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.

# SageMaker Debugger Amazon
<a name="train-debugger"></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). 

Esegui il debug dei tensori di output dei modelli dai processi di formazione sull'apprendimento automatico in tempo reale e rileva i problemi non convergenti utilizzando Amazon Debugger. SageMaker 

## SageMaker Funzionalità di Amazon Debugger
<a name="debugger-features"></a>

Un processo di addestramento di machine learning (ML) può presentare problemi quali sovradimensionamento, saturazione delle funzioni di attivazione e riduzione dei gradienti, che possono compromettere le prestazioni del modello.

SageMaker Debugger fornisce strumenti per eseguire il debug dei processi di formazione e risolvere tali problemi per migliorare le prestazioni del modello. Debugger offre anche strumenti per inviare avvisi quando vengono rilevate anomalie di addestramento, intraprendere azioni rispetto ai problemi e identificarne la causa principale visualizzando i parametri e i tensori raccolti.

SageMaker Debugger supporta i framework Apache MXNet,, e XGBoost. PyTorch TensorFlow Per ulteriori informazioni sui framework disponibili e sulle versioni supportate da Debugger, vedere. SageMaker [Framework e algoritmi supportati](debugger-supported-frameworks.md)

![Panoramica del funzionamento di Amazon Debugger. SageMaker](https://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-main.png)


Di seguito è riportato il flusso di lavoro di Debugger di alto livello:

1. Se necessario, modifica lo script di addestramento con `sagemaker-debugger` Python SDK.

1. Configura un processo di SageMaker formazione con Debugger SageMaker .
   + Configura utilizzando l' ModelTrainer API SageMaker AI (per Python SDK).
   + Configura utilizzando la [`CreateTrainingJob` richiesta SageMaker AI (per Boto3 o CLI). ](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-createtrainingjob-api.html)
   + Configura contenitori [ di formazione ](debugger-bring-your-own-container.md) personalizzati con Debugger. SageMaker 

1. Avvia un processo di addestramento e monitora i problemi di addestramento in tempo reale.
   + [Elenco delle regole integrate di Debugger](debugger-built-in-rules.md).

1. Ricevi avvisi e intraprendi azioni tempestive per risolvere i problemi di addestramento.
   + Ricevi SMS ed e-mail e interrompi i processi di addestramento quando vengono rilevati problemi di addestramento utilizzando [Utilizzo delle azioni integrate di Debugger per le regole](debugger-built-in-actions.md).
   + Configura le tue azioni utilizzando [ Amazon CloudWatch Events e. AWS Lambda](debugger-cloudwatch-lambda.md)

1. Esplora un'analisi approfondita dei problemi di addestramento.
   + Per il debug dei tensori di output del modello, consulta [Visualizza i tensori di output del debugger in TensorBoard](debugger-enable-tensorboard-summaries.md).

1. Risolvi i problemi, prendi in considerazione i suggerimenti forniti da Debugger e ripeti le fasi da 1 a 5 fino a ottimizzare il modello e raggiungere la precisione desiderata.

La guida per sviluppatori SageMaker Debugger illustra i seguenti argomenti.

**Topics**
+ [SageMaker Funzionalità di Amazon Debugger](#debugger-features)
+ [Modifica della disponibilità del debugger](debugger-availability-change.md)
+ [Framework e algoritmi supportati](debugger-supported-frameworks.md)
+ [Architettura Amazon Debugger SageMaker](debugger-how-it-works.md)
+ [Tutorial di Debugger](debugger-tutorial.md)
+ [Debug dei lavori di formazione con Amazon Debugger SageMaker](debugger-debug-training-jobs.md)
+ [Elenco delle regole integrate di Debugger](debugger-built-in-rules.md)
+ [Creazione di regole personalizzate utilizzando la libreria client di Debugger](debugger-custom-rules.md)
+ [Utilizzo di Debugger con container di addestramento personalizzati](debugger-bring-your-own-container.md)
+ [Configurazione del debugger tramite API SageMaker](debugger-createtrainingjob-api.md)
+ [Riferimenti Amazon SageMaker Debugger](debugger-reference.md)