Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Luncurkan pekerjaan pelatihan dengan Debugger menggunakan SageMaker Python SDK
<a name="debugger-configuration-for-debugging"></a>

**catatan**  
Amazon SageMaker Debugger tidak lagi terbuka untuk pelanggan baru. Pelanggan yang sudah ada dapat terus menggunakan layanan seperti biasa. AWS terus berinvestasi dalam peningkatan keamanan dan ketersediaan untuk Debugger, tetapi kami tidak berencana untuk memperkenalkan fitur baru. Untuk informasi selengkapnya, lihat [Perubahan ketersediaan debugger](debugger-availability-change.md). 

Untuk mengonfigurasi estimator SageMaker AI dengan SageMaker Debugger, gunakan [ Amazon SageMaker Python SDK ](https://sagemaker.readthedocs.io/en/stable) dan tent Debugger-specific ukan parameter. Untuk sepenuhnya memanfaatkan fungsi debugging, ada tiga parameter yang perlu Anda konfigurasi:`debugger_hook_config`,`tensorboard_output_config`, dan`rules`.

**penting**  
Sebelum membangun dan menjalankan metode kecocokan estimator untuk meluncurkan pekerjaan pelatihan, pastikan Anda menyesuaikan skrip pelatihan Anda mengikuti instruksi di[Mengadaptasi skrip pelatihan Anda untuk mendaftarkan hook](debugger-modify-script.md).

## Membangun Estimator SageMaker AI dengan parameter Debugger-specific
<a name="debugger-configuration-structure"></a>

Contoh kode di bagian ini menunjukkan cara membuat estimator SageMaker AI dengan Debugger-specific parameter.

**catatan**  
Contoh kode berikut adalah template untuk membangun estimator kerangka kerja SageMaker AI dan tidak dapat dieksekusi secara langsung. Anda perlu melanjutkan ke bagian berikutnya dan mengkonfigurasi Debugger-specific parameter.

```
# An example of creating a training job with debugger configuration
import boto3
from sagemaker.core import image_uris
from sagemaker.core.resources import TrainingJob
from sagemaker.core.shapes import (
    AlgorithmSpecification,
    ResourceConfig,
    OutputDataConfig,
    StoppingCondition,
    DebugHookConfig,
    CollectionConfiguration,
    DebugRuleConfiguration,
)

session=boto3.session.Session()
region=session.region_name

# Retrieve the training image for your framework
# Change framework to "tensorflow", "mxnet", "xgboost", etc. as needed
training_image = image_uris.retrieve(
    framework="pytorch",  # or "tensorflow", "mxnet", "xgboost"
    region=region,
    version="{{1.12.0}}",
    py_version="{{py37}}",
    instance_type="{{ml.p3.2xlarge}}",
    image_scope="training"
)

debug_hook_config={{DebugHookConfig(...)}}
debug_rule_configurations=[
    {{DebugRuleConfiguration(
        rule_configuration_name="built_in_rule",
        rule_evaluator_image="rule-evaluator-image-uri",
    )}}
]

TrainingJob.create(
    training_job_name="{{debugger-demo}}",
    algorithm_specification=AlgorithmSpecification(
        training_image=training_image,
        training_input_mode="File",
    ),
    role_arn="{{arn:aws:iam::123456789012:role/SageMakerRole}}",
    resource_config=ResourceConfig(instance_type="{{ml.p3.2xlarge}}", instance_count={{1}}, volume_size_in_gb={{30}}),
    output_data_config=OutputDataConfig(s3_output_path="{{s3://bucket/output}}"),
    stopping_condition=StoppingCondition(max_runtime_in_seconds={{3600}}),

    # Debugger-specific parameters
    debug_hook_config=debug_hook_config,
    debug_rule_configurations=debug_rule_configurations,
)
```

Konfigurasikan parameter berikut untuk mengaktifkan SageMaker Debugger:
+ `debugger_hook_config`(objek [`DebuggerHookConfig`](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html#sagemaker.debugger.DebuggerHookConfig)) - Diperlukan untuk mengaktifkan kait dalam skrip pelatihan yang disesuaikan selama[Mengadaptasi skrip pelatihan Anda untuk mendaftarkan hook](debugger-modify-script.md), konfigurasikan peluncur SageMaker pelatihan (estimator) untuk mengumpulkan tensor keluaran dari pekerjaan pelatihan Anda, dan simpan tensor ke bucket S3 yang aman atau mesin lokal Anda. Untuk mempelajari cara mengkonfigurasi `debugger_hook_config` parameter, lihat[Mengkonfigurasi SageMaker Debugger untuk menyimpan tensor](debugger-configure-hook.md).
+ `rules`(daftar [`Rule`](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html#sagemaker.debugger.Rule) objek) — Konfigurasikan parameter ini untuk mengaktifkan aturan bawaan SageMaker Debugger yang ingin Anda jalankan secara real time. Aturan bawaan adalah logika yang secara otomatis men-debug kemajuan pelatihan model Anda dan menemukan masalah pelatihan dengan menganalisis tensor keluaran yang disimpan di bucket S3 aman Anda. Untuk mempelajari cara mengkonfigurasi `rules` parameter, lihat[Cara mengkonfigurasi aturan bawaan Debugger](use-debugger-built-in-rules.md). Untuk menemukan daftar lengkap aturan bawaan untuk men-debug tensor keluaran, lihat[Aturan debugger](debugger-built-in-rules.md#debugger-built-in-rules-Rule). Jika Anda ingin membuat logika Anda sendiri untuk mendeteksi masalah pelatihan, lihat[Membuat aturan khusus menggunakan pustaka klien Debugger](debugger-custom-rules.md).
**catatan**  
Aturan bawaan hanya tersedia melalui instance SageMaker pelatihan. Anda tidak dapat menggunakannya dalam mode lokal.
+ `tensorboard_output_config`(objek [`TensorBoardOutputConfig`](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html#sagemaker.debugger.TensorBoardOutputConfig)) - Konfigurasikan SageMaker Debugger untuk mengumpulkan tensor keluaran dalam TensorBoard-compatible format dan menyimpan ke jalur keluaran S3 Anda yang ditentukan dalam objek. `TensorBoardOutputConfig` Untuk mempelajari selengkapnya, lihat [Visualisasikan tensor keluaran Amazon SageMaker Debugger di TensorBoard](debugger-enable-tensorboard-summaries.md).
**catatan**  
`tensorboard_output_config`Harus dikonfigurasi dengan `debugger_hook_config` parameter, yang juga mengharuskan Anda untuk menyesuaikan skrip pelatihan Anda dengan menambahkan `sagemaker-debugger` kait.

**catatan**  
SageMaker Debugger menyimpan tensor keluaran dengan aman di subfolder bucket S3 Anda. Misalnya, format URI bucket S3 default di akun Anda adalah`s3://amzn-s3-demo-bucket-sagemaker-<region>-<12digit_account_id>/<base-job-name>/<debugger-subfolders>/`. Ada dua subfolder yang dibuat oleh SageMaker Debugger:`debug-output`, dan. `rule-output` Jika Anda menambahkan `tensorboard_output_config` parameter, Anda juga akan menemukan `tensorboard-output` folder.

Lihat topik berikut untuk menemukan contoh lebih lanjut tentang cara mengonfigurasi Debugger-specific parameter secara rinci.

**Topics**
+ [Membangun Estimator SageMaker AI dengan parameter Debugger-specific](#debugger-configuration-structure)
+ [Mengkonfigurasi SageMaker Debugger untuk menyimpan tensor](debugger-configure-hook.md)
+ [Cara mengkonfigurasi aturan bawaan Debugger](use-debugger-built-in-rules.md)
+ [Matikan Debugger](debugger-turn-off.md)
+ [Metode kelas estimator SageMaker AI yang berguna untuk Debugger](debugger-estimator-classmethods.md)