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。

# Amazon P SageMaker rofiler
<a name="train-use-sagemaker-profiler"></a>


|  | 
| --- |
| Amazon SageMaker Profiler 目前处于预览版，在支持 AWS 区域中免费提供。Amazon SageMaker Profiler 的正式版本（如果有）可能包含与预览版中提供的功能和定价不同的功能和价格。 | 

Amazon SageMaker Profiler 是 Amazon SageMaker AI 的一项功能，它可以详细了解在 AI 上 SageMaker 训练深度学习模型期间配置的 AWS 计算资源。它侧重于分析 CPU 和 GPU 使用率、内核在 GPU 上运行、在 CPU 上启动内核、同步操作、CPU 和 GPU 之间的内存操作、内核启动和相应运行之间的延迟，以及 CPU 和 GPU 之间的数据传输。 SageMaker Profiler 还提供可视化*配置文件的*用户界面 (UI)、已分析事件的统计摘要以及用于跟踪和理解 GPU 和 CPU 之间事件的时间关系的训练作业时间表。

**注意**  
SageMaker Profiler 支持 PyTorch [ SageMaker 人工智能的 Dee AWS p Learning Containers， TensorFlow 并且可以在该容器](https://github.com/aws/deep-learning-containers/blob/master/available_images.md#sagemaker-framework-containers-sm-support-only)中使用。要了解更多信息，请参阅[支持的框架映像， AWS 区域，以及实例类型](profiler-support.md)。

**对于数据科学家**

在大型计算集群上训练深度学习模型通常会遇到计算优化问题，例如瓶颈、内核启动延迟、内存限制和资源利用率低。

要确定此类计算性能问题，您需要更深入地分析计算资源，了解哪些内核会带来延迟，哪些操作会导致瓶颈。数据科学家可以从使用 SageMaker Profiler 用户界面可视化训练作业的详细配置文件中受益。UI 提供了一个带摘要图表的控制面板和一个时间线界面，以便跟踪计算资源上的每个事件。数据科学家还可以使用 P SageMaker rofiler Python 模块添加自定义注释，以跟踪训练作业的某些部分。

**对于管理员**

如果您是 AWS 账户或 SageMaker AI 域的管理员，则可以通过 [SageMaker AI 控制台或 AI 域](https://docs.aws.amazon.com/sagemaker/latest/dg/sm-domain.html)中的 Profiler 登录页面管理 Profiler 应用程序用户。 SageMaker 每个域用户均能使用授予的权限访问其探查器应用程序。作为 A SageMaker I 域管理员和域用户，您可以根据自己的权限级别创建和删除 Profiler 应用程序。

**Topics**
+ [支持的框架映像， AWS 区域，以及实例类型](profiler-support.md)
+ [SageMaker Profiler 的先决条件](profiler-prereq.md)
+ [使用 P SageMaker rofiler 准备和运行训练作业](profiler-prepare.md)
+ [打开 SageMaker Profiler 用户界面应用程序](profiler-access-smprofiler-ui.md)
+ [浏览在 Profiler 用户界面中可视化的 SageMaker 配置文件输出数据](profiler-explore-viz.md)
+ [SageMaker Profiler 疑难解答](profiler-faq.md)