TensorBoard In Amazon SageMaker Studio Classic verwenden

Wichtig

Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich speziell auf die Verwendung der Studio Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Oberfläche finden Sie unterAmazon SageMaker Studio.

Das folgende Dokument beschreibt die Installation und Ausführung TensorBoard in Amazon SageMaker Studio Classic.

Anmerkung

Diese Anleitung zeigt, wie Sie die TensorBoard Anwendung über einen SageMaker Studio Classic-Notebook-Server mit einem individuellen SageMaker Domain-Benutzerprofil öffnen. Eine umfassendere TensorBoard Erfahrung, die in SageMaker Training und die Zugriffskontrollfunktionen von SageMaker Domain integriert ist, finden Sie unterTensorBoard bei Amazon SageMaker.

Voraussetzungen

Für dieses Tutorial ist eine SageMaker Domain erforderlich. Weitere Informationen finden Sie unter SageMaker Amazon-Domain-Übersicht

Einrichten von TensorBoardCallback

1. Starten Sie Studio Classic und öffnen Sie den Launcher. Weitere Informationen finden Sie unter Verwenden Sie den Amazon SageMaker Studio Classic Launcher

2. Wählen Sie im Amazon SageMaker Studio Classic Launcher unter Notebooks and compute resources die Schaltfläche Umgebung ändern.

3. Wählen Sie im Dialogfeld „Umgebung ändern“ mithilfe der Dropdownmenüs das TensorFlow 2.6 Python 3.8 CPU Optimized Studio Classic-Image aus.

4. Kehren Sie zum Launcher zurück und klicken Sie auf die Kachel Notebook erstellen. Ihr Notizbuch wird gestartet und in einer neuen Studio Classic-Registerkarte geöffnet.

5. Führen Sie diesen Code in Ihren Notebook-Zellen aus.

6. Importieren Sie die erforderlichen Pakete.

   import os
   import datetime
   import tensorflow as tf

7. Erstellen Sie ein Keras-Modell.

   mnist = tf.keras.datasets.mnist
   
   (x_train, y_train),(x_test, y_test) = mnist.load_data()
   x_train, x_test = x_train / 255.0, x_test / 255.0
   
   def create_model():
     return tf.keras.models.Sequential([
       tf.keras.layers.Flatten(input_shape=(28, 28)),
       tf.keras.layers.Dense(512, activation='relu'),
       tf.keras.layers.Dropout(0.2),
       tf.keras.layers.Dense(10, activation='softmax')
     ])

8. Erstellen Sie ein Verzeichnis für Ihre TensorBoard Logs

   LOG_DIR = os.path.join(os.getcwd(), "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))

9. Führen Sie das Training mit durch TensorBoard.

   model = create_model()
   model.compile(optimizer='adam',
                 loss='sparse_categorical_crossentropy',
                 metrics=['accuracy'])
                 
                 
   tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=LOG_DIR, histogram_freq=1)
   
   model.fit(x=x_train,
             y=y_train,
             epochs=5,
             validation_data=(x_test, y_test),
             callbacks=[tensorboard_callback])

10. Generieren Sie den EFS Pfad für die TensorBoard Protokolle. Sie verwenden diesen Pfad, um Ihre Protokolle vom Terminal aus einzurichten.

    EFS_PATH_LOG_DIR = "/".join(LOG_DIR.strip("/").split('/')[1:-1])
    print (EFS_PATH_LOG_DIR)

    Rufen Sie den EFS_PATH_LOG_DIR ab. Sie benötigen es im TensorBoard Installationsbereich.

Installieren TensorBoard

1. Klicken Sie auf die Amazon SageMaker Studio Classic Schaltfläche in der oberen linken Ecke von Studio Classic, um den Amazon SageMaker Studio Classic Launcher zu öffnen. Dieser Launcher muss von Ihrem Stammverzeichnis aus geöffnet werden. Weitere Informationen finden Sie unter Verwenden Sie den Amazon SageMaker Studio Classic Launcher

2. Klicken Sie im Launcher unter Utilities and files auf System terminal.

3. Führen Sie am Terminal folgende Befehle aus. Kopieren Sie EFS_PATH_LOG_DIR aus dem Jupyter Notebook. Sie müssen dies aus dem /home/sagemaker-user Stammverzeichnis ausführen.

   pip install tensorboard
   tensorboard --logdir <EFS_PATH_LOG_DIR>

Starten TensorBoard

1. Kopieren Sie zum Starten TensorBoard Ihr Studio Classic URL und lab? ersetzen Sie es proxy/6006/ wie folgt. Sie müssen das Schlusszeichen / einschließen.

   https://<YOUR_URL>.studio.region.sagemaker.aws/jupyter/default/proxy/6006/

2. Navigieren Sie zuURL, um Ihre Ergebnisse zu überprüfen.