缩短培训时间，并降低机器学习模型的成本。
Amazon SageMaker 调试器功能
机器学习 (ML) 训练作业可能会出现系统瓶颈、过度拟合、饱和激活函数和渐变消失等问题，这会影响模型性能。
SageMaker 调试器配置和调试培训工作，以帮助解决此类问题并提高您的 ML 模型的计算资源利用率和性能。调试器提供了一些工具，用于在发现训练异常时发送警报，针对问题采取措施，并通过可视化收集的指标和张量来确定问题的根本原因。
SageMaker 调试程序支持 Apache MXNet、TensorFlow、PyTorch 和 XGBoost。有关可用框架和版本的更多信息，请参阅支持的框架和算法.
概括调试程序工作流如下：
-
使用调试程序配置 SageMaker 训练作业。
-
使用 SageMaker 进行配置
EstimatorAPI（适用于 Python 软件开发工具包）. -
使用 SageMaker 进行配置
CreateTrainingJob请求（适用于虚拟机 3 或 CLI）. -
配置自定义训练容器使用 Debugger。
-
-
开始培训工作并实时监控培训问题。
-
获取警报并针对培训问题及时采取措施。
-
接收短信和电子邮件，并停止培训工作时使用调试器规则的内置操作.
-
-
接收培训报告、修复问题的建议以及培训工作的见解。
-
探索对培训问题和瓶颈的深入分析。
-
有关训练作业的分析，请参阅使用 SMDebug 客户端库分析数据.
-
有关调试模型参数，请参阅在张量板中可视化调试器输 TensorBoard 量.
-
-
考虑调试器提供的建议，修复这些问题，然后重复步骤 1-5，直到优化模型并达到目标精度。
SageMaker 调试器开发人员指南将指导您完成以下主题。
主题
- 支持的框架和算法
- Amazon SageMaker 调试程序架构
- 调试器教程入门
- 使用 Amazon SageMaker Python 软件开发工具包配置调试器
- 使用 Amazon SageMaker API 配置调试器
- 调试器内置规则列表
- 为训练 Job 分析创建调试器自定义规则
- 将调试器与自定义训练容器一起使用
- Amazon SageMaker 调试器规则的操作
- 工作室上的 SageMaker 调试器
- SageMaker 调试器交互式报表
- 使用 SMDebug 客户端库分析数据
- 在张量板中可视化 Amazon SageMaker 调试器输 TensorBoard 量
- Amazon SageMaker 调试器的最佳实践
- Amazon SageMaker 调试器高级主题和参考文档