本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
Amazon 偵錯功能的版本備註 SageMaker
請參閱下列版本備註，以追蹤 Amazon 偵錯功能的最新更新 SageMaker。
2023 年 12 月 21 日
新功能
發佈了遠端偵錯功能，這是 的新偵錯功能 SageMaker ，可讓您存取訓練容器的殼層。透過此版本，您可以登入在 SageMaker ML 執行個體上執行的任務容器來偵錯訓練任務。如需進一步了解，請參閱 通過訪問培訓容器進 AWS Systems Manager 行遠程調試。
2023 年 9 月 7 日
新功能
新增了一個新的公用程式模組 sagemaker.interactive_apps.tensorboard.TensorBoardApp，它提供了稱為 get_app_url() 的函式。get_app_url() 函數會產生未簽章或預先簽章，URLs以在 SageMaker 或 Amazon 中的任何環境中開啟 TensorBoard 應用程式EC2。這是為了為 Studio Classic 和非 Studio Classic 使用者提供統一的體驗。對於 Studio Classic 環境，您可以像現在一樣執行get_app_url()函數 TensorBoard 來開啟 ，也可以指定任務名稱，以在 TensorBoard 應用程式開啟時開始追蹤。對於非 Studio Classic 環境，您可以 TensorBoard 向公用程式函數提供網域資訊來開啟 。無論您在何處或以何種方式執行訓練程式碼和啟動訓練任務，都可以 TensorBoard 使用此功能直接存取 Jupyter 筆記本或終端機中的 get_app_url 函數。此功能可在 SageMaker Python v2SDK.184.0 及更新版本中使用。如需詳細資訊，請參閱在 上存取 TensorBoard 應用程式 SageMaker。
2023 年 4 月 4 日
新功能
SageMaker 使用 發行 TensorBoard，這是在 TensorBoard 上託管的功能 SageMaker。 TensorBoard 可透過 SageMaker 網域作為應用程式提供，且 SageMaker訓練平台支援將資料收集 TensorBoard 輸出至 S3，並自動將其載入 TensorBoard 上託管的 SageMaker。使用此功能，您可以在 中執行使用 TensorBoard 摘要寫入器設定的訓練任務 SageMaker、將 TensorBoard輸出檔案儲存在 Amazon S3 中、直接從 SageMaker主控台開啟 TensorBoard 應用程式，並使用實作到託管 TensorBoard 介面的 SageMaker Data Manager 外掛程式載入輸出檔案。您不需要 TensorBoard 手動安裝 ，並在 SageMaker IDEs或本機電腦上本機託管。如需進一步了解，請參閱 TensorBoard 在 Amazon 中 SageMaker。
2023 年 3 月 16 日
棄用備註
SageMaker Debugger 從 TensorFlow 2.11 和 PyTorch 2.0 開始取代架構分析功能。您仍然可以在舊版的架構和 中使用此功能SDKs，如下所示。
-
SageMaker Python SDK <= v2.130.0
-
PyTorch >= v1.6.0、< v2.0
-
TensorFlow >= v2.3.1、< v2.11
使用棄用時， SageMaker Debugger 也會停止對下列三個架構分析ProfilerRules的支援。
2023 年 2 月 21 日
其他變更
-
XGBoost 報告索引標籤已從 SageMaker Debugger 的分析工具儀表板中移除。您仍然可以透過下載 Jupyter 筆記本或HTML檔案來存取XGBoost報告。如需詳細資訊，請參閱SageMaker 偵錯工具XGBoost訓練報告 。
-
從此版本開始，預設為不會啟用內建剖析工具規則。若要使用 SageMaker Debugger 分析器規則來偵測某些運算問題，您需要在設定 SageMaker 訓練任務啟動器時新增規則。
2020 年 12 月 1 日
Amazon SageMaker Debugger 在 re：Invent 2020 上推出深度分析功能。
2019 年 12 月 3 日
Amazon SageMaker Debugger 最初於 re：Invent 2019 推出。
