本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 用于框架剖析的估算器配置
<a name="debugger-configure-framework-profiling"></a>

**警告**  
为了支持 [Amazon SageMaker Profiler](train-use-sagemaker-profiler.md)， SageMaker AI Debugger 从 TensorFlow 2.11 和 2.0 开始弃用框架分析功能。 PyTorch 您仍然可以在先前版本的框架中使用该功能， SDKs 如下所示。  
SageMaker Python SDK <= v2.130.0
PyTorch >= v1.6.0，< v2.0
TensorFlow >= v2.3.1，< v2.11
另请参阅[2023 年 3 月 16 日](debugger-release-notes.md#debugger-release-notes-20230315)。

要启用 Debugger 框架分析，请在构造估算器时配置 `framework_profile_params`。Debugger 框架使用 cProfile 或 Pyinstrument 选项，分析收集框架指标，例如初始化阶段的数据、数据加载器进程、深度学习框架和训练脚本的 Python 运算符、步骤内部和步骤之间的详细分析。使用 `FrameworkProfile` 类，您可以配置自定义框架分析选项。

**注意**  
在开始使用 Debugger 框架分析之前，请验证 Debugger 是否支持对构建模型所用的框架进行框架分析。有关更多信息，请参阅 [支持的框架和算法](debugger-supported-frameworks.md)。  
Debugger 将框架指标保存在默认 S3 存储桶中。默认 S3 存储桶 URI 的格式为 `s3://sagemaker-<region>-<12digit_account_id>/<training-job-name>/profiler-output/`。

**Topics**
+ [默认框架剖析](debugger-configure-framework-profiling-basic.md)
+ [针对目标步骤或目标时间范围的默认系统监控和自定义框架剖析](debugger-configure-framework-profiling-range.md)
+ [提供不同剖析选项的默认系统监控和自定义框架剖析](debugger-configure-framework-profiling-options.md)