Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Amazon SageMaker Debugger
Depure los tensores de salida de los modelos de los trabajos de formación en aprendizaje automático en tiempo real y detecte problemas no convergentes con Amazon Debugger. SageMaker
## Características de Amazon SageMaker Debugger
Es posible que un trabajo de entrenamiento sobre el machine learning (ML) presente problemas de sobreajuste, saturación de las funciones de activación y desaparición de los gradientes, lo cual podría comprometer el desempeño del modelo.
SageMaker Debugger proporciona herramientas para depurar los trabajos de entrenamiento y resolver estos problemas a fin de mejorar el rendimiento del modelo. El depurador también ofrece herramientas capaces de enviar alertas en caso de detectar anomalías durante el entrenamiento, tomar medidas para resolver los problemas e identificar la causa raíz de los mismos mediante la visualización de las métricas y los tensores recopilados.
SageMaker Debugger es compatible con los marcos Apache MXNet PyTorch y XGBoost. TensorFlow Para obtener más información sobre los marcos disponibles y las versiones compatibles SageMaker con Debugger, consulte. [Marcos y algoritmos compatibles](debugger-supported-frameworks.md)
El flujo de trabajo del depurador de alto nivel es el siguiente:
1. Modifique su script de entrenamiento con el Python SDK del `sagemaker-debugger` si es necesario.
1. Configure un trabajo SageMaker de formación con SageMaker Debugger.
+ Configure mediante la API SageMaker AI Estimator (para Python SDK).
+ Configure mediante la [`CreateTrainingJob`solicitud de SageMaker IA (para Boto3 o CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-createtrainingjob-api.html)).
+ Configure [contenedores de entrenamiento personalizados con Debugger](debugger-bring-your-own-container.md) SageMaker .
1. Inicie un trabajo de entrenamiento y supervise los problemas de entrenamiento en tiempo real.
+ [Lista de reglas integradas del depurador](debugger-built-in-rules.md).
1. Reciba alertas y tome medidas rápidas en caso de problemas relacionados con el entrenamiento.
+ Reciba mensajes de texto y correos electrónicos y detenga los trabajos de entrenamiento en caso de que se hayan detectado problemas de entrenamiento con [Uso de las acciones integradas del depurador para reglas](debugger-built-in-actions.md).
+ Configure sus propias acciones con [Amazon CloudWatch Events y AWS Lambda](debugger-cloudwatch-lambda.md).
1. Conozca detalladamente el análisis de los problemas de entrenamiento.
+ Para depurar los tensores de salida del modelo, consulte [Visualice los tensores de salida del depurador en TensorBoard](debugger-enable-tensorboard-summaries.md).
1. Solucione los problemas, tenga en cuenta las sugerencias proporcionadas por el depurador y repita los pasos 1 a 5 hasta optimizar el modelo y lograr la precisión deseada.
La guía para desarrolladores de SageMaker Debugger explica los siguientes temas.
**Topics**
+ [Características de Amazon SageMaker Debugger](#debugger-features)
+ [Marcos y algoritmos compatibles](debugger-supported-frameworks.md)
+ [Arquitectura Amazon SageMaker Debugger](debugger-how-it-works.md)
+ [Tutoriales del depurador](debugger-tutorial.md)
+ [Depuración de trabajos de formación con Amazon SageMaker Debugger](debugger-debug-training-jobs.md)
+ [Lista de reglas integradas del depurador](debugger-built-in-rules.md)
+ [Creación de reglas personalizadas mediante la biblioteca cliente del depurador](debugger-custom-rules.md)
+ [Uso del depurador con contenedores de entrenamiento personalizados](debugger-bring-your-own-container.md)
+ [Configurar el depurador mediante SageMaker la API](debugger-createtrainingjob-api.md)
+ [Referencias de Amazon SageMaker Debugger](debugger-reference.md)