Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Marcos y algoritmos compatibles
La siguiente tabla muestra los marcos y algoritmos de aprendizaje automático de SageMaker IA compatibles con Debugger.
|
|
| **SageMaker AI-supported frameworks and algorithms** | **Debugging output tensors** |
| --- |--- |
| [TensorFlow](https://sagemaker.readthedocs.io/en/stable/using_tf.html) | [AWS TensorFlow contenedores de aprendizaje profundo](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.15.4 o versiones posteriores |
| [PyTorch](https://sagemaker.readthedocs.io/en/stable/using_pytorch.html) | [AWS PyTorch contenedores de aprendizaje profundo 1.5.0](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) o versiones posteriores |
| [MXNet](https://sagemaker.readthedocs.io/en/stable/using_mxnet.html) | [AWS MXNet contenedores de aprendizaje profundo](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.6.0 o versiones posteriores |
| [XGBoost](https://sagemaker.readthedocs.io/en/stable/frameworks/xgboost/using_xgboost.html) | 1.0-1, 1.2-1, 1.3-1 |
| [SageMaker Estimador genérico de IA](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html) | [Contenedores de formación personalizados](debugger-bring-your-own-container.md) (disponibles para TensorFlow PyTorch MXNet, y XGBoost con registro manual de ganchos) |
+ **Depuración de tensores de salida**: rastrea y depura los parámetros del modelo, como los pesos, los gradientes, los sesgos y los valores escalares de tu trabajo de entrenamiento. Los marcos de aprendizaje profundo disponibles son Apache MXNet TensorFlow, PyTorch, y XGBoost.
**importante**
En el caso del TensorFlow marco con Keras, SageMaker Debugger desaprueba la compatibilidad con cero cambios de código para los modelos de depuración creados con los `tf.keras` módulos de la versión 2.6 y versiones posteriores. TensorFlow [Esto se debe a los cambios importantes anunciados en la nota de la versión 2.6.0. TensorFlow ](https://github.com/tensorflow/tensorflow/releases/tag/v2.6.0) Para obtener instrucciones sobre cómo actualizar el script de entrenamiento, consulte [Adapta tu guion de entrenamiento TensorFlow](debugger-modify-script-tensorflow.md).
**importante**
A partir de la PyTorch versión 1.12.0 y versiones posteriores, SageMaker Debugger deja de admitir cambios de código cero en los modelos de depuración.
Esto se debe a cambios importantes que hacen SageMaker que Debugger interfiera con la funcionalidad. `torch.jit` Para obtener instrucciones sobre cómo actualizar el script de entrenamiento, consulte [Adapte su guion PyTorch de entrenamiento](debugger-modify-script-pytorch.md).
Si el marco o algoritmo que desea entrenar y depurar no aparece en la tabla, vaya al [foro de AWS debate](https://forums.aws.amazon.com/) y deje sus comentarios sobre SageMaker Debugger.
## Regiones de AWS
Amazon SageMaker Debugger está disponible en todas las regiones en las que Amazon SageMaker AI está en servicio, excepto en las siguientes regiones.
+ Asia-Pacífico (Yakarta): `ap-southeast-3`
Para saber si Amazon SageMaker AI está en servicio en su empresa Región de AWS, consulte [Servicios AWS regionales](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/).
## Utilice el depurador con contenedores de entrenamiento personalizados
Incorpore sus contenedores de formación a la SageMaker IA y obtenga información sobre sus trabajos de formación con Debugger. Maximice la eficiencia de su trabajo optimizando su modelo en las instancias de Amazon EC2 mediante las funciones de supervisión y depuración.
Para obtener más información sobre cómo crear un contenedor de entrenamiento con la biblioteca de clientes `sagemaker-debugger`, llevarlo al Amazon Elastic Container Registry (Amazon ECR), luego supervisar y depurar, consulte [Uso del depurador con contenedores de entrenamiento personalizados](debugger-bring-your-own-container.md).
## Debugger: repositorios de código abierto GitHub
APIs Los depuradores se proporcionan a través del SDK de SageMaker Python y están diseñados para crear configuraciones de reglas y enlaces del depurador para las operaciones de SageMaker IA [ CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)y [ DescribeTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeTrainingJob.html)API. La biblioteca de clientes `sagemaker-debugger` proporciona herramientas para registrar los *enlaces* y acceder a los datos de entrenamiento a través de su función de *prueba*, además de sus operaciones de API flexibles y potentes. Es compatible con los marcos de aprendizaje automático TensorFlow PyTorch MXNet, y XGBoost en Python 3.6 y versiones posteriores.
Para obtener información directa acerca de las operaciones del depurador y de la API `sagemaker-debugger`, consulte los siguientes enlaces:
+ [La documentación del SDK de Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_debugger.html)
+ [El SDK de Amazon SageMaker Python: Depurador APIs](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html)
+ [La documentación del SDK de `sagemaker-debugger` Python](https://sagemaker-debugger.readthedocs.io/en/website/index.html) para [la biblioteca cliente de código abierto Amazon SageMaker Debugger](https://github.com/awslabs/sagemaker-debugger#amazon-sagemaker-debugger)
+ [El `sagemaker-debugger` PyPI](https://pypi.org/project/smdebug/)
Si utiliza el SDK para Java para realizar trabajos de SageMaker formación y desea configurar Debugger APIs, consulte las siguientes referencias:
+ [Amazon SageMaker Debugger APIs](debugger-reference.md#debugger-apis)
+ [Configurar el depurador mediante SageMaker la API](debugger-createtrainingjob-api.md)