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.
# Video tutorial su Debugger
**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).
I seguenti video forniscono una panoramica delle funzionalità di Amazon SageMaker Debugger utilizzando istanze di notebook SageMaker Studio e SageMaker AI.
**Topics**
+ [Debug di modelli con Amazon Debugger in Studio Classic SageMaker](#debugger-video-get-started)
+ [Approfondisci su Amazon SageMaker Debugger e SageMaker sul monitor dei modelli AI](#debugger-video-dive-deep)
## Debug di modelli con Amazon Debugger in Studio Classic SageMaker
*Julien Simon, AWS Technical Evangelist \| Durata: 14 minuti 17 secondi *
Questo video tutorial dimostra come utilizzare Amazon SageMaker Debugger per acquisire e controllare le informazioni di debug da un modello di training. Il modello di addestramento di esempio utilizzato in questo video è una semplice rete neurale convoluzionale (CNN) basata su Keras con backend. TensorFlow SageMaker L'intelligenza artificiale in un TensorFlow framework e Debugger consentono di creare un processo utilizzando ModelTrainer direttamente lo script di formazione ed eseguire il debug del processo di formazione.
[](https://www.youtube.com/watch?v=MqPdTj0Znwg)
Puoi trovare il notebook di esempio usato nel video in [questo repository Studio Demo](https://gitlab.com/juliensimon/amazon-studio-demos/-/tree/master) fornito dall'autore. Devi clonare il file del `debugger.ipynb` notebook e lo script di `mnist_keras_tf.py` training su SageMaker Studio o su un'istanza del notebook. SageMaker Dopo aver clonato i due file, specifica il percorso `keras_script_path` verso il file `mnist_keras_tf.py` all'interno del notebook `debugger.ipynb`. Ad esempio, se hai clonato i due file nella stessa directory, impostala come `keras_script_path = "mnist_keras_tf.py"`.
## Approfondisci su Amazon SageMaker Debugger e SageMaker sul monitor dei modelli AI
*Julien Simon, AWS Technical Evangelist \| Durata: 44 minuti 34 secondi *
Questa sessione video esplora le funzionalità avanzate di Debugger e SageMaker Model Monitor che aiutano a incrementare la produttività e la qualità dei modelli. Innanzitutto, questo video mostra come rilevare e risolvere i problemi di addestramento, visualizzare i tensori e migliorare i modelli con Debugger. Successivamente, alle 22:41, il video mostra come monitorare i modelli in produzione e identificare problemi di previsione come funzionalità mancanti o deriva dei dati utilizzando AI Model Monitor. SageMaker Infine, puoi trovare dei suggerimenti per l'ottimizzazione dei costi che consentono di sfruttare al massimo il tuo budget relativo al machine learning.
[](https://www.youtube.com/watch?v=0zqoeZxakOI)
Puoi trovare il notebook di esempio mostrato nel video in [ questo repository AWS Dev Days 2020](https://gitlab.com/juliensimon/awsdevdays2020/-/tree/master/mls1) offerto dall'autore.