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 实时调试、监控和分析训练作业，检测非聚合条件，通过消除瓶颈来优化资源利用率，提高训练时间和降低机器学习模型的成本Amazon SageMaker 调试程序。
新 调试程序 功能
SageMaker 调试程序 分析并调试您的训练作业，以提高机器学习模型在计算资源利用率和模型预测方面的性能。现在，您可以使用以下新功能更快地实现目标准确性调试程序：
-
通过 SageMaker Studio 见解控制面板和 自动生成的全面报告，获取对您的训练作业调试程序的见解调试程序。要了解有关调试程序见解控制面板的更多信息，请参阅Open Amazon SageMaker 调试程序 Insights 控制面板。要了解有关这些报告的更多信息，请参阅SageMaker 调试程序 分析报告和SageMaker 调试程序 XGBoost 训练报告。
-
使用 调试程序 ProfilerRule 进行监控和分析以实时自动检测系统瓶颈。要了解更多信息，请参阅配置 调试程序 内置规则和调试程序 内置规则的列表。
-
使用 调试程序的内置操作接收通知或在 实时调试程序 规则发现训练问题时自动停止训练作业。要了解更多信息，请参阅调试程序 规则的内置操作。
-
分析系统资源使用情况和训练操作，将系统瓶颈问题与训练操作关联，并将时间轴与各种分析器选项合并。要了解更多信息，请参阅使用 调试程序 Python 开发工具包配置Amazon SageMaker和使用SMDebug客户端库分析数据。
调试程序 功能
调试程序 提供以下功能：
要查看 SageMaker 支持的调试程序机器学习框架和算法的列表，请参阅支持的框架和算法。
要了解有关 的架构调试程序及其工作原理的更多信息，请参阅调试程序 架构和最佳实践。
有关调试程序教程和笔记本示例，请参阅开始使用 调试程序 教程。
支持的框架和算法
下表显示了 支持的SageMaker机器学习框架和算法调试程序。
| SageMaker frameworks and algorithms | Performance optimization | Model optimization | |
|---|---|---|---|
| Monitoring system bottlenecks | Profiling framework operations | Debugging model parameters | |
|
AWS TensorFlow 深度学习容器 |
AWS TensorFlow 深度学习容器 |
||
|
AWS PyTorch深度学习容器 |
AWS PyTorch深度学习容器 |
||
|
- |
AWS MXNet 深度学习容器 |
||
|
1.0-12-1 |
- |
1.0-12-1 |
|
|
SageMaker 调试程序 使用图像 URIs内置算法 自定义训练容器（使用AWS深度学习容器映像、公有 Docker 映像或您自己的 Docker 映像） |
- |
自定义训练容器（具有手动挂钩注册的 TensorFlow、PyTorch、MXNet 和 XGBoost 训练脚本） |
|
如果要训练和调试的框架或算法未在表中列出，请转到 AWS 开发论坛
将 调试程序 与自定义训练容器结合使用
使用 将您的训练容器引入 SageMaker 并深入了解您的训练作业调试程序。通过使用上述SageMaker调试程序功能优化 EC2 实例上的模型，最大限度地提高您的工作效率。
有关如何将训练容器推送到 Amazon Elastic Container Registry （ECR） 和调试的更多信息，请参阅将 调试程序 与自定义训练容器结合使用。
调试程序 开源 GitHub 存储库
调试程序 APIs 通过 SageMaker Python 开发工具包提供，旨在为 调试程序 SageMaker CreateTrainingJob 和 DescribeTrainingJob API 操作构建挂钩和规则配置。SMDebug 客户端库提供了通过其试验功能注册挂钩和访问训练数据的工具，所有这些工具都通过其灵活而强大的 API 操作进行。它在 Python 3.6 及更高版本上支持机器学习框架 TensorFlow、PyTorch、MXNet 和 XGBoost。
如果要查找 调试程序 和 SMDebug API 操作的直接资源，请参阅以下链接：
如果您使用 Java 开发工具包执行SageMaker训练作业并希望配置 调试程序 APIs请参阅以下参考：
本SageMaker调试程序开发人员指南将引导您完成以下主题。
主题