View a markdown version of this page

Mempersiapkan pekerjaan pelatihan untuk mengumpulkan data TensorBoard keluaran - Amazon SageMaker AI
PrasyaratLangkah 1: Ubah skrip pelatihan Anda dengan alat TensorBoard pembantu sumber terbukaBangun peluncur pelatihan SageMaker AI dengan konfigurasi TensorBoard data

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Mempersiapkan pekerjaan pelatihan untuk mengumpulkan data TensorBoard keluaran

Pekerjaan pelatihan khas untuk pembelajaran mesin di SageMaker AI terdiri dari dua langkah utama: menyiapkan skrip pelatihan dan mengonfigurasi objek SageMaker AI ModelTrainer (sebelumnya estimator di PySDK v2) dari SageMaker AI Python SDK. Di bagian ini, Anda akan mempelajari tentang perubahan yang diperlukan untuk mengumpulkan TensorBoard-compatible data dari pekerjaan SageMaker pelatihan.

Prasyarat

Daftar berikut menunjukkan prasyarat untuk mulai menggunakan SageMaker AI dengan TensorBoard.

  • Domain SageMaker AI yang diatur dengan Amazon VPC di AWS akun Anda.

    Untuk petunjuk tentang cara menyiapkan domain, lihat Memas ukkan ke domain SageMaker AI Amazon menggunakan pengaturan cepat. Anda juga perlu menambahkan profil pengguna domain untuk pengguna individu untuk mengakses SageMaker AI. TensorBoard Untuk informasi selengkapnya, lihat Tambahkan profil pengguna.

  • Amazon EFS harus diaktifkan di domain Anda. TensorBoard membutuhkan sistem file Amazon EFS untuk berfungsi. Untuk domain yang dibuat melalui pengaturan cepat setelah 1 Juni 2026, EFS tidak dibuat secara default selama pembuatan domain. Untuk mengaktifkan EFS setelah pembuatan domain, lihat Pem buatan Amazon EFS dan pemasangan otomatis di Amazon SageMaker Studio.

  • Amazon EFS harus diaktifkan di domain Anda. TensorBoard membutuhkan sistem file Amazon EFS untuk berfungsi. Untuk domain yang dibuat melalui pengaturan cepat setelah 1 Juni 2026, EFS tidak dibuat secara default selama pembuatan domain. Untuk mengaktifkan EFS setelah pembuatan domain, lihat Pem buatan Amazon EFS dan pemasangan otomatis di Amazon SageMaker Studio.

  • Daftar berikut adalah kumpulan izin minimum untuk digunakan TensorBoard pada SageMaker AI.

    • sagemaker:CreateApp

    • sagemaker:DeleteApp

    • sagemaker:DescribeTrainingJob

    • sagemaker:Search

    • s3:GetObject

    • s3:ListBucket

Langkah 1: Ubah skrip pelatihan Anda dengan alat TensorBoard pembantu sumber terbuka

Pastikan Anda menentukan tensor dan skalar keluaran mana yang akan dikumpulkan, dan memodifikasi baris kode dalam skrip pelatihan Anda menggunakan salah satu alat berikut: TensorBoard X, Summary Writer, Sum TensorFlow mary Writer, PyTorch atau SageMaker Debugger.

Juga pastikan bahwa Anda menentukan jalur keluaran TensorBoard data sebagai direktori log (log_dir) untuk panggilan balik di wadah pelatihan.

Untuk informasi selengkapnya tentang panggilan balik per kerangka kerja, lihat sumber daya berikut.

Langkah 2: Buat ModelTrainer objek SageMaker pelatihan dengan konfigurasi TensorBoard output

Gunakan sagemaker.debugger.TensorBoardOutputConfig saat mengonfigurasi SageMaker AI ModelTrainer. API konfigurasi ini memetakan bucket S3 yang Anda tentukan untuk menyimpan TensorBoard data dengan jalur lokal di wadah pelatihan (/opt/ml/output/tensorboard). Meneruskan objek modul ke tensorboard_output_config parameter ModelTrainer kelas. Cuplikan kode berikut menunjukkan contoh mempersiapkan TensorFlow ModelTrainer dengan parameter konfigurasi TensorBoard keluaran.

catatan

Contoh ini mengasumsikan bahwa Anda menggunakan SageMaker Python SDK. Jika Anda menggunakan SageMaker API tingkat rendah, Anda harus menyertakan yang berikut ini ke sintaks permintaan CreateTrainingJob API.

"TensorBoardOutputConfig": { 
  "LocalPath": "/opt/ml/output/tensorboard",
  "S3OutputPath": "s3_output_bucket"
}
import os
from sagemaker.train import ModelTrainer
from sagemaker.train.configs import SourceCode
from sagemaker.core.debugger import TensorBoardOutputConfig
from sagemaker.train.configs import Compute

# Set variables for training job information, 
# such as s3_out_bucket and other unique tags.
... 

LOG_DIR="/opt/ml/output/tensorboard"

output_path = os.path.join(
    "s3_output_bucket", "sagemaker-output", "date_str", "your-training_job_name"
)

tensorboard_output_config = TensorBoardOutputConfig(
    s3_output_path=os.path.join(output_path, 'tensorboard'),
    container_local_output_path=LOG_DIR
)

model_trainer = ModelTrainer(
    source_code=SourceCode(entry_script="train.py", source_dir="src"),
    role=role,
    training_image=image_uri,
    compute=Compute(instance_count=1, instance_type="ml.c5.xlarge"),
    base_job_name="your-training_job_name",
    tensorboard_output_config=tensorboard_output_config,
    hyperparameters=hyperparameters
)
catatan

TensorBoard Aplikasi tidak menyediakan dukungan out-of-the-box untuk pekerjaan penyetelan hyperparameter SageMaker AI, karena CreateHyperParameterTuningJob API tidak terintegrasi dengan konfigurasi TensorBoard output untuk pemetaan. Untuk menggunakan TensorBoard aplikasi untuk pekerjaan penyetelan hyperparameter, Anda perlu menulis kode untuk mengunggah metrik ke Amazon S3 di skrip pelatihan Anda. Setelah metrik diunggah ke bucket Amazon S3, Anda kemudian dapat memuat bucket ke dalam TensorBoard aplikasi di SageMaker AI.