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.
# Unterstützte Frameworks und Algorithmen
**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).
Die folgende Tabelle zeigt SageMaker KI-Frameworks und Algorithmen für maschinelles Lernen, die vom Debugger unterstützt werden.
|
|
| **SageMaker AI-supported frameworks and algorithms** | **Debugging output tensors** |
| --- |--- |
| [TensorFlow](https://sagemaker.readthedocs.io/en/stable/using_tf.html) | [AWS TensorFlow Deep-Learning-Container ](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.15.4 oder höher |
| [PyTorch](https://sagemaker.readthedocs.io/en/stable/using_pytorch.html) | [AWS PyTorch Deep Learning-Container ](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.5.0 oder höher |
| [MXNet](https://sagemaker.readthedocs.io/en/stable/using_mxnet.html) | [AWS MXNet-Deep-Learning-Container ](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.6.0 oder höher |
| [XGBoost](https://sagemaker.readthedocs.io/en/stable/frameworks/xgboost/using_xgboost.html) | 1.0-1, 1.2-1, 1.3-1 |
| [SageMaker Generische KI ModelTrainer ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) | [Benutzerdefinierte Trainingscontainer ](debugger-bring-your-own-container.md) (verfügbar für TensorFlow PyTorch, MXNet und XGBoost mit manueller Hook-Registrierung) |
+ **Ausgabetensoren debuggen** – Verfolgen und debuggen Sie Modellparameter wie Gewichte, Gradienten, Verzerrungen und Skalarwerte Ihres Trainingsjobs. Verfügbare Deep-Learning-Frameworks sind Apache MXNet, TensorFlow, PyTorch und XGBoost.
**Wichtig**
Für das TensorFlow Framework mit Keras lehnt SageMaker Debugger die Null-Code-Change-Unterstützung für Debugging-Modelle ab, die mit den Modulen von 2.6 und höher erstellt wurden. `tf.keras` TensorFlow Dies ist auf wichtige Änderungen zurückzuführen, die in der Versionshinweise zu 2.6.0 angekündigt wurden. [ TensorFlow ](https://github.com/tensorflow/tensorflow/releases/tag/v2.6.0) Anweisungen zum Aktualisieren Ihres Training-Scripts finden Sie unter [Passen Sie Ihr Trainingsskript TensorFlow an](debugger-modify-script-tensorflow.md).
**Wichtig**
Ab PyTorch Version 1.12.0 und höher stellt der SageMaker Debugger die Unterstützung für Debugging-Modelle ohne Codeänderung ein.
Dies ist auf grundlegende Änderungen zurückzuführen, die dazu führen SageMaker , dass der Debugger die Funktionalität beeinträchtigt. `torch.jit` Anweisungen zum Aktualisieren Ihres Training-Scripts finden Sie unter [Passen Sie Ihr PyTorch Trainingsskript an](debugger-modify-script-pytorch.md).
Wenn das Framework oder der Algorithmus, den Sie trainieren und debuggen möchten, nicht in der Tabelle aufgeführt ist, gehen Sie zum [AWS Diskussionsforum ](https://forums.aws.amazon.com/) und hinterlassen Sie Feedback zum SageMaker Debugger.
## AWS-Regionen
Amazon SageMaker Debugger ist in allen Regionen verfügbar, in denen Amazon SageMaker AI im Einsatz ist, mit Ausnahme der folgenden Region.
+ Asien-Pazifik (Jakarta): `ap-southeast-3`
Informationen dazu, ob Amazon SageMaker AI in Ihrer Region in Betrieb ist AWS-Region, finden Sie unter [AWS Regionale Dienste](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/).
## Verwenden Sie den Debugger mit benutzerdefinierten Trainingscontainern
Bringen Sie Ihre Trainingscontainer in die SageMaker KI ein und gewinnen Sie mithilfe von Debugger Einblicke in Ihre Trainingsjobs. Maximieren Sie Ihre Arbeitseffizienz, indem Sie Ihr Modell auf Amazon-EC2-Instances mithilfe der Überwachungs- und Debugging-Funktionen optimieren.
Weitere Informationen dazu, wie Sie Ihren Trainingscontainer mit der `sagemaker-debugger` Client-Bibliothek erstellen, in die Amazon Elastic Container Registry (Amazon ECR) übertragen und überwachen und debuggen können, finden Sie unter [Verwenden Sie den Debugger mit benutzerdefinierten Trainingscontainern](debugger-bring-your-own-container.md).
## Debugger-Repositorys Open-Source GitHub
Debugger-APIs werden über das SageMaker Python-SDK bereitgestellt und sind darauf ausgelegt, Debugger-Hook- und Regelkonfigurationen für die SageMaker KI [ CreateTrainingJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) - und API-Operationen zu erstellen. [ DescribeTrainingJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeTrainingJob.html) Die `sagemaker-debugger` Client-Bibliothek bietet Tools zum Registrieren von *Hooks* und zum Zugreifen auf die Trainingsdaten über ihr *Test-Feature* sowie über ihre flexiblen und leistungsstarken API-Operationen. Es unterstützt die Frameworks für maschinelles Lernen TensorFlow PyTorch, MXNet und XGBoost auf Python 3.6 und höher.
Direkte Ressourcen zum Debugger und zu `sagemaker-debugger` API-Vorgängen finden Sie in den folgenden Blogbeiträgen:
+ [Die Amazon Python SDK-Dokumentation SageMaker ](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_debugger.html)
+ [Das Amazon SageMaker Python SDK — Debugger-APIs ](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html)
+ [Die `sagemaker-debugger` Python-SDK-Dokumentation ](https://sagemaker-debugger.readthedocs.io/en/website/index.html) für [ die Open-Source-Clientbibliothek von Amazon SageMaker Debugger ](https://github.com/awslabs/sagemaker-debugger#amazon-sagemaker-debugger)
+ [Das `sagemaker-debugger` PyPI](https://pypi.org/project/smdebug/)
Wenn Sie das SDK für Java zur Durchführung von SageMaker Trainingsaufgaben verwenden und Debugger-APIs konfigurieren möchten, lesen Sie die folgenden Referenzen:
+ [Amazon SageMaker Debugger-APIs](debugger-reference.md#debugger-apis)
+ [Debugger mithilfe SageMaker der API konfigurieren](debugger-createtrainingjob-api.md)