Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Creación de reglas personalizadas mediante la biblioteca cliente del depurador
<a name="debugger-custom-rules"></a>

Puede crear reglas personalizadas para supervisar su trabajo de entrenamiento mediante las API de reglas del depurador y la [biblioteca de Python `smdebug`](https://github.com/awslabs/sagemaker-debugger/) de código abierto, que proporciona herramientas para crear sus propios contenedores de reglas.

## Requisitos previos para crear una regla personalizada
<a name="debugger-custom-rules-prerequisite"></a>

Para crear reglas personalizadas del depurador, necesita cumplir con los siguientes requisitos previos.
+ [SageMaker API de depuración Rule.custom ](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html#sagemaker.debugger.Rule.custom)
+ [La biblioteca de Python de código abierto smdebug](https://github.com/awslabs/sagemaker-debugger/)
+ Su propio script de Python con reglas personalizadas
+ [URIs de imagen de Amazon SageMaker Debugger para evaluadores de reglas personalizados](debugger-reference.md#debuger-custom-rule-registry-ids)

**Topics**
+ [Requisitos previos para crear una regla personalizada](#debugger-custom-rules-prerequisite)
+ [Utilice la biblioteca cliente `smdebug` para crear una regla personalizada como un script de Python](debugger-custom-rules-python-script.md)
+ [Uso de las API del depurador para ejecutar sus propias reglas personalizadas](debugger-custom-rules-python-sdk.md)