本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 支援的架構和演算法
<a name="debugger-supported-frameworks"></a>

下表顯示 Debugger 支援的 SageMaker AI 機器學習架構和演算法。


| 
| 
| **SageMaker AI-supported frameworks and algorithms** |  **Debugging output tensors**  | 
| --- |--- |
|  [TensorFlow](https://sagemaker.readthedocs.io/en/stable/using_tf.html)   |  [AWS TensorFlow 深度學習容器](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.15.4 或更新版本  | 
|  [PyTorch](https://sagemaker.readthedocs.io/en/stable/using_pytorch.html)  |  [AWS PyTorch 深度學習容器](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.5.0 或更新版本  | 
|  [MXNet](https://sagemaker.readthedocs.io/en/stable/using_mxnet.html)   |  [AWS MXNet 深度學習容器](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.6.0 或更新版本  | 
|  [XGBoost](https://sagemaker.readthedocs.io/en/stable/frameworks/xgboost/using_xgboost.html)  |  1.0-1、1.2-1、1.3-1  | 
|  [SageMaker AI 一般估算器](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html)  |  [自訂訓練容器](debugger-bring-your-own-container.md) (適用於具有手動勾點註冊的 TensorFlow、PyTorch、MXNet 和 XGBoost)  | 
+ **偵錯輸出張量**——追蹤並偵錯模型參數，例如訓練工作的權重、梯度、偏差和純量值。可用深度學習架構為 Apache MXNet、TensorFlow、PyTorch 和 XGBoost。
**重要**  
針對具有 Keras 的 TensorFlow 架構，SageMaker Debugger 棄用使用 TensorFlow 2.6 及更新版本 `tf.keras` 模組所建立之偵錯模型的零程式碼變更支援。這是因為 [TensorFlow 2.6.0 版本註釋](https://github.com/tensorflow/tensorflow/releases/tag/v2.6.0)中公告有突破性變更。如需如何更新訓練指令碼的指示，請參閱[調整您的 TensorFlow 訓練指令碼](debugger-modify-script-tensorflow.md)。
**重要**  
從 PyTorch 1.12.0 版及更新版本開始，SageMaker Debugger 棄用偵錯模型的零程式碼變更支援。  
這是因為突破性變更導致 SageMaker Debugger 干擾 `torch.jit` 功能。如需如何更新訓練指令碼的指示，請參閱[調整 PyTorch 訓練指令碼](debugger-modify-script-pytorch.md)。

如果表中未列出您要訓練和偵錯的架構或演算法，請前往[AWS 討論論壇](https://forums.aws.amazon.com/)，並在 SageMaker Debugger 上留下意見回饋。

## AWS 區域
<a name="debugger-support-aws-regions"></a>

Amazon SageMaker Debugger 適用於服務中 Amazon SageMaker AI 所在的所有地區，但下列區域除外。
+ 亞太區域 (雅加達)：`ap-southeast-3`

若要尋找 Amazon SageMaker AI 是否在您的 中處於服務狀態 AWS 區域，請參閱[AWS 區域服務](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/)。

## Debugger 和自訂訓練容器搭配使用
<a name="debugger-byoc-intro"></a>

在 SageMaker AI 使用您的訓練容器，並使用 Debugger 取得訓練任務的深入分析。使用監控和偵錯功能，在 Amazon EC2 執行個體上最佳化模型，將您的工作效率最大化。

有關如何使用 `sagemaker-debugger` 用戶端程式庫，將其推送到 Amazon Elastic Container Registry (Amazon ECR)，並監視和偵錯，請參閱[Debugger 和自訂訓練容器搭配使用](debugger-bring-your-own-container.md)。

## Debugger 開放原始碼 GitHub 儲存庫
<a name="debugger-opensource"></a>

透過 SageMaker Python SDK 提供 Debugger API，而且該 API 專門設計用來建構 SageMaker AI [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) 和[ DescribeTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeTrainingJob.html) API 作業的 Debugger 勾點和規則組態。`sagemaker-debugger` 用戶端程式庫提供工具來註冊*勾點*，並透過其*試用*功能存取訓練資料，全部都透過具有彈性且功能強大的 API 作業進行。在 Python 3.6 及更新版本中，此功能支援機器學習架構 TensorFlow、PyTorch、MXNet 和 XGBoost。

有關 Debugger 和`sagemaker-debugger`API 作業，請參閱以下連結：
+ [Amazon SageMaker Python SDK 文件](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_debugger.html)
+ [Amazon SageMaker Python SDK - Debugger API](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html)
+ [Amazon SageMaker Debugger 開放原始碼用戶端程式庫](https://github.com/awslabs/sagemaker-debugger#amazon-sagemaker-debugger)的 [`sagemaker-debugger` Python SDK 文件](https://sagemaker-debugger.readthedocs.io/en/website/index.html)
+ [`sagemaker-debugger` PyPI](https://pypi.org/project/smdebug/)

如果您使用適用 SDK for Java 的軟體開發工具包執行 SageMaker 訓練作業並且想要配置 Debugger API，請參閱以下參考文獻：
+ [Amazon SageMaker Debugger API](debugger-reference.md#debugger-apis)
+ [使用 SageMaker API 設定 Debugger](debugger-createtrainingjob-api.md)