Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Amazon SageMaker Debugger
Esegui il debug dei tensori di output dei modelli dai lavori di formazione sull'apprendimento automatico in tempo reale e rileva problemi non convergenti utilizzando Amazon Debugger. SageMaker
## Caratteristiche di Amazon SageMaker Debugger
Un processo di addestramento di machine learning (ML) può presentare problemi quali sovradimensionamento, saturazione delle funzioni di attivazione e riduzione dei gradienti, che possono compromettere le prestazioni del modello.
SageMaker Debugger fornisce strumenti per eseguire il debug dei lavori di formazione e risolvere tali problemi per migliorare le prestazioni del modello. Debugger offre anche strumenti per inviare avvisi quando vengono rilevate anomalie di addestramento, intraprendere azioni rispetto ai problemi e identificarne la causa principale visualizzando i parametri e i tensori raccolti.
SageMaker Debugger supporta i framework Apache,, e. MXNet PyTorch TensorFlow XGBoost Per ulteriori informazioni sui framework e sulle versioni disponibili supportate da Debugger, consultate. SageMaker [Framework e algoritmi supportati](debugger-supported-frameworks.md)
Di seguito è riportato il flusso di lavoro di Debugger di alto livello:
1. Se necessario, modifica lo script di addestramento con `sagemaker-debugger` Python SDK.
1. Configura un lavoro di SageMaker formazione con Debugger. SageMaker
+ Configura utilizzando l'API SageMaker AI Estimator (per Python SDK).
+ Configura utilizzando la [`CreateTrainingJob`richiesta SageMaker AI (per Boto3 o CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-createtrainingjob-api.html)).
+ Configura [contenitori di formazione personalizzati con Debugger](debugger-bring-your-own-container.md). SageMaker
1. Avvia un processo di addestramento e monitora i problemi di addestramento in tempo reale.
+ [Elenco delle regole integrate di Debugger](debugger-built-in-rules.md).
1. Ricevi avvisi e intraprendi azioni tempestive per risolvere i problemi di addestramento.
+ Ricevi SMS ed e-mail e interrompi i processi di addestramento quando vengono rilevati problemi di addestramento utilizzando [Utilizzo delle azioni integrate di Debugger per le regole](debugger-built-in-actions.md).
+ Configura le tue azioni utilizzando [Amazon CloudWatch Events e AWS Lambda](debugger-cloudwatch-lambda.md).
1. Esplora un'analisi approfondita dei problemi di addestramento.
+ Per il debug dei tensori di output del modello, consulta [Visualizza i tensori di output del Debugger in TensorBoard](debugger-enable-tensorboard-summaries.md).
1. Risolvi i problemi, prendi in considerazione i suggerimenti forniti da Debugger e ripeti le fasi da 1 a 5 fino a ottimizzare il modello e raggiungere la precisione desiderata.
La guida per sviluppatori SageMaker Debugger illustra i seguenti argomenti.
**Topics**
+ [Caratteristiche di Amazon SageMaker Debugger](#debugger-features)
+ [Framework e algoritmi supportati](debugger-supported-frameworks.md)
+ [Architettura Amazon SageMaker Debugger](debugger-how-it-works.md)
+ [Tutorial di Debugger](debugger-tutorial.md)
+ [Processi di formazione per il debug con Amazon Debugger SageMaker](debugger-debug-training-jobs.md)
+ [Elenco delle regole integrate di Debugger](debugger-built-in-rules.md)
+ [Creazione di regole personalizzate utilizzando la libreria client di Debugger](debugger-custom-rules.md)
+ [Utilizzo di Debugger con container di addestramento personalizzati](debugger-bring-your-own-container.md)
+ [Configurazione del debugger tramite l'API SageMaker](debugger-createtrainingjob-api.md)
+ [Riferimenti Amazon SageMaker Debugger](debugger-reference.md)