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。
Amazon A SageMaker I 调试功能的发行说明
请参阅以下发行说明，了解有关 Amazon A SageMaker I 调试功能的最新更新。
2023 年 12 月 21 日
新特征
发布了远程调试功能，这是 SageMaker 人工智能的一项新调试功能，可让您以外壳级别访问训练容器。在此版本中，您可以通过登录在 SageMaker AI ML 实例上运行的作业容器来调试训练作业。要了解更多信息，请参阅通过以下方式访问训练容器 AWS Systems Manager 用于远程调试。
2023 年 9 月 7 日
新特征
添加了一个新的实用程序模块 sagemaker.interactive_apps.tensorboard.TensorBoardApp，该模块提供了名为 get_app_url() 的函数。该get_app_url()函数生成未签名或预签名的 URL，以便在 SageMaker AI 或 Amazon EC2 的任何环境中打开 TensorBoard 应用程序。这是为了向 Studio Classic 用户和非 Studio Classic 用户提供统一的体验。对于 Studio Classic 环境，您可以 TensorBoard 按原样运行get_app_url()函数来打开，也可以指定作业名称以便在 TensorBoard 应用程序打开时开始跟踪。对于非 Studio Classic 环境，您可以 TensorBoard 通过向实用程序函数提供域名信息来打开。有了此功能，无论您在何处或以何种方式运行训练代码和启动训练作业，都可以 TensorBoard 通过在 Jupyter 笔记本或终端中运行该get_app_url功能来直接访问。此功能在 SageMaker Python SDK v2.184.0 及更高版本中可用。有关更多信息，请参阅 在 SageMaker AI 上访问 TensorBoard 应用程序。
2023 年 4 月 4 日
新特征
发布了 SageMaker AI TensorBoard，这是一种 TensorBoard 在 SageMaker AI 上托管的功能。 TensorBoard 可通过 SageMaker AI 域作为应用程序使用，A SageMaker I 训练平台支持将 TensorBoard 输出数据收集到 S3，并将其自动加载到 SageMaker AI TensorBoard 上托管的。借助此功能，您可以运行在 SageMaker AI 中使用 TensorBoard 摘要编写器设置的训练作业，将 TensorBoard输出文件保存在 Amazon S3 中，直接从 SageMaker AI 控制台打开 TensorBoard 应用程序，以及使用在托管 TensorBoard 接口上实现的 SageMaker AI Data Manager 插件加载输出文件。您无需 TensorBoard 手动安装和托管在 SageMaker AI IDE 或本地计算机上。要了解更多信息，请参阅TensorBoard 在亚马逊 A SageMaker I 中。
2023 年 3 月 16 日
弃用说明
SageMaker 从 2.11 和 TensorFlow 2.0 开始，调试器已弃用框架分析功能。 PyTorch 您仍然可以在以前版本的框架和 SDK 中使用该功能，如下所示。
-
SageMaker Python SDK <= v2.130.0
-
PyTorch >= v1.6.0，< v2.0
-
TensorFlow >= v2.3.1，< v2.11
弃用后， SageMaker Debugger 还将停止支持以下三种框架分析ProfilerRules。
2023 年 2 月 21 日
其他更改
-
XGBoost 报告选项卡已从 SageMaker 调试器的分析器仪表板中移除。您仍然可以通过以 Jupyter 笔记本或 HTML 文件格式下载 XGBoost 报告来访问报告。有关更多信息，请参阅SageMaker 调试器 xgBoost 训练报告。
-
从此版本开始，默认情况下不会激活内置的探查器规则。要使用 SageMaker 调试器探查器规则来检测某些计算问题，您需要在配置 SageMaker 训练作业启动器时添加规则。
2020 年 12 月 1 日
Amazon SageMaker Debugger 在 re: Invent 2020 上推出了深度分析功能。
2019 年 12 月 3 日
Amazon SageMaker Debugger 最初在 re: Invent 2019 上推出。
