Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Exemples de blocs-notes Debugger
<a name="debugger-notebooks"></a>

**Note**  
Amazon SageMaker Debugger n'est plus ouvert aux nouveaux clients. Les clients existants peuvent continuer à utiliser le service normalement. AWS continue d'investir dans l'amélioration de la sécurité et de la disponibilité de Debugger, mais nous ne prévoyons pas d'introduire de nouvelles fonctionnalités. Pour de plus amples informations, veuillez consulter [Modification de la disponibilité du débogueur](debugger-availability-change.md). 

[SageMaker Les blocs-notes d'exemple du débogueur ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/) sont fournis dans le référentiel -sagemaker-examples [aws/amazon. ](https://github.com/aws/amazon-sagemaker-examples) Les exemples de blocs-notes Debugger vous présentent des cas d'utilisation de niveau basique à avancé de tâches d'entraînement de débogage et de profilage. 

Nous vous recommandons d'exécuter les exemples de blocs-notes sur SageMaker Studio ou sur une instance de SageMaker bloc-notes, car la plupart des exemples sont conçus pour des tâches de formation dans l'écosystème de l' SageMaker IA, notamment Amazon EC2, Amazon S3 et Amazon SageMaker Python SDK. 

Pour cloner l'exemple de référentiel dans SageMaker Studio, suivez les instructions d'[Amazon SageMaker Studio Tour](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-end-to-end.html).

**Important**  
Pour utiliser les nouvelles fonctionnalités du débogueur, vous devez mettre à niveau le SDK SageMaker Python et la `SMDebug` bibliothèque cliente. Dans votre noyau IPython, Jupyter Notebook ou JupyterLab environnement, exécutez le code suivant pour installer les dernières versions des bibliothèques et redémarrer le noyau.  

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

## Exemple de blocs-notes Debugger pour le profilage des tâches d’entraînement
<a name="debugger-notebooks-profiling"></a>

La liste suivante contient des exemples de blocs-notes Debugger présentant l'adaptabilité de Debugger au contrôle et au profilage des tâches d'entraînement pour divers modèles de machine learning, jeux de données et cadres.


| Titre du bloc-notes | Cadre | Modèle | Jeu de données | Description | 
| --- | --- | --- | --- | --- | 
| [Analyse des données de profilage d'Amazon SageMaker Debugger ](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/debugger_interactive_analysis_profiling/interactive_analysis_profiling_data.html) | TensorFlow | Keras 50 ResNet | Cifar-10 | Ce bloc-notes fournit une introduction à l'analyse interactive des données profilées capturées par SageMaker Debugger. Explorez toutes les fonctionnalités des outils d'analyse interactifs `SMDebug`. | 
| [Formation à l'apprentissage automatique des profils avec Amazon SageMaker Debugger ](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/tensorflow_nlp_sentiment_analysis/sentiment-analysis-tf-distributed-training-bringyourownscript.html) | TensorFlow | Réseau neuronal convolutif 1-D | Jeu de données IMDB | Profilez un CNN TensorFlow 1-D pour l'analyse des sentiments des données IMDB, qui consistent en des critiques de films étiquetées comme ayant un sentiment positif ou négatif. Explorez les informations de Studio Debugger et le rapport de profilage de Debugger. | 
| [ TensorFlow ResNet Modèle de profilage de l'entraînement avec différents paramètres de formation distribués ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/tensorflow_profiling) | TensorFlow | ResNet50 | Cifar-10 | Exécutez TensorFlow des tâches de formation avec différents paramètres de formation distribués, surveillez l'utilisation des ressources système et profilez les performances du modèle à l'aide de Debugger. | 
| [ PyTorch ResNet Modèle de profilage de l'entraînement avec différents paramètres de formation distribués ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/pytorch_profiling)  | PyTorch | ResNet50 | Cifar-10 | Exécutez PyTorch des tâches de formation avec différents paramètres de formation distribués, surveillez l'utilisation des ressources système et profilez les performances du modèle à l'aide de Debugger. | 

## Exemple de blocs-notes Debugger pour l’analyse des paramètres de modèle
<a name="debugger-notebooks-debugging"></a>

La liste suivante contient des exemples de blocs-notes Debugger présentant l'adaptabilité de Debugger au débogage des tâches d'entraînement pour divers modèles de machine learning, jeux de données et cadres.


| Titre du bloc-notes | Cadre | Modèle | Jeu de données | Description | 
| --- | --- | --- | --- | --- | 
| [Amazon SageMaker Debugger - Utiliser la règle intégrée ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/tensorflow_builtin_rule) | TensorFlow | Réseau neuronal convolutif | MNIST | Utilisez les règles intégrées d'Amazon SageMaker Debugger pour déboguer un modèle. TensorFlow | 
| [Amazon SageMaker Debugger - Tensorflow 2.1 ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/tensorflow2) | TensorFlow | ResNet50 | Cifar-10 | Utilisez la configuration du hook Amazon SageMaker Debugger et les règles intégrées pour déboguer un modèle avec le framework Tensorflow 2.1. | 
| [Entraînement pour visualiser les tenseurs de débogage de MXNet](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/mnist_tensor_plot) | MXNet | Réseau neuronal convolutif Gluon | Fashion MNIST | Exécutez une tâche de formation et configurez SageMaker Debugger pour stocker tous les tenseurs de cette tâche, puis visualisez ces tenseurs dans un bloc-notes. | 
| [Activez Spot Training avec Amazon SageMaker Debugger ](https://github.com/aws/amazon-sagemaker-examples/tree/master/sagemaker-debugger/mxnet_spot_training)  | MXNet | Réseau neuronal convolutif Gluon | Fashion MNIST | Découvrez comment Debugger collecte des données de tenseurs à partir d'une tâche d'entraînement sur une instance Spot, et comment utiliser les règles intégrées de Debugger avec un entraînement Spot géré. | 
| [Expliquer un modèle XGBoost qui prédit les revenus d'un individu avec Amazon Debugger SageMaker ](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/xgboost_census_explanations/xgboost-census-debugger-rules.html) | XGBoost | Régression XGBoost | [Jeu de données du recensement des adultes](https://archive.ics.uci.edu/ml/datasets/adult) | Découvrez comment utiliser le hook et les règles intégrées de Debugger pour collecter et visualiser des données de tenseurs à partir d'un modèle de régression XGBoost, telles que les valeurs de perte, les fonctions et les valeurs SHAP. | 

Pour trouver des visualisations avancées des paramètres de modèle et des cas d'utilisation, consultez la rubrique suivante : [Démonstrations et visualisation avancées de Debugger](debugger-visualization.md).