Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Marcos y algoritmos compatibles
La siguiente tabla muestra los marcos y algoritmos de aprendizaje automático de SageMaker IA compatibles con Debugger.
|
|
| **SageMaker AI-supported frameworks and algorithms** | **Debugging output tensors** |
| --- |--- |
| [TensorFlow](https://sagemaker.readthedocs.io/en/stable/using_tf.html) | [AWS TensorFlow contenedores de aprendizaje profundo](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.15.4 o versiones posteriores |
| [PyTorch](https://sagemaker.readthedocs.io/en/stable/using_pytorch.html) | [AWS PyTorch contenedores de aprendizaje profundo 1.5.0](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) o versiones posteriores |
| [MXNet](https://sagemaker.readthedocs.io/en/stable/using_mxnet.html) | [AWS Contenedores de aprendizaje profundo MXNet](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.6.0 o versiones posteriores |
| [XGBoost](https://sagemaker.readthedocs.io/en/stable/frameworks/xgboost/using_xgboost.html) | 1.0-1, 1.2-1, 1.3-1 |
| [SageMaker Estimador genérico de IA](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html) | [Contenedores de formación personalizados](debugger-bring-your-own-container.md) (disponibles para TensorFlow MXNet y XGBoost con registro manual de ganchos) PyTorch |
+ **Depuración de tensores de salida**: rastrea y depura los parámetros del modelo, como los pesos, los gradientes, los sesgos y los valores escalares de tu trabajo de entrenamiento. Los marcos de aprendizaje profundo disponibles son Apache MXNet TensorFlow PyTorch, y XGBoost.
**importante**
En el caso del TensorFlow marco de trabajo con Keras, SageMaker Debugger desaprueba la compatibilidad con cero cambios de código para los modelos de depuración creados con los módulos de la versión 2.6 y versiones posteriores. `tf.keras` TensorFlow [Esto se debe a los cambios importantes anunciados en la nota de la versión 2.6.0. TensorFlow ](https://github.com/tensorflow/tensorflow/releases/tag/v2.6.0) Para obtener instrucciones sobre cómo actualizar el script de entrenamiento, consulte [Adapta tu guion de entrenamiento TensorFlow](debugger-modify-script-tensorflow.md).
**importante**
A partir de la PyTorch versión 1.12.0 y versiones posteriores, SageMaker Debugger deja de admitir cambios de código cero en los modelos de depuración.
Esto se debe a cambios importantes que hacen SageMaker que Debugger interfiera con la funcionalidad. `torch.jit` Para obtener instrucciones sobre cómo actualizar el script de entrenamiento, consulte [Adapte su guion PyTorch de entrenamiento](debugger-modify-script-pytorch.md).
Si el marco o algoritmo que desea entrenar y depurar no aparece en la tabla, vaya al [foro de AWS debate](https://forums.aws.amazon.com/) y deje sus comentarios sobre SageMaker Debugger.
## Regiones de AWS
Amazon SageMaker Debugger está disponible en todas las regiones en las que Amazon SageMaker AI está en servicio, excepto en las siguientes regiones.
+ Asia-Pacífico (Yakarta): `ap-southeast-3`
Para saber si Amazon SageMaker AI está en servicio en su empresa Región de AWS, consulte [Servicios AWS regionales](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/).
## Utilice el depurador con contenedores de entrenamiento personalizados
Incorpore sus contenedores de formación a la SageMaker IA y obtenga información sobre sus trabajos de formación con Debugger. Maximice la eficiencia de su trabajo optimizando su modelo en las instancias de Amazon EC2 mediante las funciones de supervisión y depuración.
Para obtener más información sobre cómo crear un contenedor de entrenamiento con la biblioteca de clientes `sagemaker-debugger`, llevarlo al Amazon Elastic Container Registry (Amazon ECR), luego supervisar y depurar, consulte [Uso del depurador con contenedores de entrenamiento personalizados](debugger-bring-your-own-container.md).
## Repositorios de depuradores Open-Source GitHub
Las API del depurador se proporcionan a través del SDK de SageMaker Python y están diseñadas para crear configuraciones de reglas y enlaces del depurador para las operaciones de SageMaker IA [ CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)y [ DescribeTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeTrainingJob.html)API. La biblioteca de clientes `sagemaker-debugger` proporciona herramientas para registrar los *enlaces* y acceder a los datos de entrenamiento a través de su función de *prueba*, además de sus operaciones de API flexibles y potentes. Es compatible con los marcos de aprendizaje automático TensorFlow PyTorch, MXNet y XGBoost en Python 3.6 y versiones posteriores.
Para obtener información directa acerca de las operaciones del depurador y de la API `sagemaker-debugger`, consulte los siguientes enlaces:
+ [La documentación del SDK de Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_debugger.html)
+ [El SDK de Amazon SageMaker Python: API de depuración](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html)
+ [La documentación del SDK de `sagemaker-debugger` Python](https://sagemaker-debugger.readthedocs.io/en/website/index.html) para [la biblioteca cliente de código abierto Amazon SageMaker Debugger](https://github.com/awslabs/sagemaker-debugger#amazon-sagemaker-debugger)
+ [El `sagemaker-debugger` PyPI](https://pypi.org/project/smdebug/)
Si utilizas el SDK para Java para realizar trabajos de SageMaker formación y quieres configurar las API del depurador, consulta las siguientes referencias:
+ [API de Amazon SageMaker Debugger](debugger-reference.md#debugger-apis)
+ [Configurar el depurador mediante SageMaker la API](debugger-createtrainingjob-api.md)