Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Architettura Amazon SageMaker Debugger Questo argomento illustra una panoramica di alto livello del flusso di lavoro di Amazon SageMaker Debugger. Debugger supporta la funzionalità di profilazione per l'*ottimizzazione delle prestazioni* per identificare problemi di calcolo, come colli di bottiglia e sottoutilizzo del sistema, e per contribuire a ottimizzare l'utilizzo delle risorse hardware su larga scala. La funzionalità di debug di Debugger per l'*ottimizzazione dei modelli* consiste nell'analisi dei problemi di addestramento non convergenti che possono insorgere riducendo al minimo le funzioni di perdita utilizzando algoritmi di ottimizzazione, come la discesa del gradiente e le sue variazioni. Il diagramma seguente mostra l'architettura di Debugger. SageMaker I blocchi con linee di limite in grassetto sono ciò che Debugger riesce ad analizzare durante il processo di addestramento. ![Panoramica di come funziona Amazon SageMaker Debugger.](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger_new_diagram.png) Debugger archivia i seguenti dati dei tuoi processi di addestramento nel tuo bucket Amazon S3 sicuro: + **Tensori di output**: raccolte di scalari e parametri del modello che vengono continuamente aggiornati durante i passaggi avanti e indietro durante l'addestramento dei modelli ML. I tensori di output includono valori scalari (precisione e perdita) e matrici (pesi, gradienti, livelli di input e livelli di output). **Nota** Per impostazione predefinita, Debugger monitora ed esegue il debug dei lavori di SageMaker formazione senza parametri specifici del Debugger configurati negli estimatori AI. SageMaker Debugger raccoglie i parametri di sistema ogni 500 millisecondi e i tensori di output di base (output scalari come perdita e precisione) ogni 500 fasi. Inoltre, esegue la regola `ProfilerReport` per analizzare i parametri di sistema e aggregare i pannelli di controllo delle informazioni approfondite di Studio Debugger e un report di profilazione. Debugger salva i dati di output nel bucket Amazon S3 sicuro. Le regole di Debugger integrate vengono eseguite sui container di elaborazione, progettati per valutare i modelli di machine learning elaborando i dati di addestramento raccolti nel bucket S3 (consulta [Dati di processo e modelli di valutazione](https://docs.aws.amazon.com//sagemaker/latest/dg/processing-job.html)). Le regole integrate sono completamente gestite da Debugger. Puoi inoltre creare le tue regole personalizzate in base al tuo modello per controllare eventuali problemi che desideri monitorare.