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

1. Avvia Studio Classic e apri il Launcher. Per ulteriori informazioni, consulta Usa Amazon SageMaker Studio Classic Launcher

2. In Amazon SageMaker Studio Classic Launcher, sottoNotebooks and compute resources, scegli il pulsante Cambia ambiente.

3. 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.

4. Tornando all'utilità di avvio, fai clic sul riquadro Crea notebook. Il notebook si avvia e si apre in una nuova scheda Studio Classic.

5. Esegui questo codice dall'interno delle celle del tuo notebook.

6. Importa i pacchetti richiesti.

   import os
   import datetime
   import tensorflow as tf

7. 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')
     ])

8. 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"))

9. 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])

10. 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

1. 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

2. Nell'utilità di avvio, in Utilities and files, fai clic su System terminal.

3. 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

1. Per avviarlo TensorBoard, copia Studio Classic URL e lab? sostituiscilo con proxy/6006/ quanto segue. Devi includere il carattere / finale.

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

2. Passa a URL per esaminare i risultati.