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.

# Notebook di esempio di Debugger
<a name="debugger-notebooks"></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). 

[SageMaker I ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/) taccuini di esempio per il debugger sono disponibili nel repository -sagemaker-examples. [ aws/amazon ](https://github.com/aws/amazon-sagemaker-examples) I notebbok di esempio di Debugger illustrano i casi d'uso di base e avanzati dei processi di addestramento per il debug e la profilazione. 

Ti consigliamo di eseguire i notebook di esempio su SageMaker Studio o su un'istanza SageMaker Notebook perché la maggior parte degli esempi è progettata per attività di formazione nell'ecosistema SageMaker AI, tra cui Amazon EC2, Amazon S3 e Amazon Python SDK. SageMaker 

Per clonare il repository di esempio in Studio, segui le istruzioni su Amazon SageMaker Studio Tour. [ SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-end-to-end.html)

**Importante**  
Per utilizzare le nuove funzionalità di Debugger, devi aggiornare l'SDK SageMaker Python e la libreria client. `SMDebug` Nel tuo kernel IPython, Jupyter Notebook o JupyterLab ambiente, esegui il codice seguente per installare le ultime versioni delle librerie e riavviare il kernel.  

```
import sys
import IPython
!{sys.executable} -m pip install -U sagemaker smdebug
IPython.Application.instance().kernel.do_shutdown(True)
```

## Notebook di esempio di Debugger per la profilazione dei job di addestramento
<a name="debugger-notebooks-profiling"></a>

L'elenco seguente mostra alcuni notebook di esempio di Debugger che presentano l'adattabilità di Debugger per monitorare e profilare i processi di addestramento per vari modelli, set di dati e framework di machine learning.


| Titolo del notebook | Framework | Modello | Set di dati | Description | 
| --- | --- | --- | --- | --- | 
| [Analisi dei dati di profilazione di Amazon Debugger SageMaker ](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/debugger_interactive_analysis_profiling/interactive_analysis_profiling_data.html) | TensorFlow |  ResNetKeras 50 | Cifar-10 | Questo notebook fornisce un'introduzione all'analisi interattiva dei dati profilati acquisiti da SageMaker Debugger. Esplora tutte le funzionalità degli strumenti di analisi interattivi `SMDebug`. | 
| [Crea un profilo di formazione sull'apprendimento automatico con Amazon Debugger SageMaker ](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/tensorflow_nlp_sentiment_analysis/sentiment-analysis-tf-distributed-training-bringyourownscript.html) | TensorFlow | Rete neurale convoluzionale 1D | Set di dati IMDB | Profila una CNN TensorFlow 1-D per l'analisi del sentiment dei dati IMDB, costituita da recensioni di film etichettate come aventi sentimenti positivi o negativi. Esplora gli approfondimenti di Studio Debugger e il report sulla profilazione di Debugger. | 
| [Addestramento di modelli di profilazione con varie impostazioni di formazione TensorFlow ResNet distribuite ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/tensorflow_profiling) | TensorFlow | ResNet50 | Cifar-10 | Esegui lavori di TensorFlow formazione con varie impostazioni di formazione distribuite, monitora l'utilizzo delle risorse di sistema e profila le prestazioni del modello utilizzando Debugger. | 
| [Addestramento dei PyTorch ResNet modelli di profilazione con varie impostazioni di formazione distribuite ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/pytorch_profiling)  | PyTorch | ResNet50 | Cifar-10 | Esegui lavori di PyTorch formazione con varie impostazioni di formazione distribuite, monitora l'utilizzo delle risorse di sistema e profila le prestazioni del modello utilizzando Debugger. | 

## Notebook di esempio di Debugger per l’analisi dei parametri del modello
<a name="debugger-notebooks-debugging"></a>

L'elenco seguente mostra alcuni notebook di esempio di Debugger che presentano l'adattabilità di Debugger per eseguire il debug dei processi di addestramento per vari modelli, set di dati e framework di machine learning.


| Titolo del notebook | Framework | Modello | Set di dati | Description | 
| --- | --- | --- | --- | --- | 
| [Amazon SageMaker Debugger: utilizza una regola integrata ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/tensorflow_builtin_rule) | TensorFlow | Rete neurale convoluzionale | MNIST | Usa le regole integrate di Amazon SageMaker Debugger per il debug di un modello. TensorFlow | 
| [Amazon Debugger SageMaker - Tensorflow 2.1 ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/tensorflow2) | TensorFlow | ResNet50 | Cifar-10 | Usa la configurazione degli hook di Amazon SageMaker Debugger e le regole integrate per il debug di un modello con il framework Tensorflow 2.1. | 
| [Visualizzazione dei tensori di debug dell’addestramento MXNet](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/mnist_tensor_plot) | MXNet | Rete neurale convoluzionale Gluon | Fashion MNIST | Esegui un processo di formazione e configura SageMaker Debugger per memorizzare tutti i tensori di questo lavoro, quindi visualizza quei tensori in un notebook. | 
| [Abilita Spot Training con Amazon Debugger SageMaker ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/mxnet_spot_training)  | MXNet | Rete neurale convoluzionale Gluon | Fashion MNIST | Scopri come Debugger raccoglie i dati tensoriali da un processo di addestramento su un'istanza spot e come utilizzare le regole integrate di Debugger con l'addestramento spot gestito. | 
| [Spiega un modello XGBoost che prevede il reddito di un individuo con Amazon Debugger SageMaker ](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/xgboost_census_explanations/xgboost-census-debugger-rules.html) | XGBoost | Regressione XGBoost | [Set di dati del censimento per adulti](https://archive.ics.uci.edu/ml/datasets/adult) | Scopri come utilizzare l'hook Debugger e le regole integrate per raccogliere e visualizzare i dati tensoriali da un modello di regressione XGBoost, come valori di perdita, funzionalità e valori SHAP. | 

Per trovare visualizzazioni avanzate dei parametri del modello e dei casi d'uso, consulta l'argomento successivo in [Demo e visualizzazione avanzate di Debugger](debugger-visualization.md).