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。

# Debugger 教程视频
<a name="debugger-videos"></a>

以下视频介绍了使用 SageMaker Studio 和 A SageMaker I 笔记本实例的 Amazon SageMaker 调试器功能。

**Topics**
+ [在 Studio Classic 中使用亚马逊 SageMaker 调试器调试模型](#debugger-video-get-started)
+ [深入了解 Amazon SageMaker Debugger 和 SageMaker AI 模型监视器](#debugger-video-dive-deep)

## 在 Studio Classic 中使用亚马逊 SageMaker 调试器调试模型
<a name="debugger-video-get-started"></a>

* AWS 技术传播者朱利安·西蒙 \$1 时长：14 分 17 秒*

本教程视频演示了如何使用 Amazon SageMaker Debugger 捕获和检查训练模型中的调试信息。本视频中使用的示例训练模型是一个基于带有后端的 Keras 的简单卷积神经网络 (CNN)。 TensorFlow SageMaker TensorFlow 框架中的 AI 和调试器使您能够使用训练脚本直接构建估算器并调试训练作业。

[![AWS Videos](http://img.youtube.com/vi/https://www.youtube.com/embed/MqPdTj0Znwg/0.jpg)](http://www.youtube.com/watch?v=https://www.youtube.com/embed/MqPdTj0Znwg)


您可以在作者提供的[该 Studio 演示存储库](https://gitlab.com/juliensimon/amazon-studio-demos/-/tree/master)中找到该视频中的示例笔记本。您需要将`debugger.ipynb`笔记本文件和`mnist_keras_tf.py`训练脚本克隆到 SageMaker Studio 或 SageMaker 笔记本实例。在克隆这两个文件后，请指定 `debugger.ipynb` 笔记本中的 `mnist_keras_tf.py` 文件的 `keras_script_path` 路径。例如，如果您将两个文件克隆到同一目录中，请将其设置为 `keras_script_path = "mnist_keras_tf.py"`。

## 深入了解 Amazon SageMaker Debugger 和 SageMaker AI 模型监视器
<a name="debugger-video-dive-deep"></a>

* AWS 技术传播者朱利安·西蒙 \$1 时长：44 分 34 秒*

本视频会议探讨了调试器和 SageMaker 模型监视器的高级功能，这些功能有助于提高工作效率和模型质量。首先，此视频说明了如何使用 Debugger 检测和修复训练问题，对张量进行可视化以及改进模型。接下来，在 22:41，视频展示了如何使用 SageMaker AI Model Monitor 监控生产中的模型并识别预测问题，例如缺少特征或数据漂移。最后，它提供了成本优化技巧，以帮助您充分利用机器学习预算。

[![AWS Videos](http://img.youtube.com/vi/https://www.youtube.com/embed/0zqoeZxakOI/0.jpg)](http://www.youtube.com/watch?v=https://www.youtube.com/embed/0zqoeZxakOI)


您可以在作者提供的此 [AWS Dev Days 2020 存储库](https://gitlab.com/juliensimon/awsdevdays2020/-/tree/master/mls1)中找到视频中的示例笔记本。