Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Liste der im Debugger integrierten Profiler-Regeln
<a name="debugger-built-in-profiler-rules"></a>

Verwenden Sie die integrierten Debuger-Profiler-Regeln, die von Amazon SageMaker Debugger bereitgestellt werden, und analysieren Sie die beim Training Ihrer Modelle gesammelten Metriken. Die in den Debugger integrierten Regeln überwachen verschiedene allgemeine Bedingungen, die für die erfolgreiche Durchführung eines performanten Trainingsauftrags entscheidend sind. Sie können die integrierten Profiler-Regeln mithilfe des [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) oder der SageMaker Low-Level-API-Operationen aufrufen. Für die Nutzung der integrierten Regeln fallen keine zusätzlichen Kosten an. Weitere Informationen zur Abrechnung finden Sie auf der Seite mit den [ SageMaker Amazon-Preisen](https://aws.amazon.com/sagemaker/pricing/).

**Anmerkung**  
Die maximale Anzahl integrierter Profiler-Regeln, die Sie einem Schulungsjob zuordnen können, beträgt 20. SageMaker Der Debugger verwaltet die integrierten Regeln vollständig und analysiert Ihren Trainingsjob synchron.

**Wichtig**  
Um die neuen Debugger-Funktionen verwenden zu können, müssen Sie das SageMaker Python-SDK und die SMDebug Client-Bibliothek aktualisieren. Führen Sie in Ihrem IPython-Kernel, Jupyter-Notebook oder Ihrer JupyterLab Umgebung den folgenden Code aus, um die neuesten Versionen der Bibliotheken zu installieren und den Kernel neu zu starten.  

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

## Profiler-Regeln
<a name="debugger-built-in-profiler-rules-ProfilerRule"></a>

Die folgenden Regeln sind die integrierten Debuger-Regeln, die mit der `ProfilerRule.sagemaker` Klassenmethode aufgerufen werden können.

Integrierte Debuger-Regel für die Generierung des Profilerstellungsberichts


| Gültigkeitsbereich | Integrierte Regeln | 
| --- | --- | 
| Bericht zur Profilerstellung für jeden Trainingsjob SageMaker  |  [See the AWS documentation website for more details](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/debugger-built-in-profiler-rules.html)  | 

In den Debugger integrierte Regeln für die Erstellung von Profilen der Hardware-Systemressourcennutzung (Systemmetriken)


| Gültigkeitsbereich | Integrierte Regeln | 
| --- | --- | 
| Generische Regeln zur Systemüberwachung für jeden SageMaker Schulungsjob |  [See the AWS documentation website for more details](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/debugger-built-in-profiler-rules.html)  | 

Integrierte Debugging-Regeln für die Profilerstellung von Framework-Metriken


| Gültigkeitsbereich | Integrierte Regeln | 
| --- | --- | 
| Regeln zur Profilerstellung für Deep-Learning-Frameworks (TensorFlow und PyTorch) |  [See the AWS documentation website for more details](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/debugger-built-in-profiler-rules.html)  | 

**Warnung**  
Der SageMaker AI Debugger lehnt die [ SageMaker Framework-Profilerstellungsfunktion ab Version 2.11 und 2.0 zugunsten von Amazon Profiler](train-use-sagemaker-profiler.md) ab. TensorFlow PyTorch Sie können die Funktion weiterhin in den vorherigen Versionen der Frameworks und wie folgt verwenden. SDKs   
SageMaker Python-SDK <= v2.130.0
PyTorch >= v1.6.0, < v2.0
TensorFlow >= v2.3.1, < v2.11
Siehe auch [16. März 2023](debugger-release-notes.md#debugger-release-notes-20230315).

**Verwenden Sie das folgende Konfigurationsformat, um die integrierten Regeln mit Standardparameterwerten** zu verwenden:

```
from sagemaker.debugger import Rule, ProfilerRule, rule_configs

rules = [
    ProfilerRule.sagemaker(rule_configs.{{BuiltInRuleName_1}}()),
    ProfilerRule.sagemaker(rule_configs.{{BuiltInRuleName_2}}()),
    ...
    ProfilerRule.sagemaker(rule_configs.{{BuiltInRuleName_n}}())
]
```

**Um die integrierten Regeln mit individuellen Parameterwerten zu verwenden**, verwenden Sie das folgende Konfigurationsformat:

```
from sagemaker.debugger import Rule, ProfilerRule, rule_configs

rules = [
    ProfilerRule.sagemaker(
        base_config=rule_configs.{{BuiltInRuleName}}(),
        rule_parameters={
                "{{key}}": "{{value}}"
        }
    )
]
```

Die verfügbaren Schlüssel für den Parameter `rule_parameters` finden Sie in den Tabellen mit den Parameterbeschreibungen.

Unter den Tabellen mit den Parameterbeschreibungen finden Sie für jede integrierte Regel Beispielkonfigurationscodes.
+ Eine vollständige Anleitung und Beispiele für die Verwendung der in den Debugger integrierten Regeln finden Sie unter [Beispielcode für integrierte Debugger-Regeln](debugger-built-in-rules-example.md#debugger-deploy-built-in-rules).
+ Eine vollständige Anleitung zur Verwendung der integrierten Regeln mit den SageMaker Low-Level-API-Operationen finden Sie unter. [Debugger mithilfe SageMaker der API konfigurieren](debugger-createtrainingjob-api.md)

## ProfilerReport
<a name="profiler-report"></a>

Die ProfilerReport Regel ruft alle integrierten Regeln für die Überwachung und Profilerstellung auf. Sie erstellt einen Profilerstellungsbericht und aktualisiert, wenn die einzelnen Regeln ausgelöst werden. Sie können einen umfassenden Profilerstellungsbericht herunterladen, während ein Trainingsauftrag ausgeführt wird oder nachdem der Trainingsauftrag abgeschlossen ist. Sie können die Werte der Regelparameter anpassen, um die Sensitivität der integrierten Überwachungs- und Profilerstellungsregeln anzupassen. Der folgende Beispielcode zeigt das grundlegende Format zur Anpassung der integrierten Regelparameter mithilfe der ProfilerReport Regel.

```
rules=[
    ProfilerRule.sagemaker(
        rule_configs.ProfilerReport(
            {{<BuiltInRuleName>}}_{{<parameter_name>}} = {{value}}
        )
    )  
]
```

Wenn Sie diese ProfilerReport Regel ohne benutzerdefinierte Parameter auslösen, wie im folgenden Beispielcode gezeigt, löst die ProfilerReport Regel alle integrierten Regeln für die Überwachung und Profilerstellung mit ihren Standardparameterwerten aus.

```
rules=[ProfilerRule.sagemaker(rule_configs.ProfilerReport())]
```

Der folgende Beispielcode zeigt, wie Sie den Parameter der CPUBottleneck Regel und den `cpu_threshold` IOBottleneck Regelparameter angeben und anpassen. `threshold`

```
rules=[
    ProfilerRule.sagemaker(
        rule_configs.ProfilerReport(
            {{CPUBottleneck_cpu_threshold}} = {{90}},
            {{IOBottleneck_threshold}} = {{90}}
        )
    )  
]
```

Informationen zum Inhalt des Profiler-Berichts finden Sie unter [SageMaker Debugger-Profiling-Bericht](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-profiling-report.html). Da diese Regel alle Profilerstellungsregeln aktiviert, können Sie den Status der Regelanalyse auch mithilfe der [SageMaker Debugger-Benutzeroberfläche](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-on-studio.html) in Studio Experiments überprüfen. SageMaker 

Parameterbeschreibungen für die Regel OverallSystemUsage 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| <BuiltInRuleName>\_<parameter\_name> | Anpassbarer Parameter zur Anpassung der Schwellenwerte anderer integrierter Überwachungs- und Profilerstellungsregeln. <br />**Optional**<br />Standardwert: `None` | 

## BatchSize
<a name="batch-size-rule"></a>

Die BatchSize Regel hilft zu erkennen, ob die GPU aufgrund einer geringen Batchgröße nicht ausgelastet ist. Um dieses Problem zu erkennen, überwacht diese Regel die durchschnittliche CPU-Auslastung, GPU-Auslastung und GPU-Speicherauslastung. Wenn die Auslastung von CPU-, GPU- und GPU-Speicher im Durchschnitt gering ist, kann dies darauf hindeuten, dass der Trainingsauftrag entweder auf einem kleineren Instance-Typ oder mit einer größeren Batchgröße ausgeführt werden kann. Diese Analyse funktioniert nicht für Frameworks, die Speicherplatz stark überlasten. Eine Erhöhung der Batchgröße kann jedoch zu Engpässen bei der Verarbeitung oder beim Laden von Daten führen, da bei jeder Iteration mehr Zeit für die Datenvorverarbeitung erforderlich ist.

Parameterbeschreibungen für die Regel BatchSize 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| cpu\_threshold\_p95 | Definiert den Schwellenwert für das 95. Quantil der CPU-Auslastung in Prozent.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `70` (in Prozent) | 
| gpu\_threshold\_p95 | Definiert den Schwellenwert für das 95. Quantil der GPU-Auslastung in Prozent.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `70` (in Prozent) | 
| gpu\_memory\_threshold\_p95 | Definiert den Schwellenwert für das 95. Quantil der GPU-Speicherauslastung in Prozent.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `70` (in Prozent) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `100` | 
| window | Fenstergröße für die Berechnung von Quantilen.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `500` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## CPUBottleneck
<a name="cpu-bottleneck"></a>

Die CPUBottleneck Regel hilft zu erkennen, ob die GPU aufgrund von CPU-Engpässen nicht ausreichend ausgelastet ist. Die Regel gibt True zurück, wenn die Anzahl der CPU-Engpässe einen vordefinierten Schwellenwert überschreitet.

Parameterbeschreibungen für die Regel CPUBottleneck 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| threshold | Definiert den Schwellenwert für das Verhältnis der Engpasszeit zur gesamten Trainingszeit. Wenn der Anteil den für den Schwellenwertparameter angegebenen Prozentsatz übersteigt, setzt die Regel den Status der Regel auf True.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `50` (in Prozent) | 
| gpu\_threshold | Ein Schwellenwert, der eine geringe GPU-Auslastung definiert.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `10` (in Prozent) | 
| cpu\_threshold | Ein Schwellenwert, der eine hohe CPU-Auslastung definiert.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `90` (in Prozent) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `100` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## GPUMemoryErhöhen
<a name="gpu-memory-increase"></a>

Die Regel „ GPUMemoryErhöhen“ hilft dabei, einen starken Anstieg der Speichernutzung am zu erkennen GPUs.

Parameterbeschreibungen für die Regel „ GPUMemoryErhöhen“


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| increase | Definiert den Schwellenwert für die absolute Speicherzunahme.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `10` (in Prozent) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `100` | 
| window | Fenstergröße für die Berechnung von Quantilen.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `500` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## IOBottleneck
<a name="io-bottleneck"></a>

Diese Regel hilft zu erkennen, ob die GPU aufgrund von Daten-IO-Engpässen nicht ausreichend ausgelastet ist. Die Regel gibt True zurück, wenn die Anzahl der IO-Engpässe einen vordefinierten Schwellenwert überschreitet.

Parameterbeschreibungen für die Regel IOBottleneck 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| threshold | Definiert den Schwellenwert, ab dem Rule True zurückgibt.**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `50` (in Prozent) | 
| gpu\_threshold | Ein Schwellenwert, der definiert, wann die GPU als nicht ausgelastet gilt.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `70` (in Prozent) | 
| io\_threshold | Ein Schwellenwert, der eine hohe IO-Wartezeit definiert.**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `50` (in Prozent) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `1000` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## LoadBalancing
<a name="load-balancing"></a>

Die LoadBalancing Regel hilft dabei, Probleme beim Workload-Balancing zwischen mehreren GPUs zu erkennen.

Parameterbeschreibungen für die LoadBalancing Regel


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| threshold | Definiert den Prozentsatz der Arbeitslast.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `0.5` (Anteil ohne Einheit) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `10` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## Niedrig GPUUtilization
<a name="low-gpu-utilization"></a>

Die GPUUtilization Niedrig-Regel hilft zu erkennen, ob die GPU-Auslastung gering ist oder Schwankungen unterliegt. Dies wird für jede GPU auf jedem Worker überprüft. Die Regel gibt True zurück, wenn das 95. Quantil unter threshold\_p95 liegt, was auf eine Unterauslastung hinweist. Die Regel gibt true zurück, wenn das 95. Quantil über Threshold\_p95 und das 5. Quantil unter Threshold\_p5 liegt, was auf Schwankungen hinweist.

Parameterbeschreibungen für die GPUUtilization Low-Regel


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| threshold\_p95 | Ein Schwellenwert für das 95. Quantil, bei dessen Unterschreitung die GPU als nicht ausgelastet gilt.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `70` (in Prozent) | 
| threshold\_p5 | Ein Schwellenwert für das 5. Quantil. Der Standardwert ist 10 Prozent.**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `10` (in Prozent) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `1000` | 
| window | Fenstergröße für die Berechnung von Quantilen.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `500` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## OverallSystemUsage
<a name="overall-system-usage"></a>

Die OverallSystemUsage Regel misst die Gesamtsystemnutzung pro Worker-Knoten. Die Regel aggregiert derzeit nur Werte pro Knoten und berechnet deren Perzentile.

Parameterbeschreibungen für die OverallSystemUsage Regel


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| scan\_interval\_us | Zeitintervall zum Scannen von Timeline-Dateien.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## MaxInitializationTime
<a name="max-initialization-time"></a>

Die MaxInitializationTime Regel hilft zu erkennen, ob die Trainingsinitialisierung zu viel Zeit in Anspruch nimmt. Die Regel wartet, bis der erste Schritt verfügbar ist.

Parameterbeschreibungen für die Regel MaxInitializationTime 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| threshold | Definiert den Schwellenwert in Minuten, bis der erste Schritt verfügbar ist.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `20` (in Minuten) | 
| scan\_interval\_us | Zeitintervall, mit dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## OverallFrameworkMetrics
<a name="overall-framework-metrics"></a>

Die OverallFrameworkMetrics Regel fasst die Zeit zusammen, die für Framework-Metriken wie Vorwärts- und Rückwärtsdurchläufe und das Laden von Daten aufgewendet wurde.

Parameterbeschreibungen für die Regel OverallFrameworkMetrics 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| scan\_interval\_us | Zeitintervall zum Scannen von Timeline-Dateien.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## StepOutlier
<a name="step-outlier"></a>

Die StepOutlier Regel hilft dabei, Ausreißer bei der Schrittdauer zu erkennen. Diese Regel gibt zurück `True` wenn es Ausreißer gibt, deren Schrittdauer größer als `stddev` Sigmas der gesamten Schrittdauer in einem Zeitraum ist.

Parameterbeschreibungen für die Regel StepOutlier 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| stddev | Definiert einen Faktor, mit dem die Standardabweichung multipliziert werden soll. Die Regel wird beispielsweise standardmäßig aufgerufen, wenn eine Schrittdauer größer oder kleiner als das Fünffache der Standardabweichung ist. <br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `5` (in Minuten) | 
| mode | Modus, in dem die Schritte gespeichert wurden und in dem die Regel ausgeführt werden soll. Standardmäßig wird die Regel für Schritte aus der EVAL- und TRAIN-Phase ausgeführt**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `5` (in Minuten) | 
| n\_outliers | Wie viele Ausreißer müssen ignoriert werden, bevor die Regel True zurückgibt**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `10` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) |