本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 在中可视化 Amazon SageMaker Debugger 输出张量 TensorBoard
<a name="debugger-enable-tensorboard-summaries"></a>

**重要**  
本页面已被弃用，取而代之的是使用 SageMaker Amazon AI TensoBoard，它提供了与 A SageMaker I 域的 SageMaker 培训和访问控制功能集成的全面 TensorBoard 体验。要了解更多信息，请参阅[TensorBoard 在亚马逊 A SageMaker I 中](tensorboard-on-sagemaker.md)。

使用 SageMaker Debugger 创建与兼容的输出张量文件。 TensorBoard加载文件以可视化 TensorBoard 并分析您的 SageMaker 训练作业。调试器会自动生成与兼容的输出张量文件。 TensorBoard对于您为保存输出张量而自定义的任何挂钩配置，Debugger 可以灵活地创建可以导入的标量摘要、分布和直方图。 TensorBoard

![\[Debugger 输出张量保存机制的架构图。\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/debugger/debugger-tensorboard-concept.png)


您可以通过将 `DebuggerHookConfig` 和 `TensorBoardOutputConfig` 对象传递到 `estimator` 来启用此功能。

以下过程说明了如何将标量、权重和偏差保存为可视化的完整张量、直方图和分布。 TensorBoardDebugger 将它们保存到训练容器的本地路径（默认路径为 `/opt/ml/output/tensors`），并同步到通过 Debugger 输出配置对象传递的 Amazon S3 位置。

**使用调试 TensorBoard 器保存兼容的输出张量文件**

1. 使用 Debugger `TensorBoardOutputConfig` 类设置`tensorboard_output_config`配置对象以保存 TensorBoard 输出。对于`s3_output_path`参数，请指定当前 SageMaker AI 会话的默认 S3 存储桶或首选 S3 存储桶。此示例不会添加 `container_local_output_path` 参数；相反，它被设置为默认的本地路径 `/opt/ml/output/tensors`。

   ```
   import sagemaker
   from sagemaker.debugger import TensorBoardOutputConfig
   
   bucket = sagemaker.Session().default_bucket()
   tensorboard_output_config = TensorBoardOutputConfig(
       s3_output_path='s3://{}'.format(bucket)
   )
   ```

   有关更多信息，请参阅 [Amaz SageMaker on Python 软件开发工具包](https://sagemaker.readthedocs.io/en/stable)中的调试器 `[TensorBoardOutputConfig](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html#sagemaker.debugger.TensorBoardOutputConfig)` API。

1. 配置 Debugger 钩子并自定义挂钩参数值。例如，以下代码将 Debugger 钩子配置为在训练阶段每 100 步保存一次所有标量输出，在验证阶段每 10 步保存一次所有标量输出，每 500 步保存一次 `weights` 参数（保存张量集合的默认 `save_interval` 值为 500），每 10 个全局步骤保存一次 `bias` 参数，直到全局步骤数达到 500。

   ```
   from sagemaker.debugger import CollectionConfig, DebuggerHookConfig
   
   hook_config = DebuggerHookConfig(
       hook_parameters={
           "train.save_interval": "100",
           "eval.save_interval": "10"
       },
       collection_configs=[
           CollectionConfig("weights"),
           CollectionConfig(
               name="biases",
               parameters={
                   "save_interval": "10",
                   "end_step": "500",
                   "save_histogram": "True"
               }
           ),
       ]
   )
   ```

   有关调试器配置的更多信息 APIs，请参阅调试器`[CollectionConfig](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html#sagemaker.debugger.CollectionConfig)`和 Amaz [on Pyth SageMaker on](https://sagemaker.readthedocs.io/en/stable) 软件开发工具包`[DebuggerHookConfig](https://sagemaker.readthedocs.io/en/stable/api/training/debugger.html#sagemaker.debugger.DebuggerHookConfig)` APIs 中的。

1. 使用传递配置 SageMaker 对象的调试器参数构造一个 AI 估计器。以下示例模板展示了如何创建通用 SageMaker AI 估算器。你可以`Estimator`用其他 SageMaker AI 框架的估算器父类`estimator`和估算器类替换和。此功能的可用的 SageMaker AI 框架估算器有`[TensorFlow](https://sagemaker.readthedocs.io/en/stable/frameworks/tensorflow/using_tf.html#create-an-estimator)``[PyTorch](https://sagemaker.readthedocs.io/en/stable/frameworks/pytorch/using_pytorch.html#create-an-estimator)`、和。`[MXNet](https://sagemaker.readthedocs.io/en/stable/frameworks/mxnet/using_mxnet.html#create-an-estimator)`

   ```
   from sagemaker.estimator import Estimator
   
   estimator = Estimator(
       ...
       # Debugger parameters
       debugger_hook_config=hook_config,
       tensorboard_output_config=tensorboard_output_config
   )
   estimator.fit()
   ```

   该`estimator.fit()`方法启动训练作业，然后 Debugger 将输出张量文件实时写入调试器 S3 输出路径和 S3 输出路径。 TensorBoard 要检索输出路径，请使用以下估算器方法：
   + 对于 Debugger S3 输出路径，请使用 `estimator.latest_job_debugger_artifacts_path()`。
   + 对于 S TensorBoard 3 输出路径，请使用`estimator.latest_job_tensorboard_artifacts_path()`。

1. 训练完成后，请检查保存的输出张量的名称：

   ```
   from smdebug.trials import create_trial
   trial = create_trial(estimator.latest_job_debugger_artifacts_path())
   trial.tensor_names()
   ```

1. 检查 Amazon S3 中的 TensorBoard 输出数据：

   ```
   tensorboard_output_path=estimator.latest_job_tensorboard_artifacts_path()
   print(tensorboard_output_path)
   !aws s3 ls {tensorboard_output_path}/
   ```

1. 将 TensorBoard 输出数据下载到您的笔记本实例。例如，以下 AWS CLI 命令将 TensorBoard 文件下载到笔记本实例的当前工作目录`/logs/fit`下。

   ```
   !aws s3 cp --recursive {tensorboard_output_path} ./logs/fit
   ```

1. 将文件目录压缩为 TAR 文件以下载到本地计算机。

   ```
   !tar -cf logs.tar logs
   ```

1. 将 Tensorboard TAR 文件下载并解压缩到设备上的某个目录中，启动 Jupyter 笔记本服务器，打开一个新的笔记本，然后运行该应用程序。 TensorBoard

   ```
   !tar -xf logs.tar
   %load_ext tensorboard
   %tensorboard --logdir logs/fit
   ```

以下动画屏幕截图介绍了步骤 5 至 8。它演示了如何下载 Debugger TensorBoard TAR 文件并将该文件加载到本地设备上的 Jupyter 笔记本中。

![\[关于如何在本地计算机上下载和加载调试器 TensorBoard文件的动画。\]](http://docs.aws.amazon.com/zh_cn/sagemaker/latest/dg/images/debugger/debugger-tensorboard.gif)