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 调试功能的发行说明 SageMaker
请参阅以下发行说明，了解有关 Amazon 调试功能的最新更新 SageMaker。
2023 年 12 月 21 日
新功能
发布了远程调试功能，该功能的新调试功能 SageMaker 使您可以通过 shell 级别访问训练容器。在此版本中，您可以通过登录 SageMaker 机器学习实例上运行的作业容器来调试训练作业。要了解更多信息，请参阅 通过访问训练容器 AWS Systems Manager 进行远程调试。
2023 年 9 月 7 日
新功能
添加了一个新的实用程序模块 sagemaker.interactive_apps.tensorboard.TensorBoardApp，该模块提供了名为 get_app_url() 的函数。该get_app_url()函数生成未签名或预签名的函数URLs，以便在或 SageMaker Amazon 的任何环境中打开 TensorBoard 应用程序。EC2这是为了为 Studio Classic 和非 Studio Classic 用户提供统一的体验。对于 Studio Classic 环境，您可以 TensorBoard 按原样运行get_app_url()函数来打开，也可以指定作业名称以便在 TensorBoard 应用程序打开时开始跟踪。对于非 Studio Classic 环境，您可以 TensorBoard 通过向实用程序函数提供域名信息来打开。有了此功能，无论您在何处或以何种方式运行训练代码和启动训练作业，都可以 TensorBoard 通过在 Jupyter 笔记本或终端中运行该get_app_url功能来直接访问。此功能在 SageMaker Python 版本 SDK 2.184.0 及更高版本中可用。有关更多信息，请参阅 在上访问 TensorBoard 应用程序 SageMaker。
2023 年 4 月 4 日
新功能
发布 SageMaker 时附带 TensorBoard一项可托管 TensorBoard 的功能 SageMaker。 TensorBoard 可通过 SageMaker 域作为应用程序使用， SageMaker培训平台支持将 TensorBoard 输出数据收集到 S3 并将其自动加载到托管 TensorBoard 的 SageMaker。借助此功能，您可以运行使用 TensorBoard 摘要编写器设置的训练作业 SageMaker，将 TensorBoard输出文件保存在 Amazon S3 中，直接从 SageMaker控制台打开 TensorBoard 应用程序，以及使用托管 TensorBoard 界面实现的 SageMaker Data Manager 插件加载输出文件。您无需 TensorBoard 手动安装，也无需在本地 SageMaker IDEs或本地计算机上进行托管。要了解更多信息，请参阅 TensorBoard 在亚马逊 SageMaker。
2023 年 3 月 16 日
弃用说明
SageMaker 从 2.11 和 TensorFlow 2.0 开始，调试器已弃用框架分析功能。 PyTorch 您仍然可以在先前版本的框架中使用该功能，SDKs如下所示。
-
SageMaker Python SDK <= v2.130.0
-
PyTorch >= v1.6.0，< v2.0
-
TensorFlow >= v2.3.1，< v2.11
弃用后， SageMaker Debugger 还将停止支持以下三种框架分析ProfilerRules。
2023 年 2 月 21 日
其他更改
-
XGBoost报告选项卡已从 SageMaker 调试器的分析器仪表板中移除。您仍然可以通过将其下载为 Jupyter 笔记本或文件来访问XGBoost报告。HTML有关更多信息，请参阅SageMaker 调试器XGBoost训练报告。
-
从此版本开始，默认情况下不会激活内置的探查器规则。要使用 SageMaker 调试器探查器规则来检测某些计算问题，您需要在配置 SageMaker 训练作业启动器时添加规则。
2020 年 12 月 1 日
Amazon SageMaker Debugger 在 re: Invent 2020 上推出了深度分析功能。
2019 年 12 月 3 日
Amazon SageMaker Debugger 最初在 re: Invent 2019 上推出。
