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.
# Framework e algoritmi supportati
**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).
La tabella seguente mostra i framework e gli algoritmi di machine learning SageMaker AI supportati da Debugger.
|
|
| **SageMaker AI-supported frameworks and algorithms** | **Debugging output tensors** |
| --- |--- |
| [TensorFlow](https://sagemaker.readthedocs.io/en/stable/using_tf.html) | [AWS TensorFlow contenitori di deep learning 1.15.4 o versioni successive ](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) |
| [PyTorch](https://sagemaker.readthedocs.io/en/stable/using_pytorch.html) | [AWS PyTorch contenitori di deep learning ](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.5.0 o versioni successive |
| [MXNet](https://sagemaker.readthedocs.io/en/stable/using_mxnet.html) | [AWS Contenitori di deep learning MXNet ](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.6.0 o versioni successive |
| [XGBoost](https://sagemaker.readthedocs.io/en/stable/frameworks/xgboost/using_xgboost.html) | 1.0-1, 1.2-1, 1.3-1 |
| [SageMaker AI generico ModelTrainer ](https://sagemaker.readthedocs.io/en/stable/api/sagemaker_core.html) | [Contenitori di formazione personalizzati ](debugger-bring-your-own-container.md) (disponibili per TensorFlow PyTorch, MXNet e XGBoost con registrazione manuale degli hook) |
+ **Debug dei tensori di output**: monitora ed esegui il debug dei parametri del modello, come pesi, gradienti, distorsioni e valori scalari, del tuo processo di addestramento. I framework di deep learning disponibili sono Apache MXNet,, e XGBoost. TensorFlow PyTorch
**Importante**
Per il TensorFlow framework con Keras, SageMaker Debugger depreca il supporto alla modifica del codice zero per i modelli di debug creati utilizzando i moduli della 2.6 e versioni successive. `tf.keras` TensorFlow Ciò è dovuto alle importanti modifiche annunciate nella nota di rilascio 2.6.0. [ TensorFlow ](https://github.com/tensorflow/tensorflow/releases/tag/v2.6.0) Per istruzioni su come aggiornare lo script di addestramento, consulta [Adatta il tuo script di formazione TensorFlow](debugger-modify-script-tensorflow.md).
**Importante**
A partire dalla PyTorch versione 1.12.0 e successive, SageMaker Debugger elimina il supporto per la modifica del codice zero per i modelli di debug.
Ciò è dovuto a modifiche sostanziali che fanno sì che Debugger interferisca con la funzionalità. SageMaker `torch.jit` Per istruzioni su come aggiornare lo script di addestramento, consulta [Adatta il tuo script di formazione PyTorch](debugger-modify-script-pytorch.md).
Se il framework o l'algoritmo che desideri addestrare ed eseguire il debug non è elencato nella tabella, vai al forum di [AWS discussione ](https://forums.aws.amazon.com/) e lascia un feedback su Debugger. SageMaker
## Regioni AWS
Amazon SageMaker Debugger è disponibile in tutte le regioni in cui Amazon SageMaker AI è in servizio, ad eccezione della seguente regione.
+ Asia Pacifico (Giacarta): `ap-southeast-3`
Per scoprire se Amazon SageMaker AI è in servizio nel tuo Regione AWS, consulta [AWS Regional Services. ](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/)
## Uso di Debugger con container di addestramento personalizzati
Porta i tuoi contenitori di formazione all' SageMaker intelligenza artificiale e ottieni informazioni dettagliate sui tuoi lavori di formazione utilizzando Debugger. Massimizza la tua efficienza lavorativa ottimizzando il tuo modello sulle istanze Amazon EC2 utilizzando le funzionalità di monitoraggio e debug.
Per ulteriori informazioni su come creare un container di addestramento con la libreria client `sagemaker-debugger`, inviarlo ad Amazon Elastic Container Registry (Amazon ECR) e monitorare ed eseguire il debug, consulta [Utilizzo di Debugger con container di addestramento personalizzati](debugger-bring-your-own-container.md).
## Debugger Repository Open-Source GitHub
Le API Debugger vengono fornite tramite SageMaker Python SDK e progettate per creare configurazioni di hook e regole di Debugger per le operazioni di IA e API. SageMaker [ CreateTrainingJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) [ DescribeTrainingJob ](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeTrainingJob.html) La libreria client `sagemaker-debugger` fornisce strumenti per registrare gli *hook* e accedere ai dati di addestramento tramite la sua funzionalità di *prova*, il tutto tramite le sue operazioni API flessibili e potenti. Supporta i framework di machine learning, MXNet e XGBoost su Python 3.6 e versioni TensorFlow successive PyTorch.
Per risorse dirette su Debugger e sulle operazioni API `sagemaker-debugger`, consulta i collegamenti seguenti:
+ [ SageMaker La documentazione dell'SDK Amazon Python ](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_debugger.html)
+ [L'SDK Amazon SageMaker Python - API Debugger ](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html)
+ [La documentazione dell'SDK `sagemaker-debugger` Python ](https://sagemaker-debugger.readthedocs.io/en/website/index.html) per [ la libreria client open source Amazon Debugger SageMaker ](https://github.com/awslabs/sagemaker-debugger#amazon-sagemaker-debugger)
+ [Il PyPI`sagemaker-debugger`](https://pypi.org/project/smdebug/)
Se utilizzi l'SDK per Java per svolgere attività di SageMaker formazione e desideri configurare le API Debugger, consulta i seguenti riferimenti:
+ [API Amazon Debugger SageMaker](debugger-reference.md#debugger-apis)
+ [Configurazione del debugger tramite API SageMaker](debugger-createtrainingjob-api.md)