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.
# Amazon SageMaker Debugger-Referenzen
**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).
Weitere Informationen und Referenzen zur Verwendung von Amazon SageMaker Debugger finden Sie in den folgenden Themen.
**Topics**
+ [Amazon SageMaker Debugger-APIs](#debugger-apis)
+ [Docker-Images für Debugger-Regeln](#debugger-docker-images-rules)
+ [Amazon Debugger-Ausnahmen SageMaker](#debugger-exceptions)
+ [Verteiltes Training, unterstützt von Amazon Debugger SageMaker](#debugger-considerations)
## Amazon SageMaker Debugger-APIs
Amazon SageMaker Debugger verfügt über API-Operationen an mehreren Standorten, die für die Überwachung und Analyse des Modelltrainings verwendet werden.
Amazon SageMaker Debugger stellt auch das [`sagemaker-debugger` Open-Source-Python-SDK bereit](https://github.com/awslabs/sagemaker-debugger/tree/master/smdebug), mit dem integrierte Regeln konfiguriert, benutzerdefinierte Regeln definiert und Hooks registriert werden, um Ausgabetensordaten von Trainingsaufträgen zu sammeln.
Das [ Amazon SageMaker AI Python SDK ](https://sagemaker.readthedocs.io/en/stable/) ist ein High-Level-SDK, das sich auf Experimente mit maschinellem Lernen konzentriert. Das SDK kann verwendet werden, um integrierte oder benutzerdefinierte Regeln bereitzustellen, die mit der `SMDebug` Python-Bibliothek definiert wurden, um diese Tensoren mithilfe SageMaker von KI zu überwachen und zu analysieren. ModelTrainers
Debugger hat der SageMaker Amazon-API Operationen und Typen hinzugefügt, die es der Plattform ermöglichen, Debugger beim Trainieren eines Modells und zur Verwaltung der Konfiguration von Ein- und Ausgaben zu verwenden.
+ [`CreateTrainingJob`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) und [`UpdateTrainingJob`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateTrainingJob.html) verwenden Sie die folgenden Debugger-APIs, um Tensorsammlungen, Regeln, Regelbilder und Profilerstellungsoptionen zu konfigurieren:
+ [`CollectionConfiguration`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CollectionConfiguration.html)
+ [`DebugHookConfig`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DebugHookConfig.html)
+ [`DebugRuleConfiguration`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DebugRuleConfiguration.html)
+ [`TensorBoardOutputConfig`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_TensorBoardOutputConfig.html)
+ [`ProfilerConfig`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ProfilerConfig.html)
+ [`ProfilerRuleConfiguration`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ProfilerRuleConfiguration.html)
+ [`DescribeTrainingJob`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeTrainingJob.html) bietet eine vollständige Beschreibung eines Trainingsauftrags, einschließlich der folgenden Debugger-Konfigurationen und Status der Regelauswertung:
+ [`DebugHookConfig`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DebugHookConfig.html)
+ [`DebugRuleConfiguration`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DebugRuleConfiguration.html)
+ [`DebugRuleEvaluationStatus`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DebugRuleEvaluationStatus.html)
+ [`ProfilerConfig`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ProfilerConfig.html)
+ [`ProfilerRuleConfiguration`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ProfilerRuleConfiguration.html)
+ [`ProfilerRuleEvaluationStatus`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ProfilerRuleEvaluationStatus.html)
Die API-Operationen für die Regelkonfiguration verwenden die SageMaker Verarbeitungsfunktion bei der Analyse eines Modelltrainings. Weitere Informationen zur SageMaker Verarbeitung finden Sie unter[Workloads zur Datentransformation mit Processing SageMaker](processing-job.md).
## Docker-Images für Debugger-Regeln
Amazon SageMaker AI bietet zwei Sätze von Docker-Images für Regeln: einen Satz für die Bewertung von Regeln, die von der SageMaker KI bereitgestellt werden (integrierte Regeln), und einen Satz für die Bewertung benutzerdefinierter Regeln, die in Python-Quelldateien bereitgestellt werden.
Wenn Sie das [ Amazon SageMaker Python SDK verwenden](https://sagemaker.readthedocs.io/en/stable), können Sie einfach API-Operationen auf hoher Ebene mit SageMaker SageMaker AI-API-Operationen verwenden, ohne die Debugger-Docker-Images manuell abrufen und die ModelTrainer API konfigurieren zu müssen. `ConfigureTrainingJob`
Wenn Sie das SageMaker Python-SDK nicht verwenden, müssen Sie ein entsprechendes vorgefertigtes Container-Basisimage für die Debugger-Regeln abrufen. Amazon SageMaker Debugger bietet vorgefertigte Docker-Images für integrierte und benutzerdefinierte Regeln, und die Images werden in Amazon Elastic Container Registry (Amazon ECR) gespeichert. Um ein Image aus einem Amazon ECR-Repository abzurufen (oder ein Image in ein solches zu übertragen), verwenden Sie mithilfe der API die vollständige Namensregistrierungs-URL des Images. `CreateTrainingJob` SageMaker AI verwendet die folgenden URL-Muster für die Registrierungsadresse für das Container-Image der Debugger-Regel.
```
.dkr.ecr..amazonaws.com/:
```
Die Konto-ID in jeder AWS Region, den Namen des Amazon ECR-Repositorys und den Tag-Wert finden Sie in den folgenden Themen.
**Topics**
+ [Amazon SageMaker Debugger-Image-URIs für integrierte Regelevaluatoren](#debuger-built-in-registry-ids)
+ [Amazon SageMaker Debugger-Image-URIs für benutzerdefinierte Regelevaluatoren](#debuger-custom-rule-registry-ids)
### Amazon SageMaker Debugger-Image-URIs für integrierte Regelevaluatoren
Verwenden Sie die folgenden Werte für die Komponenten der Registrierungs-URLs für die Bilder, die integrierte Regeln für Amazon SageMaker Debugger bereitstellen. Konto-IDs finden Sie in der folgenden Tabelle.
**ECR-Repository-Name**: sagemaker-debugger-rules
**Tag**: neuestes
**Beispiel für eine vollständige Registrierungs-URL**:
`904829902805.dkr.ecr.ap-south-1.amazonaws.com/sagemaker-debugger-rules:latest`
Konto-IDs für Built-in Regel-Container-Images nach Region AWS
| Region | account\_id |
| --- | --- |
| af-south-1 | 314341159256 |
| ap-east-1 | 199566480951 |
| ap-northeast-1 | 430734990657 |
| ap-northeast-2 | 578805364391 |
| ap-south-1 | 904829902805 |
| ap-southeast-1 | 972752614525 |
| ap-southeast-2 | 184798709955 |
| ca-central-1 | 519511493484 |
| cn-north-1 | 618459771430 |
| cn-northwest-1 | 658757709296 |
| eu-central-1 | 482524230118 |
| eu-north-1 | 314864569078 |
| eu-south-1 | 563282790590 |
| eu-west-1 | 929884845733 |
| eu-west-2 | 250201462417 |
| eu-west-3 | 447278800020 |
| me-south-1 | 986000313247 |
| sa-east-1 | 818342061345 |
| us-east-1 | 503895931360 |
| us-east-2 | 915447279597 |
| us-west-1 | 685455198987 |
| us-west-2 | 895741380848 |
| us-gov-west-1 | 515509971035 |
### Amazon SageMaker Debugger-Image-URIs für benutzerdefinierte Regelevaluatoren
Verwenden Sie die folgenden Werte für die Komponenten der Registrierungs-URL für die Bilder, die benutzerdefinierte Regelauswertungen für Amazon Debugger bereitstellen. SageMaker Konto-IDs finden Sie in der folgenden Tabelle.
**ECR-Repository-Name**: sagemaker-debugger-rule-evaluator
**Tag**: neuestes
**Beispiel für eine vollständige Registrierungs-URL**:
`552407032007.dkr.ecr.ap-south-1.amazonaws.com/sagemaker-debugger-rule-evaluator:latest`
Konto-IDs für Container-Images für benutzerdefinierte Regeln nach Region AWS
| Region | account\_id |
| --- | --- |
| af-south-1 | 515950693465 |
| ap-east-1 | 645844755771 |
| ap-northeast-1 | 670969264625 |
| ap-northeast-2 | 326368420253 |
| ap-south-1 | 552407032007 |
| ap-southeast-1 | 631532610101 |
| ap-southeast-2 | 445670767460 |
| ca-central-1 | 105842248657 |
| cn-north-1 | 617202126805 |
| cn-northwest-1 | 658559488188 |
| eu-central-1 | 691764027602 |
| eu-north-1 | 091235270104 |
| eu-south-1 | 335033873580 |
| eu-west-1 | 606966180310 |
| eu-west-2 | 074613877050 |
| eu-west-3 | 224335253976 |
| me-south-1 | 050406412588 |
| sa-east-1 | 466516958431 |
| us-east-1 | 864354269164 |
| us-east-2 | 840043622174 |
| us-west-1 | 952348334681 |
| us-west-2 | 759209512951 |
| us-gov-west-1 | 515361955729 |
## Amazon Debugger-Ausnahmen SageMaker
Amazon SageMaker Debugger ist so konzipiert, dass es berücksichtigt, dass Tensoren, die zur Ausführung einer Regel erforderlich sind, möglicherweise nicht bei jedem Schritt verfügbar sind. Infolgedessen werden einige Ausnahmen ausgelöst, mit denen Sie kontrollieren können, was passiert, wenn ein Tensor fehlt. Diese Ausnahmen sind im [Modul smdebug.exceptions](https://github.com/awslabs/sagemaker-debugger/blob/master/smdebug/exceptions.py) verfügbar. Sie können sie wie folgt importieren:
```
from smdebug.exceptions import *
```
Folgende Ausnahmen sind verfügbar:
+ `TensorUnavailableForStep` – Der angeforderte Tensor ist für diesen Schritt nicht verfügbar. Dies könnte bedeuten, dass dieser Schritt möglicherweise nicht durch den Hook gespeichert wird oder dass dieser Schritt zwar einige Tensoren gespeichert hat, der angeforderte Tensor aber nicht dazugehört. Wenn diese Ausnahme angezeigt wird, bedeutet dies, dass dieser Tensor zukünftig niemals für diesen Schritt verfügbar werden kann. Wenn für den Tensor Reduktionen für den Schritt gespeichert wurden, wird Ihnen mitgeteilt, dass sie abgefragt werden können.
+ `TensorUnavailable` – Dieser Tensor wird nicht gespeichert oder wurde von der `smdebug` API nicht gespeichert. Dies bedeutet, dass dieser Tensor für keinen Schritt in `smdebug` zu sehen ist.
+ `StepUnavailable` – Der Schritt wurde nicht gespeichert und der Debugger hat keine Daten aus diesem Schritt.
+ `StepNotYetAvailable` – Der Schritt wurde von `smdebug` noch nicht gesehen. Es könnte in der Zukunft verfügbar sein, wenn das Training noch andauert. Debugger lädt automatisch neue Daten, sobald sie verfügbar sind.
+ `NoMoreData` – Erhöht, wenn das Training endet. Sobald dies zu sehen ist, sind keine weiteren zu speichernde Schritte und Tensoren vorhanden.
+ `IndexReaderException` – Der Indexleser ist ungültig.
+ `InvalidWorker` – Es wurde ein ungültiger Auftragnehmer aufgerufen.
+ `RuleEvaluationConditionMet` – Die Auswertung der Regel im Schritt führte dazu, dass die Bedingung erfüllt wurde.
+ `InsufficientInformationForRuleInvocation` – Es wurden nicht genügend Informationen bereitgestellt, um die Regel aufzurufen.
## Verteiltes Training, unterstützt von Amazon Debugger SageMaker
Die folgende Liste zeigt den Gültigkeitsbereich und die Überlegungen zur Verwendung von Debugger für Trainingsaufträge mit Deep-Learning-Frameworks und verschiedenen verteilten Trainingsoptionen.
+ **Horovod**
Gültigkeitsbereich der Verwendung von Debugger für Trainingsaufträge mit Horovod
[See the AWS documentation website for more details](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/debugger-reference.html)
+ **SageMaker KI verteilte Daten parallel **
Geltungsbereich der Verwendung des Debuggers für Trainingsjobs mit parallel verteilten SageMaker KI-Daten
[See the AWS documentation website for more details](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/debugger-reference.html)
\* Der Debugger unterstützt kein Framework-Profiling für 2.x. TensorFlow
\*\* SageMaker AI Distributed Data Parallel unterstützt TensorFlow 2.x mit Keras-Implementierung nicht.
+ **SageMaker Paralleles KI-Modell ** — Der Debugger unterstützt kein paralleles Training mit verteilten SageMaker KI-Modellen.
+ **Verteiltes Training mit SageMaker KI-Checkpoints ** — Der Debugger ist für Trainingsjobs nicht verfügbar, wenn sowohl die verteilte Trainingsoption als auch die SageMaker KI-Checkpoints aktiviert sind. Möglicherweise wird ein Fehler angezeigt, der wie folgt aussieht:
```
SMDebug Does Not Currently Support Distributed Training Jobs With Checkpointing Enabled
```
Um den Debugger für Trainingsjobs mit verteilten Trainingsoptionen zu verwenden, müssen Sie das SageMaker AI-Checkpointing deaktivieren und Ihrem Trainingsskript manuelle Checkpointing-Funktionen hinzufügen. Mehr Informationen über die Verwendung des Debuggers mit verteilten Trainingsoptionen und Prüfpunkte finden Sie unter [Mithilfe von SageMaker KI werden Daten parallel zu Amazon SageMaker Debugger und Checkpoints verteilt](distributed-troubleshooting-data-parallel.md#distributed-ts-data-parallel-debugger) und [Speichern von Prüfpunkten](distributed-troubleshooting-model-parallel.md#distributed-ts-model-parallel-checkpoints).
+ **Parameterserver** – Der Debugger unterstützt kein auf Parameterservern basierendes verteiltes Training.
+ Die Erstellung von Profilen für Operationen im verteilten Trainingsframework, wie z. B. die parallele `AllReduced` Ausführung von SageMaker KI-verteilten Daten und [ Horovod-Operationen, ist nicht verfügbar. ](https://horovod.readthedocs.io/en/stable/timeline_include.html)