Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Aktionen im Zusammenhang mit Regeln, die Amazon CloudWatch verwenden und AWS Lambda
<a name="debugger-cloudwatch-lambda"></a>

**Anmerkung**  
Amazon SageMaker Debugger steht neuen Kunden nicht mehr offen. Bestehende Kunden können den Service weiterhin wie gewohnt nutzen. AWS investiert weiterhin in Sicherheits- und Verfügbarkeitsverbesserungen für Debugger, aber wir planen nicht, neue Funktionen einzuführen. Weitere Informationen finden Sie unter [Änderung der Debugger-Verfügbarkeit](debugger-availability-change.md). 

Amazon CloudWatch sammelt Jobprotokolle für das Training von Amazon SageMaker AI-Modellen und Auftragsprotokolle zur Amazon SageMaker Debugger-Regelverarbeitung. Konfigurieren Sie den Debugger mit Amazon CloudWatch Events und ergreifen Sie AWS Lambda auf der Grundlage des Evaluierungsstatus der Debugger-Regeln Maßnahmen. 

## Beispiel-Notebooks
<a name="debugger-test-stop-training"></a>

Sie können die folgenden Beispiel-Notebooks ausführen, die darauf vorbereitet sind, mit dem Beenden eines Trainingsauftrags mithilfe von Aktionen auf den integrierten Debugger-Regeln mithilfe von Amazon und zu experimentieren. CloudWatch AWS Lambda
+ [Amazon SageMaker Debugger — Reagieren auf Ereignisse anhand von Regeln CloudWatch ](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/tensorflow_action_on_rule/tf-mnist-stop-training-job.html)

  In diesem Beispiel-Notebook wird ein Trainingsjob ausgeführt, bei dem ein Problem mit verschwindendem Farbverlauf auftritt. Die [VanishingGradient](debugger-built-in-rules.md#vanishing-gradient) integrierte Debugger-Regel wird beim Erstellen der KI verwendet. SageMaker TensorFlow ModelTrainer Wenn die Debugger-Regel das Problem erkennt, wird der Trainingsjob beendet.
+ [Erkennen Sie blockiertes Training und rufen Sie Aktionen mithilfe der Debugger-Regel auf SageMaker ](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/tensorflow_action_on_rule/detect_stalled_training_job_and_actions.html)

  In diesem Beispiel-Notebook wird ein Trainingsskript mit einer Codezeile ausgeführt, die es zwingt, für 10 Minuten in den Ruhemodus zu wechseln. Die [StalledTrainingRule](debugger-built-in-rules.md#stalled-training) integrierte Debuger-Regel löst Probleme aus und beendet den Trainingsjob.

**Topics**
+ [Beispiel-Notebooks](#debugger-test-stop-training)
+ [Greifen Sie auf CloudWatch Protokolle für Debugger-Regeln und Trainingsjobs zu](debugger-cloudwatch-metric.md)
+ [Richten Sie den Debugger für die automatische Beendigung von Trainingsaufträgen mithilfe von CloudWatch Lambda ein](debugger-stop-training.md)
+ [Deaktivieren Sie die Regel „ CloudWatch Ereignisse“, um die automatische Beendigung des Schulungsauftrags nicht mehr zu verwenden](debugger-disable-cw.md)