Gunakan TensorBoard di Amazon SageMaker Studio Classic

penting

Per 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut ini khusus untuk menggunakan aplikasi Studio Classic. Untuk informasi tentang menggunakan pengalaman Studio yang diperbarui, lihat SageMaker Studio Amazon.

Dokumen berikut menguraikan cara menginstal dan menjalankan TensorBoard di Amazon SageMaker Studio Classic.

catatan

Panduan ini menunjukkan cara membuka TensorBoard aplikasi melalui server notebook SageMaker Studio Classic dari profil pengguna domain SageMaker AI individu. Untuk TensorBoard pengalaman yang lebih komprehensif yang terintegrasi dengan SageMaker Pelatihan dan fungsionalitas kontrol akses domain SageMaker AI, lihatTensorBoard di Amazon SageMaker AI.

Prasyarat

Tutorial ini membutuhkan domain SageMaker AI. Untuk informasi selengkapnya, silakan lihat Ikhtisar domain Amazon SageMaker AI

Mengatur TensorBoardCallback

1. Luncurkan Studio Classic, dan buka Launcher. Untuk informasi selengkapnya, silakan lihat Gunakan Amazon SageMaker Studio Classic Launcher

2. Di Amazon SageMaker Studio Classic Launcher, di bawahNotebooks and compute resources, pilih tombol Ubah lingkungan.

3. Pada dialog Ubah lingkungan, gunakan menu tarik-turun untuk memilih TensorFlow 2.6 Python 3.8 CPU Optimized Studio Classic Image.

4. Kembali ke Launcher, klik ubin Buat notebook. Notebook Anda diluncurkan dan terbuka di tab Studio Classic baru.

5. Jalankan kode ini dari dalam sel notebook Anda.

6. Impor paket yang diperlukan.

   import os
   import datetime
   import tensorflow as tf

7. Buat model 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. Buat direktori untuk TensorBoard log Anda

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

9. Jalankan pelatihan dengan 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. Hasilkan jalur EFS untuk TensorBoard log. Anda menggunakan jalur ini untuk mengatur log Anda dari terminal.

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

    Ambil EFS_PATH_LOG_DIR. Anda akan membutuhkannya di bagian TensorBoard instalasi.

Instal TensorBoard

1. Klik Amazon SageMaker Studio Classic tombol di sudut kiri atas Studio Classic untuk membuka Amazon SageMaker Studio Classic Launcher. Peluncur ini harus dibuka dari direktori root Anda. Untuk informasi selengkapnya, silakan lihat Gunakan Amazon SageMaker Studio Classic Launcher

2. Di Peluncur, di bawahUtilities and files, klikSystem terminal.

3. Dari terminal, jalankan perintah berikut. Salin EFS_PATH_LOG_DIR dari notebook Jupyter. Anda harus menjalankan ini dari direktori /home/sagemaker-user root.

   pip install tensorboard
   tensorboard --logdir <EFS_PATH_LOG_DIR>

Peluncuran TensorBoard

1. Untuk memulai TensorBoard, salin URL Studio Classic Anda dan ganti lab? dengan proxy/6006/ sebagai berikut. Anda harus menyertakan / karakter trailing.

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

2. Arahkan ke URL untuk memeriksa hasil Anda.