Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

# Liste der im Debugger integrierten Profiler-Regeln
<a name="debugger-built-in-profiler-rules"></a>

**Anmerkung**  
Hinweis zum Ende des Supports: Am 30. Juni 2027 AWS wird der Support für Amazon Profiler eingestellt. SageMaker Nach dem 30. Juni 2027 können Sie nicht mehr auf die Profiler-Konsole oder die Profiler-Ressourcen zugreifen. Weitere Informationen finden Sie unter [Änderung der Profiler-Verfügbarkeit](profiler-availability-change.md).

Verwenden Sie die von Amazon Debugger bereitgestellten integrierten Profiler-Regeln für den SageMaker Debugger und analysieren Sie die beim Training Ihrer Modelle gesammelten Metriken. Die in den Debugger integrierten Regeln überwachen verschiedene allgemeine Bedingungen, die für die erfolgreiche Durchführung eines performanten Trainingsauftrags entscheidend sind. Sie können die integrierten Profiler-Regeln mithilfe des [ Amazon SageMaker Python SDK ](https://sagemaker.readthedocs.io/en/stable) oder der Low-Level-API-Operationen aufrufen. SageMaker Für die Nutzung der integrierten Regeln fallen keine zusätzlichen Kosten an. Weitere Informationen zur Abrechnung finden Sie auf der [ SageMaker ](https://aws.amazon.com/sagemaker/pricing/) Amazon-Preisseite.

**Anmerkung**  
Die maximale Anzahl an integrierten Profiler-Regeln, die Sie einem Trainingsjob zuordnen können, ist 20. SageMaker Der Debugger verwaltet die integrierten Regeln vollständig und analysiert Ihren Trainingsjob synchron.

**Wichtig**  
Um die neuen Debugger-Funktionen nutzen zu können, müssen Sie das SageMaker Python-SDK und die SMDebug-Clientbibliothek aktualisieren. Führen Sie in Ihrem IPython-Kernel, Jupyter-Notebook oder Ihrer JupyterLab Umgebung den folgenden Code aus, um die neuesten Versionen der Bibliotheken zu installieren und den Kernel neu zu starten.  

```
import sys
import IPython
!{sys.executable} -m pip install -U sagemaker smdebug
IPython.Application.instance().kernel.do_shutdown(True)
```

## Profiler-Regeln
<a name="debugger-built-in-profiler-rules-ProfilerRule"></a>

Die folgenden Regeln sind die integrierten Debuger-Regeln, die mit der `ProfilerRule.sagemaker` Klassenmethode aufgerufen werden können.

Integrierte Debuger-Regel für die Generierung des Profilerstellungsberichts


| Gültigkeitsbereich | Built-in Regeln | 
| --- | --- | 
| Bericht zur Profilerstellung für jeden SageMaker Ausbildungsberuf |  +  `ProfilerReport`   | 

In den Debugger integrierte Regeln für die Erstellung von Profilen der Hardware-Systemressourcennutzung (Systemmetriken)


| Gültigkeitsbereich | Built-in Regeln | 
| --- | --- | 
| Allgemeine Regeln zur Systemüberwachung für jeden SageMaker Ausbildungsberuf |  +  `BatchSize` <br />+  `CPUBottleneck` <br />+  `GPUMemoryIncrease` <br />+  `IOBottleneck` <br />+  `LoadBalancing` <br />+  `LowGPUUtilization` <br />+  `OverallSystemUsage`   | 

Integrierte Debugging-Regeln für die Profilerstellung von Framework-Metriken


| Gültigkeitsbereich | Built-in Regeln | 
| --- | --- | 
| Regeln zur Profilerstellung für Deep-Learning-Frameworks (TensorFlow und PyTorch) |  +  `MaxInitializationTime` <br />+  `OverallFrameworkMetrics` <br />+  `StepOutlier`   | 

**Warnung**  
Zu Gunsten von [ Amazon SageMaker Profiler ](train-use-sagemaker-profiler.md) macht SageMaker AI Debugger die Framework-Profiling-Funktion ab 2.11 und 2.0 veraltet. TensorFlow PyTorch Sie können die Funktion in den vorherigen Versionen der Frameworks und SDKs weiterhin wie folgt verwenden.   
SageMaker Python SDK <= v2.130.0
PyTorch >= v1.6.0, < v2.0
TensorFlow >= v2.3.1, < v2.11
Siehe auch [16. März 2023](debugger-release-notes.md#debugger-release-notes-20230315).

**Verwenden Sie das folgende Konfigurationsformat, um die integrierten Regeln mit Standardparameterwerten** zu verwenden:

```
from sagemaker.core.debugger import Rule, ProfilerRule, rule_configs

rules = [
    ProfilerRule.sagemaker(rule_configs.{{BuiltInRuleName_1}}()),
    ProfilerRule.sagemaker(rule_configs.{{BuiltInRuleName_2}}()),
    ...
    ProfilerRule.sagemaker(rule_configs.{{BuiltInRuleName_n}}())
]
```

**Um die integrierten Regeln mit individuellen Parameterwerten zu verwenden**, verwenden Sie das folgende Konfigurationsformat:

```
from sagemaker.core.debugger import Rule, ProfilerRule, rule_configs

rules = [
    ProfilerRule.sagemaker(
        base_config=rule_configs.{{BuiltInRuleName}}(),
        rule_parameters={
                "{{key}}": "{{value}}"
        }
    )
]
```

Die verfügbaren Schlüssel für den Parameter `rule_parameters` finden Sie in den Tabellen mit den Parameterbeschreibungen.

Unter den Tabellen mit den Parameterbeschreibungen finden Sie für jede integrierte Regel Beispielkonfigurationscodes.
+ Eine vollständige Anleitung und Beispiele für die Verwendung der in den Debugger integrierten Regeln finden Sie unter [Beispielcode für integrierte Debugger-Regeln](debugger-built-in-rules-example.md#debugger-deploy-built-in-rules).
+ Eine vollständige Anleitung zur Verwendung der integrierten Regeln mit den SageMaker Low-Level-API-Vorgängen finden Sie unter. [Debugger mithilfe SageMaker der API konfigurieren](debugger-createtrainingjob-api.md)

## ProfilerReport
<a name="profiler-report"></a>

Die ProfilerReport Regel ruft alle integrierten Regeln für Überwachung und Profilerstellung auf. Sie erstellt einen Profilerstellungsbericht und aktualisiert, wenn die einzelnen Regeln ausgelöst werden. Sie können einen umfassenden Profilerstellungsbericht herunterladen, während ein Trainingsauftrag ausgeführt wird oder nachdem der Trainingsauftrag abgeschlossen ist. Sie können die Werte der Regelparameter anpassen, um die Sensitivität der integrierten Überwachungs- und Profilerstellungsregeln anzupassen. Der folgende Beispielcode zeigt das grundlegende Format für die Anpassung der integrierten Regelparameter mithilfe der ProfilerReport Regel.

```
rules=[
    ProfilerRule.sagemaker(
        rule_configs.ProfilerReport(
            {{<BuiltInRuleName>}}_{{<parameter_name>}} = {{value}}
        )
    )  
]
```

Wenn Sie diese ProfilerReport Regel ohne einen benutzerdefinierten Parameter auslösen, wie im folgenden Beispielcode gezeigt, löst die ProfilerReport Regel alle integrierten Regeln für Überwachung und Profilerstellung mit ihren Standardparameterwerten aus.

```
rules=[ProfilerRule.sagemaker(rule_configs.ProfilerReport())]
```

Der folgende Beispielcode zeigt, wie Sie die Parameter der CPUBottleneck-Regel `cpu_threshold` und die Parameter der IOBottleneck-Regel `threshold` angeben und anpassen.

```
rules=[
    ProfilerRule.sagemaker(
        rule_configs.ProfilerReport(
            {{CPUBottleneck_cpu_threshold}} = {{90}},
            {{IOBottleneck_threshold}} = {{90}}
        )
    )  
]
```

Weitere Informationen zum Inhalt des Profiler-Berichts finden Sie unter [ SageMaker Debugger-Profiling-Bericht. ](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-profiling-report.html) Da diese Regel alle Profilerstellungsregeln aktiviert, können Sie den Status der Regelanalyse auch mithilfe der [ SageMaker Debugger-Benutzeroberfläche in Studio Experiments überprüfen. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-on-studio.html)

Parameterbeschreibungen für die Regel OverallSystemUsage 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| <BuiltInRuleName>\_<parameter\_name> | Anpassbarer Parameter zur Anpassung der Schwellenwerte anderer integrierter Überwachungs- und Profilerstellungsregeln. <br />**Optional**<br />Standardwert: `None` | 

## BatchSize
<a name="batch-size-rule"></a>

Die BatchSize Regel hilft bei der Erkennung, ob die GPU aufgrund einer geringen Batchgröße nicht ausgelastet ist. Um dieses Problem zu erkennen, überwacht diese Regel die durchschnittliche CPU-Auslastung, GPU-Auslastung und GPU-Speicherauslastung. Wenn die Auslastung von CPU-, GPU- und GPU-Speicher im Durchschnitt gering ist, kann dies darauf hindeuten, dass der Trainingsauftrag entweder auf einem kleineren Instance-Typ oder mit einer größeren Batchgröße ausgeführt werden kann. Diese Analyse funktioniert nicht für Frameworks, die Speicherplatz stark überlasten. Eine Erhöhung der Batchgröße kann jedoch zu Engpässen bei der Verarbeitung oder beim Laden von Daten führen, da bei jeder Iteration mehr Zeit für die Datenvorverarbeitung erforderlich ist.

Parameterbeschreibungen für die Regel BatchSize 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| cpu\_threshold\_p95 | Definiert den Schwellenwert für das 95. Quantil der CPU-Auslastung in Prozent.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `70` (in Prozent) | 
| gpu\_threshold\_p95 | Definiert den Schwellenwert für das 95. Quantil der GPU-Auslastung in Prozent.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `70` (in Prozent) | 
| gpu\_memory\_threshold\_p95 | Definiert den Schwellenwert für das 95. Quantil der GPU-Speicherauslastung in Prozent.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `70` (in Prozent) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `100` | 
| window | Fenstergröße für die Berechnung von Quantilen.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `500` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## CPU-Engpass
<a name="cpu-bottleneck"></a>

Die CPUBottleneck-Regel hilft zu erkennen, ob die GPU aufgrund von CPU-Engpässen nicht ausgelastet ist. Die Regel gibt True zurück, wenn die Anzahl der CPU-Engpässe einen vordefinierten Schwellenwert überschreitet.

Parameterbeschreibungen für die CPUBottleneck-Regel


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| threshold | Definiert den Schwellenwert für das Verhältnis der Engpasszeit zur gesamten Trainingszeit. Wenn der Anteil den für den Schwellenwertparameter angegebenen Prozentsatz übersteigt, setzt die Regel den Status der Regel auf True.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `50` (in Prozent) | 
| gpu\_threshold | Ein Schwellenwert, der eine geringe GPU-Auslastung definiert.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `10` (in Prozent) | 
| cpu\_threshold | Ein Schwellenwert, der eine hohe CPU-Auslastung definiert.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `90` (in Prozent) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `100` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## GPUMemoryIncrease
<a name="gpu-memory-increase"></a>

Die GPUMemoryIncrease Regel hilft dabei, einen starken Anstieg der Speicherauslastung auf GPUs zu erkennen.

Parameterbeschreibungen für die Regel GPUMemoryIncrease 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| increase | Definiert den Schwellenwert für die absolute Speicherzunahme.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `10` (in Prozent) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `100` | 
| window | Fenstergröße für die Berechnung von Quantilen.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `500` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## IOBottleneck
<a name="io-bottleneck"></a>

Diese Regel hilft zu erkennen, ob die GPU aufgrund von Daten-IO-Engpässen nicht ausreichend ausgelastet ist. Die Regel gibt True zurück, wenn die Anzahl der IO-Engpässe einen vordefinierten Schwellenwert überschreitet.

Parameterbeschreibungen für die IOBottleneck-Regel


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| threshold | Definiert den Schwellenwert, ab dem Rule True zurückgibt.**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `50` (in Prozent) | 
| gpu\_threshold | Ein Schwellenwert, der definiert, wann die GPU als nicht ausgelastet gilt.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `70` (in Prozent) | 
| io\_threshold | Ein Schwellenwert, der eine hohe IO-Wartezeit definiert.**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `50` (in Prozent) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `1000` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## LoadBalancing
<a name="load-balancing"></a>

Die LoadBalancing Regel hilft bei der Erkennung von Problemen beim Workload-Balancing zwischen mehreren GPUs.

Parameterbeschreibungen für die Regel LoadBalancing 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| threshold | Definiert den Prozentsatz der Arbeitslast.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `0.5` (Anteil ohne Einheit) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `10` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## Niedrige GPU-Auslastung
<a name="low-gpu-utilization"></a>

Die Regel LowGpuUtilization hilft zu erkennen, ob die GPU-Auslastung gering ist oder Schwankungen unterliegt. Dies wird für jede GPU auf jedem Worker überprüft. Die Regel gibt True zurück, wenn das 95. Quantil unter threshold\_p95 liegt, was auf eine Unterauslastung hinweist. Die Regel gibt true zurück, wenn das 95. Quantil über Threshold\_p95 und das 5. Quantil unter Threshold\_p5 liegt, was auf Schwankungen hinweist.

Parameterbeschreibungen für die LowGPUUtilization-Regel


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| threshold\_p95 | Ein Schwellenwert für das 95. Quantil, bei dessen Unterschreitung die GPU als nicht ausgelastet gilt.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `70` (in Prozent) | 
| threshold\_p5 | Ein Schwellenwert für das 5. Quantil. Der Standardwert ist 10 Prozent.**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `10` (in Prozent) | 
| patience | Definiert die Anzahl der Datenpunkte, mit denen übersprungen werden soll, bis die Regel mit der Auswertung beginnt. In den ersten Schritten von Trainingsauftrages ist in der Regel ein hohes Volumen an Datenprozessen zu verzeichnen. Halten Sie die Regel also geduldig und verhindern Sie, dass sie mit einer bestimmten Anzahl von Profilerstellungsdaten, die Sie mit diesem Parameter angeben, zu früh aufgerufen wird.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `1000` | 
| window | Fenstergröße für die Berechnung von Quantilen.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `500` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## OverallSystemUsage
<a name="overall-system-usage"></a>

Die OverallSystemUsage Regel misst die Gesamtsystemnutzung pro Worker-Knoten. Die Regel aggregiert derzeit nur Werte pro Knoten und berechnet deren Perzentile.

Parameterbeschreibungen für die OverallSystemUsage Regel


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| scan\_interval\_us | Zeitintervall zum Scannen von Timeline-Dateien.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## MaxInitializationTime
<a name="max-initialization-time"></a>

Die MaxInitializationTime Regel hilft zu erkennen, ob die Initialisierung des Trainings zu viel Zeit in Anspruch nimmt. Die Regel wartet, bis der erste Schritt verfügbar ist.

Parameterbeschreibungen für die Regel MaxInitializationTime 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| threshold | Definiert den Schwellenwert in Minuten, bis der erste Schritt verfügbar ist.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `20` (in Minuten) | 
| scan\_interval\_us | Zeitintervall, mit dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## OverallFrameworkMetrics
<a name="overall-framework-metrics"></a>

Die OverallFrameworkMetrics Regel fasst die Zeit zusammen, die für Framework-Metriken wie Vorwärts- und Rückwärtspass und das Laden von Daten aufgewendet wurde.

Parameterbeschreibungen für die Regel OverallFrameworkMetrics 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| scan\_interval\_us | Zeitintervall zum Scannen von Timeline-Dateien.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) | 

## StepOutlier
<a name="step-outlier"></a>

Die StepOutlier Regel hilft dabei, Ausreißer in der Schrittdauer zu erkennen. Diese Regel gibt zurück `True` wenn es Ausreißer gibt, deren Schrittdauer größer als `stddev` Sigmas der gesamten Schrittdauer in einem Zeitraum ist.

Parameterbeschreibungen für die Regel StepOutlier 


| Name des Parameters | Description | 
| --- | --- | 
| base\_trial | Der Name des Basis-Probe-Training-Jobs. Dieser Parameter wird von Amazon SageMaker Debugger automatisch auf den aktuellen Trainingsjob gesetzt.<br />**Erforderlich**<br />Zulässige Werte: String | 
| stddev | Definiert einen Faktor, mit dem die Standardabweichung multipliziert werden soll. Die Regel wird beispielsweise standardmäßig aufgerufen, wenn eine Schrittdauer größer oder kleiner als das Fünffache der Standardabweichung ist. <br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `5` (in Minuten) | 
| mode | Modus, in dem die Schritte gespeichert wurden und in dem die Regel ausgeführt werden soll. Standardmäßig wird die Regel für Schritte aus der EVAL- und TRAIN-Phase ausgeführt**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `5` (in Minuten) | 
| n\_outliers | Wie viele Ausreißer müssen ignoriert werden, bevor die Regel True zurückgibt**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwert: `10` | 
| scan\_interval\_us | Zeitintervall, in dem Timeline-Dateien gescannt werden.<br />**Optional**<br />Gültige Werte: Ganzzahl<br />Standardwerte: `60000000` (in Mikrosekunden) |