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。

# 支持的框架和算法
<a name="debugger-supported-frameworks"></a>

下表显示了 Debugger 支持的 SageMaker AI 机器学习框架和算法。


| 
| 
| **SageMaker AI-supported frameworks and algorithms** |  **Debugging output tensors**  | 
| --- |--- |
|  [TensorFlow](https://sagemaker.readthedocs.io/en/stable/using_tf.html)   |  [AWS TensorFlow 深度学习容器](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.15.4 或更高版本  | 
|  [PyTorch](https://sagemaker.readthedocs.io/en/stable/using_pytorch.html)  |  [AWS PyTorch 深度学习容器](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.5.0 或更高版本  | 
|  [MXNet](https://sagemaker.readthedocs.io/en/stable/using_mxnet.html)   |  [AWS MXNet 深度学习容器](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#general-framework-containers) 1.6.0 或更高版本  | 
|  [XGBoost](https://sagemaker.readthedocs.io/en/stable/frameworks/xgboost/using_xgboost.html)  |  1.0-1、1.2-1、1.3-1  | 
|  [SageMaker AI 通用估算器](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html)  |  [自定义训练容器](debugger-bring-your-own-container.md)（可用于 TensorFlow PyTorch、 MXNet、 XGBoost 和手动挂钩注册）  | 
+ **调试输出张量** – 跟踪和调试模型参数，例如训练作业的权重、梯度、偏差和标量值。可用的深度学习框架有 Apache MXNet TensorFlow、 PyTorch、和。 XGBoost
**重要**  
对于带有 Keras 的 TensorFlow 框架， SageMaker Debugger 弃用了对使用 2.6 及更高版本`tf.keras`模块构建的调试模型的 TensorFlow 零代码更改支持。这是由于 [TensorFlow 2.6.0 发行](https://github.com/tensorflow/tensorflow/releases/tag/v2.6.0)说明中宣布的重大变更所致。有关如何更新训练脚本的说明，请参阅[调整您的 TensorFlow 训练脚本](debugger-modify-script-tensorflow.md)。
**重要**  
从 PyTorch v1.12.0 及更高版本开始， SageMaker Debugger 弃用了对调试模型的零代码更改支持。  
这是由于重大更改导致 SageMaker 调试器干扰`torch.jit`功能。有关如何更新训练脚本的说明，请参阅[调整您的 PyTorch 训练脚本](debugger-modify-script-pytorch.md)。

如果您要训练和调试的框架或算法未在表中列出，请前往[AWS 讨论论坛](https://forums.aws.amazon.com/)并在 D SageMaker ebugger 上留下反馈。

## AWS 区域
<a name="debugger-support-aws-regions"></a>

Amazon SageMaker Debugger 在使用 Amazon A SageMaker I 的所有地区都可用，但以下区域除外。
+ 亚太地区（雅加达）：`ap-southeast-3`

要了解您的 Amazon SageMaker AI 是否已在 AWS 区域使用，请参阅[AWS 区域服务](https://aws.amazon.com/about-aws/global-infrastructure/regional-product-services/)。

## 将 Debugger 与自定义训练容器配合使用
<a name="debugger-byoc-intro"></a>

使用调试器将您的训练容器引入 SageMaker AI，并深入了解您的训练作业。使用监控和调试功能，在 Amazon EC2 实例上优化模型，最大限度地提高工作效率。

有关如何使用 `sagemaker-debugger` 客户端库构建训练容器、将其推送到 Amazon Elastic Container Registry (Amazon ECR)，然后进行监控和调试的更多信息，请参阅[使用 Debugger 和自定义训练容器](debugger-bring-your-own-container.md)。

## 调试器开源存储库 GitHub
<a name="debugger-opensource"></a>

调试 APIs 器通过 SageMaker Python SDK 提供，旨在为 SageMaker AI 和 [ DescribeTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeTrainingJob.html)API 操作构造调试器挂钩[ CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html)和规则配置。`sagemaker-debugger` 客户端库提供工具用于注册*钩子*，并通过其*试验*功能访问训练数据，所有这些都通过灵活而强大的 API 操作来实现。它在 Python 3.6 及更高版本 XGBoost 上支持机器学习框架 TensorFlow PyTorch MXNet、、和。

有关直接介绍 Debugger 和 `sagemaker-debugger` API 操作的资源，请参阅以下链接：
+ [亚马逊 SageMaker Python 软件开发工具包文档](https://sagemaker.readthedocs.io/en/stable/amazon_sagemaker_debugger.html)
+ [亚马逊 SageMaker Python 软件开发工具包——调试器 APIs](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html)
+ [Amaz `sagemaker-debugger` on D SageMaker ebugger 开源客户端库的](https://github.com/awslabs/sagemaker-debugger#amazon-sagemaker-debugger) [Python 软件开发工具包文档](https://sagemaker-debugger.readthedocs.io/en/website/index.html)
+ [`sagemaker-debugger` PyPI](https://pypi.org/project/smdebug/)

如果您使用适用于 Java 的 SDK 执行 SageMaker 训练作业并想要配置调试器 APIs，请参阅以下参考资料：
+ [Amazon SageMaker 调试器 APIs](debugger-reference.md#debugger-apis)
+ [使用 SageMaker API 配置调试器](debugger-createtrainingjob-api.md)