As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
# Algoritmos e frameworks compatíveis
A tabela a seguir mostra as estruturas e algoritmos de aprendizado de máquina de SageMaker IA compatíveis com o Debugger.
|
|
| **SageMaker AI-supported frameworks and algorithms** | **Debugging output tensors** |
| --- |--- |
| [TensorFlow](https://sagemaker.readthedocs.io/en/stable/using_tf.html) | [AWS TensorFlow contêineres de aprendizado profundo](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.15.4 ou posterior |
| [PyTorch](https://sagemaker.readthedocs.io/en/stable/using_pytorch.html) | [AWS PyTorch contêineres de aprendizado profundo](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.5.0 ou posterior |
| [MXNet](https://sagemaker.readthedocs.io/en/stable/using_mxnet.html) | [AWS MXNet contêineres de aprendizado profundo](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.6.0 ou posterior |
| [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) | [Contêineres de treinamento personalizados](debugger-bring-your-own-container.md) (disponíveis para TensorFlow PyTorch, MXNet, e XGBoost com registro manual de ganchos) |
+ **Depuração de tensores de saída**: Monitore e depure os parâmetros do modelo, como pesos, gradientes, tendenciosos e valores escalares do seu trabalho de treinamento. As estruturas de aprendizado profundo disponíveis são Apache MXNet, TensorFlow PyTorch, e. XGBoost
**Importante**
Para a TensorFlow estrutura com Keras, o SageMaker Debugger desaprova o suporte de alteração de código zero para modelos de depuração criados usando os módulos 2.6 e posteriores. `tf.keras` TensorFlow Isso se deve às mudanças significativas anunciadas na nota de [lançamento TensorFlow 2.6.0](https://github.com/tensorflow/tensorflow/releases/tag/v2.6.0). Para obter instruções sobre como atualizar seu script de treinamento, consulte [Adapte seu roteiro TensorFlow de treinamento](debugger-modify-script-tensorflow.md).
**Importante**
A partir da PyTorch versão 1.12.0 e versões posteriores, o SageMaker Debugger descontinua o suporte à alteração de código zero para modelos de depuração.
Isso ocorre devido a alterações significativas que fazem com que o SageMaker Debugger interfira na funcionalidade. `torch.jit` Para obter instruções sobre como atualizar seu script de treinamento, consulte [Adapte seu roteiro PyTorch de treinamento](debugger-modify-script-pytorch.md).
Se a estrutura ou algoritmo que você deseja treinar e depurar não estiver listado na tabela, acesse o [Fórum de AWS discussão](https://forums.aws.amazon.com/) e deixe um comentário no SageMaker Debugger.
## Regiões da AWS
O Amazon SageMaker Debugger está disponível em todas as regiões em que o Amazon SageMaker AI está em serviço, exceto na região a seguir.
+ Ásia-Pacífico (Jacarta): `ap-southeast-3`
Para descobrir se a Amazon SageMaker AI está em serviço no seu Região da AWS, consulte [Serviços AWS regionais](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/).
## Use o Depurador com contêineres de treinamento personalizados
Traga seus contêineres de treinamento para a SageMaker IA e obtenha informações sobre seus trabalhos de treinamento usando o Debugger. Maximize sua eficiência de processamento otimizando seu modelo nas instâncias do Amazon EC2, usando os atributos de monitoramento e depuração.
Para obter mais informações sobre como compilar seu contêiner de treinamento com a biblioteca de cliente `sagemaker-debugger`, enviá-lo para o Amazon Elastic Container Registry (Amazon ECR), monitorar e depurar, consulte [Use o Depurador com contêineres de treinamento personalizados](debugger-bring-your-own-container.md).
## Repositórios de código aberto do Debugger GitHub
APIs Os depuradores são fornecidos por meio do SDK do SageMaker Python e projetados para criar configurações de regras e ganchos do Debugger para as operações de IA e API. SageMaker [ CreateTrainingJob[ DescribeTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeTrainingJob.html)](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) A biblioteca de clientes `sagemaker-debugger` fornece ferramentas para registrar *hooks* e acessar os dados de treinamento por meio de seu atributo de *avaliação*, por meio de suas operações de API flexíveis e avançadas. Ele é compatível com as estruturas de aprendizado de máquina TensorFlow, PyTorch MXNet, e XGBoost no Python 3.6 e versões posteriores.
Para recursos diretos sobre o Depurador e as operações de API `sagemaker-debugger`, consulte os seguintes links:
+ [A documentação do Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_debugger.html)
+ [O SDK do Amazon SageMaker Python — Debugger APIs](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html)
+ [A documentação do `sagemaker-debugger` Python SDK](https://sagemaker-debugger.readthedocs.io/en/website/index.html) para a biblioteca cliente de código [aberto Amazon SageMaker Debugger](https://github.com/awslabs/sagemaker-debugger#amazon-sagemaker-debugger)
+ [O `sagemaker-debugger` PyPI](https://pypi.org/project/smdebug/)
Se você usa o SDK for Java para SageMaker realizar trabalhos de treinamento e quiser configurar o APIs Debugger, consulte as seguintes referências:
+ [SageMaker Depurador Amazon APIs](debugger-reference.md#debugger-apis)
+ [Configurar o Debugger usando a API SageMaker](debugger-createtrainingjob-api.md)