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. # Notas de lançamento sobre os recursos de depuração do Amazon AI SageMaker Consulte as notas de lançamento a seguir para acompanhar as atualizações mais recentes dos recursos de depuração do Amazon AI. SageMaker ## 21 de dezembro de 2023 **Novos recursos** Lançou uma funcionalidade de depuração remota, um novo recurso de depuração da SageMaker IA que oferece acesso em nível de shell aos contêineres de treinamento. Com esta versão, você pode depurar trabalhos de treinamento fazendo login nos contêineres de trabalhos executados em instâncias de SageMaker AI ML. Para saber mais, consulte [Acesse um contêiner de treinamento por meio de AWS Systems Manager para depuração remota](train-remote-debugging.md). ## 7 de setembro de 2023 **Novos atributos** Foi adicionado um novo módulo utilitário `sagemaker.interactive_apps.tensorboard.TensorBoardApp` que fornece uma função chamada `get_app_url()`. A `get_app_url()` função gera URLs não assinadas ou pré-assinadas para abrir o TensorBoard aplicativo em qualquer ambiente no SageMaker AI ou no Amazon EC2. Dessa forma, será fornecida uma experiência unificada tanto para usuários do Studio Classic e da versão não Classic. Para o ambiente Studio Classic, você pode abrir TensorBoard executando a `get_app_url()` função como ela está ou também pode especificar um nome de trabalho para iniciar o rastreamento quando o TensorBoard aplicativo for aberto. Para ambientes que não sejam do Studio Classic, você pode abrir TensorBoard fornecendo as informações do seu domínio para a função do utilitário. Com essa funcionalidade, independentemente de onde ou como você executa o código de treinamento e inicia trabalhos de treinamento, você pode acessar diretamente TensorBoard executando a `get_app_url` função em seu notebook ou terminal Jupyter. Essa funcionalidade está disponível no SageMaker Python SDK v2.184.0 e versões posteriores. Para obter mais informações, consulte [Acessando o TensorBoard aplicativo na SageMaker IA](debugger-htb-access-tb.md). ## 4 de abril de 2023 **Novos recursos** SageMaker AI lançado com TensorBoard, um recurso que TensorBoard hospeda em SageMaker IA. TensorBoard está disponível como um aplicativo por meio do domínio de SageMaker IA, e a plataforma de treinamento de SageMaker IA suporta a coleta TensorBoard de dados de saída para o S3 e o carregamento automático deles no servidor hospedado TensorBoard na SageMaker IA. Com esse recurso, você pode executar trabalhos de treinamento configurados com redatores de TensorBoard resumo em SageMaker IA, salvar os arquivos de TensorBoard saída no Amazon S3, abrir o TensorBoard aplicativo diretamente do console de SageMaker IA e carregar os arquivos de saída usando o plug-in SageMaker AI Data Manager implementado na interface hospedada TensorBoard . Você não precisa instalar TensorBoard manualmente e hospedar localmente nos IDEs de SageMaker IA ou na máquina local. Para saber mais, consulte [TensorBoard na Amazon SageMaker AI](tensorboard-on-sagemaker.md). ## 16 de março de 2023 **Notas sobre a substituição** SageMaker O depurador desaprova o recurso de criação de perfil da estrutura a partir da versão 2.11 e 2.0. TensorFlow PyTorch Você ainda pode usar o atributo nas versões anteriores das estruturas e dos SDKs da seguinte maneira: + SageMaker SDK para Python <= v2.130.0 + PyTorch >= v1.6.0, < v2.0 + TensorFlow >= v2.3.1, < v2.11 Com a descontinuação, o SageMaker Debugger também interrompe o suporte aos três seguintes para criação de perfil de estrutura. `ProfilerRules` + [MaxInitializationTime](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-built-in-rules.html#max-initialization-time) + [OverallFrameworkMetrics](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-built-in-rules.html#overall-framework-metrics) + [StepOutlier](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-built-in-rules.html#step-outlier) ## 21 de fevereiro de 2023 **Outras alterações** + A guia de relatório do XGBoost foi removida do painel do profiler do SageMaker Debugger. Você ainda pode acessar o relatório do XGBoost baixando-o como um caderno Jupyter ou um arquivo HTML. Para obter mais informações, consulte o relatório de treinamento do [SageMaker Debugger XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-report-xgboost.html). + A partir desta versão, as regras integradas do profiler não são ativadas por padrão. Para usar as regras do SageMaker Debugger Profiler para detectar determinados problemas computacionais, você precisa adicionar as regras ao configurar um iniciador de tarefas de treinamento. SageMaker ## 1º de dezembro de 2020 O Amazon SageMaker Debugger lançou recursos profundos de criação de perfil no re:Invent 2020. ## 3 de dezembro de 2019 O Amazon SageMaker Debugger foi lançado inicialmente no re:Invent 2019.