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.
# Framework e algoritmi supportati
La tabella seguente mostra i framework e gli algoritmi di machine learning basati sull' SageMaker intelligenza artificiale supportati da Debugger.
|
|
| **SageMaker AI-supported frameworks and algorithms** | **Debugging output tensors** |
| --- |--- |
| [TensorFlow](https://sagemaker.readthedocs.io/en/stable/using_tf.html) | [AWS TensorFlow contenitori di deep learning 1.15.4 o versioni successive](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) |
| [PyTorch](https://sagemaker.readthedocs.io/en/stable/using_pytorch.html) | [AWS PyTorch contenitori di deep learning 1.5.0](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) o versioni successive |
| [MXNet](https://sagemaker.readthedocs.io/en/stable/using_mxnet.html) | [AWS MXNet contenitori di deep learning](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.6.0 o versioni successive |
| [XGBoost](https://sagemaker.readthedocs.io/en/stable/frameworks/xgboost/using_xgboost.html) | 1.0-1, 1.2-1, 1.3-1 |
| [SageMaker Stimatore generico AI](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html) | [Contenitori di formazione personalizzati](debugger-bring-your-own-container.md) (disponibili per TensorFlow, PyTorch MXNet, e XGBoost con registrazione manuale dei ganci) |
+ **Debug dei tensori di output**: monitora ed esegui il debug dei parametri del modello, come pesi, gradienti, distorsioni e valori scalari, del tuo processo di addestramento. I framework di deep learning disponibili sono Apache MXNet, TensorFlow, PyTorch e. XGBoost
**Importante**
Per il TensorFlow framework con Keras, SageMaker Debugger depreca il supporto a zero modifiche del codice per i modelli di debug creati utilizzando i moduli della versione 2.6 e successive. `tf.keras` TensorFlow [Ciò è dovuto alle importanti modifiche annunciate nella nota di rilascio della versione 2.6.0. TensorFlow ](https://github.com/tensorflow/tensorflow/releases/tag/v2.6.0) Per istruzioni su come aggiornare lo script di addestramento, consulta [Adatta il tuo script di allenamento TensorFlow](debugger-modify-script-tensorflow.md).
**Importante**
A partire dalla PyTorch versione 1.12.0 e successive, SageMaker Debugger non supporta più la modifica del codice zero per i modelli di debug.
Ciò è dovuto a modifiche sostanziali che causano l'interferenza di Debugger con la funzionalità. SageMaker `torch.jit` Per istruzioni su come aggiornare lo script di addestramento, consulta [PyTorch Adatta il tuo script di allenamento](debugger-modify-script-pytorch.md).
Se il framework o l'algoritmo che desideri addestrare ed eseguire il debug non è elencato nella tabella, vai al [Forum di AWS discussione](https://forums.aws.amazon.com/) e lascia un feedback su Debugger. SageMaker
## Regioni AWS
Amazon SageMaker Debugger è disponibile in tutte le regioni in cui Amazon SageMaker AI è in servizio, ad eccezione delle seguenti regioni.
+ Asia Pacifico (Giacarta): `ap-southeast-3`
Per scoprire se Amazon SageMaker AI è in servizio nel tuo paese Regione AWS, consulta [AWS Regional Services](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/).
## Uso di Debugger con container di addestramento personalizzati
Implementa i tuoi contenitori di formazione all' SageMaker intelligenza artificiale e ottieni informazioni dettagliate sui tuoi lavori di formazione utilizzando Debugger. Massimizza la tua efficienza lavorativa ottimizzando il tuo modello sulle istanze Amazon EC2 utilizzando le funzionalità di monitoraggio e debug.
Per ulteriori informazioni su come creare un container di addestramento con la libreria client `sagemaker-debugger`, inviarlo ad Amazon Elastic Container Registry (Amazon ECR) e monitorare ed eseguire il debug, consulta [Utilizzo di Debugger con container di addestramento personalizzati](debugger-bring-your-own-container.md).
## Repository open source di Debugger GitHub
I debugger APIs sono forniti tramite SageMaker Python SDK e progettati per creare configurazioni di hook e regole Debugger per le operazioni di intelligenza artificiale e API. SageMaker [ CreateTrainingJob[ DescribeTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeTrainingJob.html)](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) La libreria client `sagemaker-debugger` fornisce strumenti per registrare gli *hook* e accedere ai dati di addestramento tramite la sua funzionalità di *prova*, il tutto tramite le sue operazioni API flessibili e potenti. Supporta i framework TensorFlow di machine learning e XGBoost Python MXNet 3.6 e versioni successive. PyTorch
Per risorse dirette su Debugger e sulle operazioni API `sagemaker-debugger`, consulta i collegamenti seguenti:
+ [La documentazione dell' SageMaker SDK Amazon Python](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_debugger.html)
+ [L'SDK Amazon SageMaker Python - Debugger APIs](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html)
+ [La documentazione dell'SDK `sagemaker-debugger` Python per la libreria client](https://sagemaker-debugger.readthedocs.io/en/website/index.html) open [source Amazon SageMaker Debugger](https://github.com/awslabs/sagemaker-debugger#amazon-sagemaker-debugger)
+ [Il PyPI`sagemaker-debugger`](https://pypi.org/project/smdebug/)
Se utilizzi l'SDK for Java per SageMaker condurre lavori di formazione e desideri configurare APIs Debugger, consulta i seguenti riferimenti:
+ [Amazon SageMaker Debugger APIs](debugger-reference.md#debugger-apis)
+ [Configurazione del debugger tramite l'API SageMaker](debugger-createtrainingjob-api.md)