Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Referensi SageMaker Debugger Amazon
**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).
Temukan informasi dan referensi selengkapnya tentang menggunakan Amazon SageMaker Debugger dalam topik berikut.
**Topics**
+ [API SageMaker Debugger Amazon](#debugger-apis)
+ [Gambar Docker untuk aturan Debugger](#debugger-docker-images-rules)
+ [Pengecualian Amazon SageMaker Debugger](#debugger-exceptions)
+ [Pelatihan terdistribusi didukung oleh Amazon SageMaker Debugger](#debugger-considerations)
## API SageMaker Debugger Amazon
Amazon SageMaker Debugger memiliki operasi API di beberapa lokasi yang digunakan untuk mengimplementasikan pemantauan dan analisis pelatihan model.
Amazon SageMaker Debugger juga menyediakan [`sagemaker-debugger` Python SDK open source ](https://github.com/awslabs/sagemaker-debugger/tree/master/smdebug) yang digunakan untuk mengonfigurasi aturan bawaan, menentukan aturan khusus, dan mendaftarkan kait untuk mengumpulkan data tensor keluaran dari pekerjaan pelatihan.
[Amazon SageMaker AI Python SDK ](https://sagemaker.readthedocs.io/en/stable/) adalah SDK tingkat tinggi yang berfokus pada eksperimen pembelajaran mesin. SDK dapat digunakan untuk menerapkan aturan bawaan atau kustom yang ditentukan dengan pust `SMDebug` aka Python untuk memantau dan menganalisis tensor ini menggunakan SageMaker AI ModelTrainers.
Debugger telah menambahkan operasi dan tipe ke Amazon SageMaker API yang memungkinkan platform menggunakan Debugger saat melatih model dan mengelola konfigurasi input dan output.
+ [`CreateTrainingJob`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)dan [`UpdateTrainingJob`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateTrainingJob.html) gunakan API Debugger berikut untuk mengonfigurasi koleksi tensor, aturan, gambar aturan, dan opsi pembuatan profil:
+ [`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)memberikan deskripsi lengkap tentang pekerjaan pelatihan, termasuk konfigurasi Debugger berikut dan status evaluasi aturan:
+ [`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)
Operasi API konfigurasi aturan menggunakan fungsionalitas Pemrosesan saat menganalisis pelatihan model. SageMaker Untuk informasi selengkapnya tentang SageMaker Pemrosesan, lihat[Beban kerja transformasi data dengan Processing SageMaker](processing-job.md).
## Gambar Docker untuk aturan Debugger
Amazon SageMaker AI menyediakan dua set gambar Docker untuk aturan: satu set untuk mengevaluasi aturan yang disediakan oleh SageMaker AI (aturan bawaan) dan satu set untuk mengevaluasi aturan khusus yang disediakan dalam file sumber Python.
Jika Anda menggunakan [ Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable), Anda cukup menggunakan operasi API Debugger tingkat tinggi SageMaker SageMaker AI dengan operasi ModelTrainer API AI, tanpa harus mengambil gambar Debugger Docker secara manual dan mengkonfigurasi API. `ConfigureTrainingJob`
Jika Anda tidak menggunakan SageMaker Python SDK, Anda harus mengambil gambar dasar wadah pra-bangun yang relevan untuk aturan Debugger. Amazon SageMaker Debugger menyediakan gambar Docker yang dibuat sebelumnya untuk aturan bawaan dan kustom, dan gambar disimpan di Amazon Elastic Container Registry (Amazon ECR). Untuk menarik gambar dari repositori Amazon ECR (atau untuk mendorong gambar ke satu), gunakan URL registri nama lengkap gambar menggunakan `CreateTrainingJob` API. SageMaker AI menggunakan pola URL berikut untuk alamat registri gambar kontainer aturan Debugger.
```
.dkr.ecr..amazonaws.com/:
```
Untuk ID akun di setiap Wil AWS ayah, nama repositori Amazon ECR, dan nilai tag, lihat topik berikut.
**Topics**
+ [URI gambar Amazon SageMaker Debugger untuk evaluator aturan bawaan](#debuger-built-in-registry-ids)
+ [URI gambar Amazon SageMaker Debugger untuk evaluator aturan khusus](#debuger-custom-rule-registry-ids)
### URI gambar Amazon SageMaker Debugger untuk evaluator aturan bawaan
Gunakan nilai berikut untuk komponen URL registri untuk gambar yang menyediakan aturan bawaan untuk Amazon SageMaker Debugger. Untuk ID akun, lihat tabel berikut.
**Nama Repositori ECR**: sagemaker-debugger-rules
**Tag**: terbaru
**Contoh URL registri lengkap**:
`904829902805.dkr.ecr.ap-south-1.amazonaws.com/sagemaker-debugger-rules:latest`
ID Akun untuk Gambar Kontainer A Built-in turan menurut Wil AWS ayah
| 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 | 65875770929296 |
| eu-central-1 | 4825242301118 |
| 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 |
### URI gambar Amazon SageMaker Debugger untuk evaluator aturan khusus
Gunakan nilai berikut untuk komponen URL registri untuk gambar yang menyediakan evaluator aturan khusus untuk Amazon SageMaker Debugger. Untuk ID akun, lihat tabel berikut.
**Nama Repositori ECR**: sagemaker-debugger-rule-evaluator
**Tag**: terbaru
**Contoh URL registri lengkap**:
`552407032007.dkr.ecr.ap-south-1.amazonaws.com/sagemaker-debugger-rule-evaluator:latest`
ID Akun untuk Gambar Kontainer Aturan Kustom menurut Wil AWS ayah
| 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 | 1058422248657 |
| 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 |
## Pengecualian Amazon SageMaker Debugger
Amazon SageMaker Debugger dirancang untuk mengetahui bahwa tensor yang diperlukan untuk menjalankan aturan mungkin tidak tersedia di setiap langkah. Akibatnya, ini menimbulkan beberapa pengecualian, yang memungkinkan Anda untuk mengontrol apa yang terjadi ketika tensor hilang. Pengecualian ini tersedia di modul [ smdebug.. ](https://github.com/awslabs/sagemaker-debugger/blob/master/smdebug/exceptions.py) Anda dapat mengimpornya sebagai berikut:
```
from smdebug.exceptions import *
```
Pengecualian berikut tersedia:
+ `TensorUnavailableForStep`— Tensor yang diminta tidak tersedia untuk langkah tersebut. Ini mungkin berarti bahwa langkah ini mungkin tidak disimpan sama sekali oleh kait, atau bahwa langkah ini mungkin telah menyimpan beberapa tensor tetapi tensor yang diminta bukan bagian darinya. Perhatikan bahwa ketika Anda melihat pengecualian ini, itu berarti bahwa tensor ini tidak akan pernah tersedia untuk langkah ini di masa mendatang. Jika tensor memiliki pengurangan yang disimpan untuk langkah tersebut, itu memberi tahu Anda bahwa mereka dapat ditanyakan.
+ `TensorUnavailable`— Tensor ini tidak disimpan atau belum disimpan oleh `smdebug` API. Ini berarti bahwa tensor ini tidak pernah terlihat untuk langkah apa pun. `smdebug`
+ `StepUnavailable`— Langkah tidak disimpan dan Debugger tidak memiliki data dari langkah tersebut.
+ `StepNotYetAvailable`— Langkahnya belum terlihat oleh`smdebug`. Ini mungkin tersedia di masa depan jika pelatihan masih berlangsung. Debugger secara otomatis memuat data baru saat tersedia.
+ `NoMoreData`— Dibesarkan saat pelatihan berakhir. Setelah Anda melihat ini, Anda tahu bahwa tidak ada lagi langkah dan tidak ada lagi tensor yang harus diselamatkan.
+ `IndexReaderException`— Pembaca indeks tidak valid.
+ `InvalidWorker`— Seorang pekerja dipanggil yang tidak valid.
+ `RuleEvaluationConditionMet`— Evaluasi aturan pada langkah menghasilkan kondisi terpenuhi.
+ `InsufficientInformationForRuleInvocation`- Informasi yang diberikan tidak cukup untuk memanggil aturan.
## Pelatihan terdistribusi didukung oleh Amazon SageMaker Debugger
Daftar berikut menunjukkan ruang lingkup validitas dan pertimbangan untuk menggunakan Debugger pada pekerjaan pelatihan dengan kerangka kerja pembelajaran mendalam dan berbagai opsi pelatihan terdistribusi.
+ **Horovod **
Lingkup validitas penggunaan Debugger untuk pekerjaan pelatihan dengan Horovod
[See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/debugger-reference.html)
+ **SageMaker AI mendistribusikan data paralel **
Lingkup validitas penggunaan Debugger untuk pekerjaan pelatihan dengan data SageMaker terdistribusi AI paralel
[See the AWS documentation website for more details](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/debugger-reference.html)
\* Debugger tidak mendukung pembuatan profil kerangka kerja untuk TensorFlow 2.x.
\*\* Data SageMaker terdistribusi AI paralel tidak mendukung TensorFlow 2.x dengan implementasi Keras.
+ **SageMaker Model terdistribusi AI paralel ** — Debugger tidak mendukung pelatihan paralel model terdistribusi SageMaker AI.
+ **Pelatihan terdistribusi dengan pos pemeriksaan SageMaker AI ** — Debugger tidak tersedia untuk pekerjaan pelatihan ketika opsi pelatihan terdistribusi dan pos pemeriksaan SageMaker AI diaktifkan. Anda mungkin melihat kesalahan yang terlihat seperti berikut:
```
SMDebug Does Not Currently Support Distributed Training Jobs With Checkpointing Enabled
```
Untuk menggunakan Debugger untuk pekerjaan pelatihan dengan opsi pelatihan terdistribusi, Anda perlu menonaktifkan checkpointing SageMaker AI dan menambahkan fungsi checkpointing manual ke skrip pelatihan Anda. Untuk informasi selengkapnya tentang menggunakan Debugger dengan opsi pelatihan terdistribusi dan pos pemeriksaan, lihat [Menggunakan data SageMaker terdistribusi AI secara paralel dengan Amazon SageMaker Debugger dan pos pemeriksaan](distributed-troubleshooting-data-parallel.md#distributed-ts-data-parallel-debugger) dan. [Menyimpan Pos Pemeriksaan](distributed-troubleshooting-model-parallel.md#distributed-ts-model-parallel-checkpoints)
+ **Server Parameter ** — Debugger tidak mendukung pelatihan terdistribusi berbasis server parameter.
+ Profil operasi kerangka pelatihan terdistribusi, seperti pen `AllReduced` goperasian paralel data SageMaker terdistribusi AI dan operasi [ Horovod](https://horovod.readthedocs.io/en/stable/timeline_include.html), tidak tersedia.