Utilisation TensorBoard dans Amazon SageMaker Studio Classic

Important

Depuis le 30 novembre 2023, l'expérience Amazon SageMaker Studio précédente s'appelle désormais Amazon SageMaker Studio Classic. La section suivante est spécifique à l'utilisation de l'application Studio Classic. Pour plus d'informations sur l'utilisation de l'expérience Studio mise à jour, consultezAmazon SageMaker Studio.

Le document suivant explique comment installer et exécuter TensorBoard dans Amazon SageMaker Studio Classic.

Note

Ce guide explique comment ouvrir l' TensorBoard application via un serveur de bloc-notes SageMaker Studio Classic d'un profil utilisateur de SageMaker domaine individuel. Pour une TensorBoard expérience plus complète intégrée à SageMaker Training et aux fonctionnalités de contrôle d'accès du SageMaker domaine, voir TensorBoard À utiliser pour déboguer et analyser les tâches de formation sur Amazon SageMaker.

Prérequis

Ce didacticiel nécessite un SageMaker domaine. Pour plus d’informations, consultez Vue d'ensemble SageMaker du domaine Amazon.

Configuration d'TensorBoardCallback

1. Lancez Studio Classic, puis ouvrez le lanceur. Pour plus d’informations, consultez Utiliser le lanceur Amazon SageMaker Studio Classic.

2. Dans le lanceur Amazon SageMaker Studio Classic, sousNotebooks and compute resources, cliquez sur le bouton Modifier l'environnement.

3. Dans la boîte de dialogue Modifier l'environnement, utilisez les menus déroulants pour sélectionner l'image TensorFlow 2.6 Python 3.8 CPU Optimized Studio Classic.

4. Dans le lanceur, cliquez sur la vignette Create notebook (Créer un bloc-notes). Votre bloc-notes démarre et s'ouvre dans un nouvel onglet Studio Classic.

5. Exécutez ce code depuis les cellules de votre bloc-notes.

6. Importez les packages obligatoires.

   import os
   import datetime
   import tensorflow as tf

7. Créez un modèle Keras.

   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. Créez un répertoire pour vos TensorBoard journaux

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

9. Entraînez-vous avec 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. Générez le EFS chemin des TensorBoard journaux. Vous utilisez ce chemin d'accès pour configurer vos journaux à partir du terminal.

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

    Récupérez la valeur EFS_PATH_LOG_DIR. Vous en aurez besoin dans la section TensorBoard d'installation.

Installer TensorBoard

1. Cliquez sur le Amazon SageMaker Studio Classic bouton situé dans le coin supérieur gauche de Studio Classic pour ouvrir le lanceur Amazon SageMaker Studio Classic. Ce lanceur doit être ouvert à partir de votre répertoire racine. Pour plus d’informations, consultez Utiliser le lanceur Amazon SageMaker Studio Classic.

2. Dans le lanceur, sous Utilities and files, cliquez sur System terminal.

3. Depuis le terminal, exécutez les commandes suivantes. Copiez EFS_PATH_LOG_DIR à partir du bloc-notes Jupyter. Vous devez l'exécuter depuis le répertoire racine de /home/sagemaker-user.

   pip install tensorboard
   tensorboard --logdir <EFS_PATH_LOG_DIR>

Lancement TensorBoard

1. Pour le lancer TensorBoard, copiez votre Studio Classic URL et lab? remplacez-le proxy/6006/ comme suit. Vous devez inclure le caractère / de fin.

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

2. Accédez au URL pour examiner vos résultats.