Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Utilizzo TensorBoard in Amazon SageMaker Studio Classic
Importante
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l'utilizzo dell'applicazione Studio Classic. Per informazioni sull'utilizzo dell'esperienza Studio aggiornata, consultaAmazon SageMaker Studio.
Il seguente documento descrive come installare ed eseguire TensorBoard Amazon SageMaker Studio Classic.
Nota
Questa guida mostra come aprire l' TensorBoard applicazione tramite un server notebook SageMaker Studio Classic con un profilo utente di SageMaker dominio individuale. Per un' TensorBoard esperienza più completa integrata con SageMaker Training e le funzionalità di controllo degli accessi di SageMaker domain, consultaUtilizzalo TensorBoard per eseguire il debug e analizzare i lavori di formazione in Amazon SageMaker.
Prerequisiti
Questo tutorial richiede un SageMaker dominio. Per ulteriori informazioni, consulta Panoramica SageMaker del dominio Amazon
Configurazione di TensorBoardCallback
-
Avvia Studio Classic e apri il Launcher. Per ulteriori informazioni, consulta Usa Amazon SageMaker Studio Classic Launcher
-
In Amazon SageMaker Studio Classic Launcher, sotto
Notebooks and compute resources
, scegli il pulsante Cambia ambiente. -
Nella finestra di dialogo Cambia ambiente, utilizza i menu a discesa per selezionare l'immagine di
TensorFlow 2.6 Python 3.8 CPU Optimized
Studio Classic. -
Tornando all'utilità di avvio, fai clic sul riquadro Crea notebook. Il notebook si avvia e si apre in una nuova scheda Studio Classic.
-
Esegui questo codice dall'interno delle celle del tuo notebook.
-
Importa i pacchetti richiesti.
import os import datetime import tensorflow as tf
-
Crea un modello 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') ])
-
Crea una directory per i tuoi log TensorBoard
LOG_DIR = os.path.join(os.getcwd(), "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
-
Esegui l'allenamento con 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])
-
Genera il EFS percorso per i TensorBoard log. Utilizza questo percorso per configurare i log dal terminale.
EFS_PATH_LOG_DIR = "/".join(LOG_DIR.strip("/").split('/')[1:-1]) print (EFS_PATH_LOG_DIR)
Recupera il valore
EFS_PATH_LOG_DIR
. Ti servirà nella sezione di TensorBoard installazione.
Installa TensorBoard
-
Fai clic sul
Amazon SageMaker Studio Classic
pulsante nell'angolo in alto a sinistra di Studio Classic per aprire Amazon SageMaker Studio Classic Launcher. Questa utilità di avvio deve essere aperta dalla directory root. Per ulteriori informazioni, consulta Usa Amazon SageMaker Studio Classic Launcher -
Nell'utilità di avvio, in
Utilities and files
, fai clic suSystem terminal
. -
Dal terminale, esegui i comandi seguenti: Copia
EFS_PATH_LOG_DIR
dal notebook Jupyter. Devi eseguirlo dalla directory root di/home/sagemaker-user
.pip install tensorboard tensorboard --logdir
<EFS_PATH_LOG_DIR>
Avvia TensorBoard
-
Per avviarlo TensorBoard, copia Studio Classic URL e
lab?
sostituiscilo conproxy/6006/
quanto segue. Devi includere il carattere/
finale.https://
<YOUR_URL>
.studio.region
.sagemaker.aws/jupyter/default/proxy/6006/ -
Passa a URL per esaminare i risultati.