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 Report interattivo del debugger
Ricevi report di profilazione generati automaticamente da Debugger. Il report di Debugger fornisce informazioni dettagliate sui processi di addestramento e fornisce consigli per migliorare le prestazioni del modello. La seguente schermata mostra un collage del report di profilazione di Debugger. Per ulteriori informazioni, consulta [SageMaker Report interattivo del debugger](#debugger-profiling-report).
**Nota**
Puoi scaricare i report di Debugger mentre il processo di addestramento è in corso o al termine del processo. Durante l’addestramento, Debugger aggiorna contemporaneamente il report in base allo stato di valutazione delle regole correnti. Puoi scaricare un report di Debugger completo solo dopo il completamento del processo di addestramento.
**Importante**
Nei report, i grafici e le raccomandazioni sono forniti a scopo informativo e non sono definitivi. Sei responsabile della tua valutazione indipendente delle informazioni.
![\[Un esempio di report di riepilogo sul processo di addestramento di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profile-report.jpg)
Per qualsiasi SageMaker attività di formazione, la [ProfilerReport](debugger-built-in-profiler-rules.md#profiler-report) regola SageMaker Debugger richiama tutte le regole di [monitoraggio e profilazione e](debugger-built-in-profiler-rules.md#built-in-rules-monitoring) aggrega l'analisi delle regole in un report completo. Seguendo questa guida, scarica il report utilizzando l'[SDK Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) o la console S3 e scopri cosa puoi interpretare dai risultati della profilazione.
**Importante**
Nel report, i grafici e le raccomandazioni sono forniti a scopo informativo e non sono definitivi. Sei responsabile della tua valutazione indipendente delle informazioni.
# Scarica il report di profilazione del Debugger SageMaker
Scarica il report di profilazione del SageMaker Debugger mentre il processo di formazione è in esecuzione o al termine del processo utilizzando Amazon [ SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) e (CLI). AWS Command Line Interface
**Nota**
Per ottenere il report di profilazione generato da SageMaker Debugger, devi utilizzare la regola integrata offerta da Debugger. [ProfilerReport](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-built-in-rules.html#profiler-report) SageMaker Per attivare la regola con il tuo processo di addestramento, consulta [Configurazione delle regole integrate del profiler.](https://docs.aws.amazon.com/sagemaker/latest/dg/use-debugger-built-in-profiler-rules.html)
**Suggerimento**
Puoi anche scaricare il rapporto con un solo clic nella dashboard di Studio Debugger Insights. SageMaker Per scaricare il report non è richiesto alcuno script aggiuntivo. Per scoprire come scaricare il report da Studio, consulta [Apri il pannello di controllo di Amazon SageMaker Debugger Insights](debugger-on-studio-insights.md).
------
#### [ Download using SageMaker Python SDK and AWS CLI ]
1. Controlla l'URI di base di output S3 predefinito del processo corrente.
```
estimator.output_path
```
1. Controlla il nome del processo corrente.
```
estimator.latest_training_job.job_name
```
1. Il report di profilazione di Debugger è archiviato in `//rule-output`. Configura il percorso di output della regola come segue:
```
rule_output_path = estimator.output_path + estimator.latest_training_job.job_name + "/rule-output"
```
1. Per verificare se il report viene generato, elenca le directory e i file in modo ricorsivo in `rule_output_path` utilizzando `aws s3 ls` con l'opzione `--recursive`.
```
! aws s3 ls {rule_output_path} --recursive
```
Questo dovrebbe restituire un elenco completo di file in una cartella generata automaticamente denominata `ProfilerReport-1234567890`. Il nome della cartella è una combinazione di stringhe `ProfilerReport` e un tag univoco a 10 cifre basato sul timestamp Unix al momento dell'avvio della regola. ProfilerReport
![\[Esempio di output di regole\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-rule-output-ls-example.png)
Il `profiler-report.html` è un report di profilazione generato automaticamente da Debugger. I file rimanenti sono i componenti integrati di analisi delle regole archiviati in JSON e in un notebook Jupyter che vengono utilizzati per aggregarli nel report.
1. Scarica i file in modo ricorsivo utilizzando `aws s3 cp`. Il comando seguente salva tutti i file di output delle regole nella cartella `ProfilerReport-1234567890` all'interno della directory di lavoro corrente.
```
! aws s3 cp {rule_output_path} ./ --recursive
```
**Suggerimento**
Se utilizzi un server notebook Jupyter, esegui `!pwd` per ricontrollare la directory di lavoro corrente.
1. Sotto la cartella `/ProfilerReport-1234567890/profiler-output`, apri `profiler-report.html`. Se lo utilizzi JupyterLab, scegli **Trust HTML** per visualizzare il rapporto di profilazione del Debugger generato automaticamente.
![\[Esempio di output di regole\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-rule-output-open-html.png)
1. Apri il file `profiler-report.ipynb` per scoprire come viene generato il report. Puoi anche personalizzare ed estendere il report di profilazione utilizzando il file del notebook Jupyter.
------
#### [ Download using Amazon S3 Console ]
1. Accedi Console di gestione AWS e apri la console Amazon S3 all'indirizzo. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)
1. Cerca il bucket S3 di base. Ad esempio, se non hai specificato alcun nome di processo di base, il nome del bucket S3 di base deve avere il seguente formato: `sagemaker--111122223333`. Cerca il bucket S3 di base nel campo *Trova bucket per nome*.
![\[Un esempio dell'URI del bucket S3 di output della regola\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-report-download-s3console-0.png)
1. Nel bucket S3 di base, cerca il nome del processo di addestramento specificando il prefisso del nome del processo nel campo di immissione *Trova oggetti per prefisso*. Scegli il nome del processo di addestramento.
![\[Un esempio dell'URI del bucket S3 di output della regola\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-report-download-s3console-1.png)
1. Nel bucket S3 del processo di addestramento, devono esserci tre sottocartelle per i dati di addestramento raccolti da Debugger: **debug-output/**, **profiler-output/**, and **rule-output/**. Scegli **rule-output/**.
![\[Un esempio dell'URI del bucket S3 di output della regola\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-report-download-s3console-2.png)
1. **Nella cartella **rule-output/**, scegli **ProfilerReport-1234567890** e scegli la cartella profiler-output/.** La cartella **profiler-output/** contiene **profiler-report.html** (il report di profilazione generato automaticamente in html), **profiler-report.ipynb** (un notebook Jupyter con script utilizzati per generare il report) e una cartella **profiler-report/** (contiene file JSON di analisi delle regole utilizzati come componenti del report).
1. Seleziona il file **profiler-report.html**, scegli **Azioni** e **Scarica**.
![\[Un esempio dell'URI del bucket S3 di output della regola\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-report-download-s3console-3.png)
1. Apri il file **profiler-report.html** scaricato in un browser Web.
------
**Nota**
Se hai iniziato il processo di addestramento senza configurare i parametri specifici di Debugger, Debugger genera il report solo in base alle regole di monitoraggio del sistema, poiché i parametri di Debugger non sono configurati per salvare i parametri del framework. Per abilitare la profilazione delle metriche del framework e ricevere un rapporto esteso sulla profilazione del Debugger, configura il parametro durante la creazione o l'aggiornamento degli estimatori AI. `profiler_config` SageMaker
Per informazioni su come configurare il parametro `profiler_config` prima di iniziare un processo di addestramento, consulta [Configurazione di uno strumento di stima per la profilazione del framework](debugger-configure-framework-profiling.md).
Per aggiornare il processo di addestramento corrente e abilitare la profilazione dei parametri del framework, consulta [Aggiornamento della configurazione di profilazione del framework di Debugger](debugger-update-monitoring-profiling.md).
# Procedura dettagliata del report di profilazione di Debugger
In questa sezione viene illustrato il report di profilazione di Debugger sezione per sezione. Il report di profilazione viene generato in base alle regole integrate per il monitoraggio e la profilazione. Il report mostra i grafici dei risultati solo per le regole che hanno riscontrato problemi.
**Importante**
Nel report, i grafici e le raccomandazioni sono forniti a scopo informativo e non sono definitivi. Sei responsabile della tua valutazione indipendente delle informazioni.
**Topics**
+ [
## Riepilogo del processo di addestramento
](#debugger-profiling-report-walkthrough-summary)
+ [
## Statistiche di utilizzo del sistema
](#debugger-profiling-report-walkthrough-system-usage)
+ [
## Riepilogo dei parametri del framework
](#debugger-profiling-report-walkthrough-framework-metrics)
+ [
## Riepilogo delle regole
](#debugger-profiling-report-walkthrough-rules-summary)
+ [
## Analisi del ciclo di addestramento: durata delle fasi
](#debugger-profiling-report-walkthrough-step-durations)
+ [
## Analisi dell'utilizzo della GPU
](#debugger-profiling-report-walkthrough-gpu-utilization)
+ [
## Dimensione batch
](#debugger-profiling-report-walkthrough-batch-size)
+ [
## Colli di bottiglia della CPU
](#debugger-profiling-report-walkthrough-cpu-bottlenecks)
+ [
## Colli di bottiglia di I/O
](#debugger-profiling-report-walkthrough-io-bottlenecks)
+ [
## Sistema di bilanciamento del carico nell'addestramento con più GPU
](#debugger-profiling-report-walkthrough-workload-balancing)
+ [
## Analisi della memoria GPU
](#debugger-profiling-report-walkthrough-gpu-memory)
## Riepilogo del processo di addestramento
All'inizio del report, Debugger fornisce un riepilogo del processo di addestramento eseguito. In questa sezione, puoi visualizzare una panoramica delle durate e degli orari nelle diverse fasi dell'addestramento.
![\[Un esempio di report di profilazione di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profiling-report-summary.gif)
La tabella di riepilogo contiene le informazioni seguenti:
+ **ora\$1inizio**: l'ora esatta in cui è iniziato il processo di addestramento.
+ **ora\$1fine**: l'ora esatta in cui il processo di addestramento è terminato.
+ **durata\$1processo\$1in\$1secondi**: il tempo totale di addestramento da **ora\$1inizio** a **ora\$1fine**.
+ **avvio\$1ciclo\$1addestramento**: l'ora esatta in cui è iniziata la prima fase della prima epoca.
+ **fine\$1ciclo\$1addestramento**: l'ora esatta in cui è terminata l’ultima fase dell’ultima epoca.
+ **durata\$1ciclo\$1addestramento\$1in\$1secondi**: il tempo totale tra l'ora di inizio del ciclo di addestramento e l'ora di fine del ciclo di addestramento.
+ **inizializzazione\$1in\$1secondi**: tempo impiegato per inizializzare il processo di addestramento. La fase di inizializzazione copre il periodo compreso tra **ora\$1inizio** e l’ora di **inizio\$1ciclo\$1addestramento**. Il tempo di inizializzazione viene dedicato alla compilazione dello script di addestramento, all'avvio dello script di addestramento, alla creazione e inizializzazione del modello, all'avvio delle istanze EC2 e al download dei dati di addestramento.
+ **finalizzazione\$1in\$1secondi** – Tempo impiegato per finalizzare il processo di addestramento, ad esempio per completare l'addestramento del modello, aggiornare gli artefatti del modello e chiudere le istanze EC2. La fase di inizializzazione copre il periodo compreso tra l’ora di **dine\$1ciclo\$1addestramento** e **ora\$1fine**.
+ **inizializzazione (%)** – La percentuale di tempo impiegato per l’**inizializzazione** rispetto al totale della **durata\$1processo\$1in\$1secondi**.
+ **ciclo di addestramento (%)** – La percentuale di tempo impiegato per il ’**ciclo di addestramento** rispetto al totale della **durata\$1processo\$1in\$1secondi**.
+ **finalizzazione (%)** – La percentuale di tempo impiegato per la **finalizzazione** rispetto al totale della **durata\$1processo\$1in\$1secondi**.
## Statistiche di utilizzo del sistema
In questa sezione è possibile visualizzare una panoramica delle statistiche di utilizzo del sistema.
![\[Un esempio di report di profilazione di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profiling-report-system-usage.png)
Il report di profilazione di Debugger include le seguenti informazioni:
+ **nodo**: elenca il nome dei nodi. Se si utilizza l'addestramento distribuito su più nodi (più istanze EC2), i nomi dei nodi hanno il formato `algo-n`.
+ **parametro**: i parametri di sistema raccolti da Debugger: CPU, GPU, memoria CPU, memoria GPU, I/O e parametri di rete.
+ **unità**: l’unità dei parametri di sistema.
+ **max**: il valore massimo di ogni parametro di sistema.
+ **p99**: il 99° percentile di utilizzo di ogni sistema.
+ **p95**: il 95° percentile di utilizzo di ogni sistema.
+ **p50**: il 50° percentile (mediana) di ogni utilizzo del sistema.
+ **min**: il valore minimo di ogni parametro di sistema.
## Riepilogo dei parametri del framework
In questa sezione, i seguenti grafici a torta mostrano la suddivisione delle operazioni del framework su e. CPUs GPUs
![\[Un esempio di report di profilazione di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profiling-report-framework-metrics-summary.gif)
Ciascuno dei grafici a torta analizza i parametri del framework raccolti in vari aspetti come segue:
+ **Rapporto tra TRAIN/EVAL fasi e altre**: mostra il rapporto tra le durate di tempo impiegate nelle diverse fasi di allenamento.
+ **Rapporto tra passaggio in avanti e indietro** – Mostra il rapporto tra il tempo impiegato per il passaggio in avanti e quello all'indietro nel ciclo di addestramento.
+ **Rapporto tra CPU/GPU operatori**: mostra il rapporto tra il tempo impiegato dagli operatori che utilizzano CPU o GPU, ad esempio gli operatori convoluzionali.
+ **Parametri generali registrati nel framework** – Mostra il rapporto tra il tempo impiegato per i principali parametri del framework, come il caricamento dei dati, il passaggio in avanti e all'indietro.
### Panoramica: operatori della CPU
Questa sezione fornisce informazioni dettagliate sugli operatori della CPU. La tabella mostra la percentuale di tempo e il tempo cumulativo assoluto impiegato dagli operatori CPU più frequentemente chiamati.
![\[Un esempio di report di profilazione di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profiling-report-framework-cpu-operators.gif)
### Panoramica: operatori della GPU
Questa sezione fornisce informazioni dettagliate sugli operatori della GPU. La tabella mostra la percentuale di tempo e il tempo cumulativo assoluto impiegato dagli operatori GPU più frequentemente chiamati.
![\[Un esempio di report di profilazione di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profiling-report-framework-gpu-operators.gif)
## Riepilogo delle regole
In questa sezione, Debugger aggrega tutti i risultati della valutazione delle regole, le analisi, le descrizioni delle regole e i suggerimenti.
![\[Un esempio di report di profilazione di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profiling-report-rules-summary.png)
## Analisi del ciclo di addestramento: durata delle fasi
In questa sezione, puoi trovare statistiche dettagliate sulla durata delle fasi su ciascun core della GPU di ciascun nodo. Debugger valuta i valori medi, massimi, p99, p95, p50 e minimi delle durate delle fasi e valuta i valori anomali delle fasi. L'istogramma seguente mostra le durate dei passaggi acquisite su diversi nodi di lavoro e. GPUs È possibile abilitare o disabilitare l'istogramma di ogni worker scegliendo le legende sul lato destro. È possibile verificare se c'è una particolare GPU che causa valori anomali nella durata delle fasi.
![\[Un esempio di report di profilazione di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profiling-report-framework-step-duration.gif)
## Analisi dell'utilizzo della GPU
Questa sezione mostra le statistiche dettagliate sull'utilizzo dei core della GPU basate sulla regola Low. GPUUtilization Inoltre riassume le statistiche sull'utilizzo della GPU, mean, p95 e p5 per determinare se il lavoro di formazione è sottoutilizzato. GPUs
## Dimensione batch
Questa sezione mostra le statistiche dettagliate sull'utilizzo totale della CPU, sull'utilizzo delle singole GPU e sull'impronta della memoria della GPU. La BatchSize regola determina se è necessario modificare la dimensione del batch per utilizzare meglio il. GPUs È possibile verificare se la dimensione del batch è troppo piccola, con conseguente sottoutilizzo o troppo grande, con conseguente sovrautilizzo e problemi di esaurimento della memoria. Nel grafico, le caselle mostrano gli intervalli percentili p25 e p75 (riempiti rispettivamente di viola scuro e giallo brillante) rispetto alla mediana (p50), mentre le barre di errore mostrano il 5° percentile per il limite inferiore e il 95° percentile per il limite superiore.
![\[Un esempio di report di profilazione di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profiling-report-batch-size.png)
## Colli di bottiglia della CPU
In questa sezione, puoi approfondire i punti deboli della CPU rilevati dalla CPUBottleneck regola durante il tuo processo di formazione. La regola verifica se l'utilizzo della CPU è superiore a `cpu_threshold` (90% per impostazione predefinita) e anche se l'utilizzo della GPU è inferiore (10% per impostazione predefinita). `gpu_threshold`
![\[Un esempio di report di profilazione di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profiling-report-cpu-bottlenecks.png)
I grafici a torta mostrano le seguenti informazioni:
+ **Scarso utilizzo della GPU causato da colli di bottiglia della CPU** – Mostra il rapporto tra i punti dati tra quelli con un utilizzo della GPU superiore e inferiore alla soglia e quelli che corrispondono ai criteri di collo di bottiglia della CPU.
+ **Rapporto tra TRAIN/EVAL fasi e altre**: mostra il rapporto tra le durate di tempo impiegate nelle diverse fasi di allenamento.
+ **Rapporto tra passaggio in avanti e indietro** – Mostra il rapporto tra il tempo impiegato per il passaggio in avanti e quello all'indietro nel ciclo di addestramento.
+ **Rapporto tra CPU/GPU operatori**: mostra il rapporto tra le durate di tempo impiegate su GPUs e CPUs dagli operatori Python, come i processi di caricamento dati e gli operatori di passaggio avanti e indietro.
+ **Parametri generali registrati nel framework** – Mostra i principali parametri del framework e il rapporto tra il tempo impiegato per i parametri.
## Colli di bottiglia di I/O
In questa sezione, puoi trovare un riepilogo degli ostacoli. I/O La regola valuta il tempo di I/O attesa e i tassi di utilizzo della GPU e monitora il tempo impiegato nei punti critici in attesa dell'arrivo I/O requests exceeds a threshold percent of the total training time. It might indicate I/O dei dati dallo storage. GPUs
## Sistema di bilanciamento del carico nell'addestramento con più GPU
In questa sezione, puoi identificare i problemi di bilanciamento del carico di lavoro in tutti i settori. GPUs
![\[Un esempio di report di profilazione di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profiling-report-workload-balancing.gif)
## Analisi della memoria GPU
In questa sezione, puoi analizzare l'utilizzo della memoria GPU raccolto dalla regola Increase. GPUMemory Nel grafico, le caselle mostrano gli intervalli percentili p25 e p75 (riempiti rispettivamente di viola scuro e giallo brillante) rispetto alla mediana (p50), mentre le barre di errore mostrano il 5° percentile per il limite inferiore e il 95° percentile per il limite superiore.
![\[Un esempio di report di profilazione di Debugger\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/debugger/debugger-profiling-report-gpu-memory-utilization.png)
# Disattiva la raccolta di statistiche sull'utilizzo di Amazon SageMaker Debugger
Per tutti i lavori di SageMaker formazione, Amazon SageMaker Debugger esegue la [ProfilerReport](debugger-built-in-profiler-rules.md#profiler-report) regola e genera automaticamente un file. [SageMaker Report interattivo del debugger](debugger-profiling-report.md) La regola `ProfilerReport` fornisce un file notebook Jupyter (`profiler-report.ipynb`) che genera un file HTML corrispondente (`profiler-report.html`).
Debugger raccoglie statistiche sull'utilizzo del report di profilazione, includendo il codice nel notebook Jupyter che raccoglie l'ARN del processo di elaborazione della regola univoca `ProfilerReport` se l'utente apre il file finale `profiler-report.html`.
Debugger raccoglie solo informazioni sull'apertura o meno del report HTML finale da parte di un utente. **NON** raccoglie alcuna informazione da processi di addestramento, dati di addestramento, script di addestramento, processi di elaborazione, log o dal contenuto del report di profilazione.
Puoi non aderire alla raccolta delle statistiche sull’utilizzo scegliendo una delle seguenti opzioni.
## (Consigliata) Opzione 1: non aderire prima di eseguire job di addestramento
Per disattivarla, devi aggiungere la seguente configurazione della regola `ProfilerReport` di Debugger alla richiesta del processo di addestramento.
------
#### [ SageMaker Python SDK ]
```
estimator=sagemaker.estimator.Estimator(
...
rules=ProfilerRule.sagemaker(
base_config=rule_configs.ProfilerReport()
rule_parameters={"opt_out_telemetry": "True"}
)
)
```
------
#### [ AWS CLI ]
```
"ProfilerRuleConfigurations": [
{
"RuleConfigurationName": "ProfilerReport-1234567890",
"RuleEvaluatorImage": "895741380848.dkr.ecr.us-west-2.amazonaws.com/sagemaker-debugger-rules:latest",
"RuleParameters": {
"rule_to_invoke": "ProfilerReport",
"opt_out_telemetry": "True"
}
}
]
```
------
#### [ AWS SDK per Python (Boto3) ]
```
ProfilerRuleConfigurations=[
{
'RuleConfigurationName': 'ProfilerReport-1234567890',
'RuleEvaluatorImage': '895741380848.dkr.ecr.us-west-2.amazonaws.com/sagemaker-debugger-rules:latest',
'RuleParameters': {
'rule_to_invoke': 'ProfilerReport',
'opt_out_telemetry': 'True'
}
}
]
```
------
## Opzione 2: non aderire dopo aver completato un job di addestramento
Per disattivarla al termine dell’addestramento, devi modificare il file `profiler-report.ipynb`.
**Nota**
I report HTML generati automaticamente senza **l'opzione 1** già aggiunta alla richiesta del processo di addestramento riportano comunque le statistiche di utilizzo, anche dopo la disattivazione tramite **l'opzione 2**.
1. Segui le istruzioni per scaricare i file di report di profilazione di Debugger nella pagina [Scarica il report di profilazione del Debugger SageMaker](debugger-profiling-report-download.md).
1. Nella directory `/ProfilerReport-1234567890/profiler-output`, apri `profiler-report.ipynb`.
1. Aggiungi **opt\$1out=True** alla funzione `setup_profiler_report()` nella quinta cella di codice, come illustrato nel seguente codice di esempio:
```
setup_profiler_report(processing_job_arn, opt_out=True)
```
1. Esegui la cella di codice per completare la disattivazione.