Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Avvia lavori di formazione con Debugger utilizzando Python SDK SageMaker
<a name="debugger-configuration-for-debugging"></a>

**Nota**  
Amazon SageMaker Debugger non è più aperto a nuovi clienti. I clienti esistenti possono continuare a utilizzare il servizio normalmente. AWS continua a investire in miglioramenti della sicurezza e della disponibilità di Debugger, ma non prevediamo di introdurre nuove funzionalità. Per ulteriori informazioni, consulta [Modifica della disponibilità del debugger](debugger-availability-change.md). 

Per configurare uno stimatore SageMaker AI con SageMaker Debugger, utilizza [ Amazon SageMaker Python SDK e specifica i parametri. ](https://sagemaker.readthedocs.io/en/stable) Debugger-specific Per utilizzare appieno la funzionalità di debug, devi configurare tre parametri: `debugger_hook_config`, `tensorboard_output_config` e `rules`.

**Importante**  
Prima di creare ed eseguire il metodo di adattamento dello strumento di valutazione per avviare un processo di addestramento, assicurati di adattare lo script di addestramento seguendo le istruzioni riportate in [Adattamento dello script di addestramento per registrare un hook](debugger-modify-script.md).

## Costruire uno stimatore AI con parametri SageMaker Debugger-specific
<a name="debugger-configuration-structure"></a>

Gli esempi di codice in questa sezione mostrano come costruire uno stimatore SageMaker AI con i parametri. Debugger-specific 

**Nota**  
I seguenti esempi di codice sono modelli per la costruzione degli stimatori del framework SageMaker AI e non sono direttamente eseguibili. È necessario passare alle sezioni successive e configurare i parametri. Debugger-specific 

```
# 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,
)
```

Configura i seguenti parametri per attivare SageMaker Debugger:
+ `debugger_hook_config`(un oggetto di [`DebuggerHookConfig`](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html#sagemaker.debugger.DebuggerHookConfig)): necessario per attivare l'hook nello script di addestramento adattato durante[Adattamento dello script di addestramento per registrare un hook](debugger-modify-script.md), configurare il programma di avvio del SageMaker training (estimatore) per raccogliere i tensori di output dal lavoro di formazione e salvare i tensori nel bucket S3 protetto o nel computer locale. Per informazioni su come configurare il parametro `debugger_hook_config`, consulta [Configurazione del SageMaker Debugger per salvare i tensori](debugger-configure-hook.md).
+ `rules`(un elenco di [`Rule`](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html#sagemaker.debugger.Rule) oggetti): configura questo parametro per attivare le regole integrate di SageMaker Debugger che desideri eseguire in tempo reale. Le regole integrate sono logiche che eseguono automaticamente il debug del progresso di addestramento del modello e individuano i problemi di addestramento analizzando i tensori di output salvati nel bucket S3 protetto. Per informazioni su come configurare il parametro `rules`, consulta [Come configurare le regole integrate di Debugger](use-debugger-built-in-rules.md). Per trovare un elenco completo delle regole integrate per il debug dei tensori di output, consulta [Regola Debugger](debugger-built-in-rules.md#debugger-built-in-rules-Rule). Se desideri creare una logica personalizzata per rilevare eventuali problemi di addestramento, consulta [Creazione di regole personalizzate utilizzando la libreria client di Debugger](debugger-custom-rules.md).
**Nota**  
Le regole integrate sono disponibili solo tramite istanze di SageMaker training. Non è possibile utilizzarle in modalità locale.
+ `tensorboard_output_config`(un oggetto di [`TensorBoardOutputConfig`](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html#sagemaker.debugger.TensorBoardOutputConfig)) — Configura SageMaker Debugger per raccogliere i tensori di output nel TensorBoard-compatible formato e salvarli nel percorso di output S3 specificato nell'oggetto. `TensorBoardOutputConfig` Per ulteriori informazioni, consulta [Visualizza i tensori di output di Amazon SageMaker Debugger in TensorBoard](debugger-enable-tensorboard-summaries.md).
**Nota**  
`tensorboard_output_config` deve essere configurato con il parametro `debugger_hook_config`, che richiede anche di adattare lo script di addestramento aggiungendo l'hook `sagemaker-debugger`.

**Nota**  
SageMaker Debugger salva in modo sicuro i tensori di output nelle sottocartelle del bucket S3. Ad esempio, il formato dell'URI del bucket S3 predefinito nel tuo account è `s3://amzn-s3-demo-bucket-sagemaker-<region>-<12digit_account_id>/<base-job-name>/<debugger-subfolders>/`. Ci sono due sottocartelle create da Debugger:, e. SageMaker `debug-output` `rule-output` Se aggiungi il parametro `tensorboard_output_config`, troverai anche la cartella `tensorboard-output`.

Consulta i seguenti argomenti per trovare altri esempi di come configurare i Debugger-specific parametri in dettaglio.

**Topics**
+ [Costruire uno stimatore AI con parametri SageMaker Debugger-specific](#debugger-configuration-structure)
+ [Configurazione del SageMaker Debugger per salvare i tensori](debugger-configure-hook.md)
+ [Come configurare le regole integrate di Debugger](use-debugger-built-in-rules.md)
+ [Disattivazione di Debugger](debugger-turn-off.md)
+ [SageMaker Utili metodi di valutazione delle classi AI per Debugger](debugger-estimator-classmethods.md)