As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Vídeos tutoriais do Depurador
Tutoriais em vídeo

Os vídeos a seguir fornecem um tour pelos recursos do Amazon SageMaker Debugger usando instâncias de notebook SageMaker Studio e SageMaker AI. 

**Topics**
+ [

## Modelos de depuração com o Amazon SageMaker Debugger no Studio Classic
](#debugger-video-get-started)
+ [

## Mergulhe profundamente no Amazon SageMaker Debugger e SageMaker no monitor de modelos de IA
](#debugger-video-dive-deep)

## Modelos de depuração com o Amazon SageMaker Debugger no Studio Classic
Vídeo de conceitos básicos do Depurador no Studio Classic

*Julien Simon, Evangelista AWS Técnico \$1 Duração: 14 minutos 17 segundos*

Este vídeo tutorial demonstra como usar o Amazon SageMaker Debugger para capturar e inspecionar informações de depuração de um modelo de treinamento. O exemplo de modelo de treinamento usado neste vídeo é uma rede neural convolucional simples (CNN) baseada em Keras com o back-end. TensorFlow SageMaker A IA em uma TensorFlow estrutura e o Debugger permitem que você crie um estimador diretamente usando o script de treinamento e depure o trabalho de treinamento.

[![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)


É possível encontrar o caderno de exemplo no vídeo [neste repositório de demonstrações do Studio](https://gitlab.com/juliensimon/amazon-studio-demos/-/tree/master) fornecido pelo autor. Você precisa clonar o arquivo do `debugger.ipynb` notebook e o script de `mnist_keras_tf.py` treinamento no seu SageMaker Studio ou em uma instância do SageMaker notebook. Depois de clonar os dois arquivos, especifique o caminho `keras_script_path` para o arquivo `mnist_keras_tf.py` dentro do caderno `debugger.ipynb`. Por exemplo, se você clonou os dois arquivos no mesmo diretório, defina-o como `keras_script_path = "mnist_keras_tf.py"`.

## Mergulhe profundamente no Amazon SageMaker Debugger e SageMaker no monitor de modelos de IA
Vídeo de introdução com o Debugger e o Model Monitor SageMaker

*Julien Simon, Evangelista AWS Técnico \$1 Duração: 44 minutos 34 segundos*

Esta sessão de vídeo explora os recursos avançados do Debugger e do SageMaker Model Monitor que ajudam a aumentar a produtividade e a qualidade de seus modelos. Primeiro, esse vídeo mostra como detectar e corrigir problemas de treinamento, visualizar tensores e aprimorar modelos com o Debugger. A seguir, às 22:41, o vídeo mostra como monitorar modelos em produção e identificar problemas de previsão, como recursos ausentes ou desvio de dados, usando o AI Model Monitor. SageMaker Por fim, ele oferece dicas de otimização de custos para ajudá-lo a aproveitar ao máximo seu orçamento de machine learning.

[![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)


É possível encontrar o caderno de exemplo do vídeo [neste repositório do Dev Days 2020 da AWS](https://gitlab.com/juliensimon/awsdevdays2020/-/tree/master/mls1) oferecido pelo autor.