翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
Amazon SageMaker Studio Classic TensorBoard で を使用する
重要
2023 年 11 月 30 日現在、以前の Amazon SageMaker Studio エクスペリエンスは Amazon SageMaker Studio Classic と名付けられています。次のセクションは、Studio Classic アプリケーションの使用に固有のものです。更新された Studio エクスペリエンスの使用については、「」を参照してくださいAmazon SageMaker Studio。
次のドキュメントでは、Amazon SageMaker Studio Classic TensorBoard で をインストールして実行する方法の概要を説明します。
注記
このガイドでは、個々の SageMaker ドメインユーザープロファイルの SageMaker Studio Classic ノートブックサーバーを介して TensorBoard アプリケーションを開く方法を説明します。 SageMaker トレーニングおよび SageMaker ドメインのアクセスコントロール機能と統合されたより包括的な TensorBoard エクスペリエンスについては、「」を参照してください TensorBoard を使用して Amazon のトレーニングジョブをデバッグおよび分析する SageMaker。
前提条件
このチュートリアルには SageMaker ドメインが必要です。詳細については、「Amazon SageMaker ドメインの概要」を参照してください
TensorBoardCallback
の設定
-
Studio Classic を起動し、ランチャーを開きます。詳細については、「Amazon SageMaker Studio Classic Launcher を使用する」を参照してください
-
Amazon SageMaker Studio Classic Launcher の で
Notebooks and compute resources
、環境の変更ボタンを選択します。 -
環境の変更ダイアログで、ドロップダウンメニューを使用して
TensorFlow 2.6 Python 3.8 CPU Optimized
Studio Classic Image を選択します。 -
ランチャーに戻り、[ノートブックの作成] タイルをクリックします。ノートブックが起動し、新しい Studio Classic タブで開きます。
-
ノートブックのセルでこのコードを実行します。
-
必要なパッケージをインポートします。
import os import datetime import tensorflow as tf
-
Keras モデルを作成します。
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') ])
-
TensorBoard ログのディレクトリを作成する
LOG_DIR = os.path.join(os.getcwd(), "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
-
でトレーニングを実行します 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])
-
TensorBoard ログのEFSパスを生成します。ターミナルで、このパスを使ってログを設定します。
EFS_PATH_LOG_DIR = "/".join(LOG_DIR.strip("/").split('/')[1:-1]) print (EFS_PATH_LOG_DIR)
EFS_PATH_LOG_DIR
を取得します。インストールセクションで TensorBoard必要になります。
のインストール TensorBoard
-
Studio Classic の左上隅にある
Amazon SageMaker Studio Classic
ボタンをクリックすると、Amazon SageMaker Studio Classic Launcher が開きます。このランチャーは、ルートディレクトリから開く必要があります。詳細については、「Amazon SageMaker Studio Classic Launcher を使用する」を参照してください -
ランチャーの [
Utilities and files
] で、[System terminal
] をクリックします。 -
ターミナルで次のコマンドを実行します。Jupyter ノートブックから
EFS_PATH_LOG_DIR
をコピーします。これは、/home/sagemaker-user
のルートディレクトリで実行する必要があります。pip install tensorboard tensorboard --logdir
<EFS_PATH_LOG_DIR>
起動 TensorBoard
-
を起動するには TensorBoard、Studio Classic をコピーURLし、
proxy/6006/
次のように を に置き換えlab?
ます。最後の/
文字も含める必要があります。https://
<YOUR_URL>
.studio.region
.sagemaker.aws/jupyter/default/proxy/6006/ -
に移動URLして、結果を調べます。