Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Amazon SageMaker Debugger
<a name="train-debugger"></a>

Model debug mengeluarkan tensor dari pekerjaan pelatihan pembelajaran mesin secara real time dan mendeteksi masalah non-konvergen menggunakan Amazon Debugger. SageMaker 

## Fitur Amazon SageMaker Debugger
<a name="debugger-features"></a>

Pekerjaan pelatihan pembelajaran mesin (ML) dapat memiliki masalah seperti overfitting, fungsi aktivasi jenuh, dan gradien menghilang, yang dapat membahayakan kinerja model.

SageMaker Debugger menyediakan alat untuk men-debug pekerjaan pelatihan dan menyelesaikan masalah tersebut untuk meningkatkan kinerja model Anda. Debugger juga menawarkan alat untuk mengirim peringatan ketika anomali pelatihan ditemukan, mengambil tindakan terhadap masalah, dan mengidentifikasi akar penyebabnya dengan memvisualisasikan metrik dan tensor yang dikumpulkan.

SageMaker Debugger mendukung Apache MXNet,, PyTorch TensorFlow, dan kerangka kerja. XGBoost Untuk informasi selengkapnya tentang kerangka kerja dan versi yang tersedia yang didukung oleh SageMaker Debugger, lihat. [Kerangka kerja dan algoritma yang didukung](debugger-supported-frameworks.md)

![\[Ikhtisar tentang cara kerja Amazon SageMaker Debugger.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-main.png)


Alur kerja Debugger tingkat tinggi adalah sebagai berikut:

1. Ubah skrip pelatihan Anda dengan `sagemaker-debugger` Python SDK jika diperlukan.

1. Konfigurasikan pekerjaan SageMaker pelatihan dengan SageMaker Debugger.
   + Konfigurasikan menggunakan SageMaker AI Estimator API (untuk Python SDK).
   + Konfigurasikan menggunakan [`CreateTrainingJob`permintaan SageMaker AI (untuk Boto3 atau CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-createtrainingjob-api.html)).
   + Konfigurasikan [wadah pelatihan khusus](debugger-bring-your-own-container.md) dengan SageMaker Debugger.

1. Mulai pekerjaan pelatihan dan pantau masalah pelatihan secara real time.
   + [Daftar aturan bawaan Debugger](debugger-built-in-rules.md).

1. Dapatkan peringatan dan ambil tindakan segera terhadap masalah pelatihan.
   + Terima teks dan email dan hentikan pekerjaan pelatihan saat masalah pelatihan ditemukan menggunakan[Gunakan tindakan bawaan Debugger untuk aturan](debugger-built-in-actions.md).
   + Siapkan tindakan Anda sendiri menggunakan [Amazon CloudWatch Events dan AWS Lambda](debugger-cloudwatch-lambda.md).

1. Jelajahi analisis mendalam tentang masalah pelatihan.
   + Untuk men-debug tensor keluaran model, lihat. [Visualisasikan Tensor Output Debugger di TensorBoard](debugger-enable-tensorboard-summaries.md)

1. Perbaiki masalah, pertimbangkan saran yang diberikan oleh Debugger, dan ulangi langkah 1—5 hingga Anda mengoptimalkan model dan mencapai akurasi target.

Panduan pengembang SageMaker Debugger memandu Anda melalui topik-topik berikut.

**Topics**
+ [Fitur Amazon SageMaker Debugger](#debugger-features)
+ [Kerangka kerja dan algoritma yang didukung](debugger-supported-frameworks.md)
+ [Arsitektur Amazon SageMaker Debugger](debugger-how-it-works.md)
+ [Tutorial debugger](debugger-tutorial.md)
+ [Pekerjaan pelatihan debugging menggunakan Amazon SageMaker Debugger](debugger-debug-training-jobs.md)
+ [Daftar aturan bawaan Debugger](debugger-built-in-rules.md)
+ [Membuat aturan kustom menggunakan pustaka klien Debugger](debugger-custom-rules.md)
+ [Gunakan Debugger dengan wadah pelatihan khusus](debugger-bring-your-own-container.md)
+ [Konfigurasikan Debugger menggunakan API SageMaker](debugger-createtrainingjob-api.md)
+ [Referensi Amazon SageMaker Debugger](debugger-reference.md)