Verwenden von TensorBoard in Amazon SageMaker Studio Classic - Amazon SageMaker AI
VoraussetzungenEinrichten von TensorBoardCallbackInstallieren von TensorBoardStarten Sie TensorBoard

Verwenden von TensorBoard in Amazon SageMaker Studio Classic

Wichtig

Am 30. November 2023 wurde Amazon SageMaker Studio in Amazon SageMaker Studio umbenannt. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter Amazon SageMaker Studio.

Das folgende Dokument beschreibt, wie TensorBoard in Amazon SageMaker Studio Classic installiert und ausgeführt wird.

Anmerkung

Diese Anleitung zeigt, wie Sie die TensorBoard-Anwendung über einen Notebook-Server von SageMaker Studio Classic eines individuellen Domain-Benutzerprofils von SageMaker AI öffnen. Ein umfassenderes TensorBoard-Erlebnis, das in SageMaker Training und die Zugriffskontrollfunktionen der SageMaker-AI-Domain integriert ist, finden Sie unter TensorBoard in Amazon SageMaker AI.

Voraussetzungen

Für dieses Tutorial ist eine SageMaker-AI-Domain erforderlich. Weitere Informationen finden Sie unter Übersicht über die Domain von Amazon SageMaker AI.

Einrichten von TensorBoardCallback

  1. Starten Sie Studio Classic und öffnen Sie den Launcher. Weitere Informationen finden Sie unter Öffnen des Amazon SageMaker Studio Classic Launchers.

  2. Wählen Sie im Amazon SageMaker Studio Classic Launcher unter Notebooks and compute resources, die Schaltfläche Umgebung ändern aus.

  3. Im Dialogfeld Umgebung ändern verwenden Sie die Dropdown-Menüs, um das Image TensorFlow 2.6 Python 3.8 CPU Optimized von Studio Classic auszuwählen.

  4. Kehren Sie zum Launcher zurück und klicken Sie auf die Kachel Notebook erstellen. Ihr Notebook wird gestartet und auf einer neuen Studio-Classic-Registerkarte geöffnet.

  5. Führen Sie diesen Code in Ihren Notebook-Zellen aus.

  6. Importieren Sie die erforderlichen Pakete. 

    import os
import datetime
import tensorflow as tf

  7. Erstellen Sie ein Keras-Modell.

    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. Erstellen Sie ein Verzeichnis für Ihre TensorBoard-Protokolle

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

  9. Lauftraining mit 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. Generieren Sie den EFS-Pfad für die TensorBoard-Protokolle. Sie verwenden diesen Pfad, um Ihre Protokolle vom Terminal aus einzurichten.

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

    Rufen Sie den EFS_PATH_LOG_DIR ab. Sie benötigen es im TensorBoard-Installationsbereich.

Installieren von TensorBoard

  1. Klicken Sie auf die Amazon SageMaker Studio Classic-Schaltfläche in der oberen linken Ecke von Studio Classic, um den Amazon SageMaker Studio Classic Launcher zu öffnen. Dieser Launcher muss von Ihrem Stammverzeichnis aus geöffnet werden. Weitere Informationen finden Sie unter Öffnen des Amazon SageMaker Studio Classic Launchers.

  2. Klicken Sie im Launcher unter Utilities and files auf System terminal.

  3. Führen Sie am Terminal folgende Befehle aus. Kopieren Sie EFS_PATH_LOG_DIR aus dem Jupyter Notebook. Sie müssen dies aus dem /home/sagemaker-user Stammverzeichnis ausführen.

    pip install tensorboard
tensorboard --logdir <EFS_PATH_LOG_DIR>

Starten Sie TensorBoard

  1. Um TensorBoard zu starten, kopieren Sie Ihre Studio-Classic-URL und ersetzen Sie lab? mit proxy/6006/ wie folgt. Sie müssen das Schlusszeichen / einschließen.

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

  2. Navigieren Sie zur URL, um Ihre Ergebnisse zu überprüfen.