準備訓練任務以收集 TensorBoard 輸出資料 - Amazon SageMaker AI
先決條件步驟 1：使用開放原始碼 TensorBoard 協助程式工具修改訓練指令碼使用 TensorBoard 資料設定建構 SageMaker AI 訓練啟動器

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

準備訓練任務以收集 TensorBoard 輸出資料

SageMaker AI 中，機器學習的典型訓練任務包含兩個主要步驟：準備訓練指令碼和設定 SageMaker AI Python SDK 的 SageMaker AI 估算器物件。在本節中，您將了解所需的變更，以便從 SageMaker 訓練任務中收集與 TensorBoard 相容的資料。

先決條件

下列清單顯示開始使用 SageMaker AI 與 TensorBoard 的先決條件。

  • 在您的AWS帳戶中使用 Amazon VPC 設定的 SageMaker AI 網域。

    如需有關設定網域的指示，請參閱使用快速設定佈設到 Amazon SageMaker AI 網域。您還需要為個別使用者新增網域使用者設定檔，才能在 SageMaker AI 上存取 TensorBoard。如需更多詳細資訊，請參閱 新增使用者設定檔。

  • 下列清單是在 SageMaker AI 上使用 TensorBoard 時所需的最低許可組合。

    • sagemaker:CreateApp

    • sagemaker:DeleteApp

    • sagemaker:DescribeTrainingJob

    • sagemaker:Search

    • s3:GetObject

    • s3:ListBucket

步驟 1：使用開放原始碼 TensorBoard 協助程式工具修改訓練指令碼

請確定您決定要收集哪些輸出張量和純量，並使用下列任一工具修改訓練指令碼中的程式碼：TensorBoardX、TensorFlow 摘要寫入器、PyTorch 摘要寫入器或 SageMaker Debugger。

此外，請務必將 TensorBoard 資料輸出路徑，指定為訓練容器中回調的日誌目錄 (log_dir)。

如需每個架構回調的更多相關資訊，請參閱下列資源。

步驟 2：使用 TensorBoard 輸出組態建立 SageMaker 訓練估算器物件

在設定 SageMaker AI 架構估算器時使用 sagemaker.debugger.TensorBoardOutputConfig。此組態 API 會將您指定用來儲存 TensorBoard 資料的 S3 儲存貯體，與訓練容器 (/opt/ml/output/tensorboard) 中的本機路徑對應。將模組的物件傳遞給估算器類別的tensorboard_output_config參數。下列程式碼片段為一則範例，顯示使用 TensorBoard 輸出組態參數準備 TensorFlow 估算器。

注意

此範例假設您使用 SageMaker Python SDK。如果您使用低階 SageMaker API，則應在 CreateTrainingJob API 的請求語法中包含以下內容。

"TensorBoardOutputConfig": { 
  "LocalPath": "/opt/ml/output/tensorboard",
  "S3OutputPath": "s3_output_bucket"
}
from sagemaker.tensorflow import TensorFlow
from sagemaker.debugger import TensorBoardOutputConfig

# 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
)

estimator = TensorFlow(
    entry_point="train.py",
    source_dir="src",
    role=role,
    image_uri=image_uri,
    instance_count=1,
    instance_type="ml.c5.xlarge",
    base_job_name="your-training_job_name",
    tensorboard_output_config=tensorboard_output_config,
    hyperparameters=hyperparameters
)
注意

TensorBoard 應用程式不提供立即可用的 SageMaker AI 超參數調校任務支援，因為 CreateHyperParameterTuningJob API 未與映射的 TensorBoard 輸出組態整合。若要將 TensorBoard 應用程式用於超參數調校任務，您需要在訓練指令碼中撰寫將指標上傳至 Amazon S3 的程式碼。將指標上傳至 Amazon S3 儲存貯體後，您就可以將儲存貯體載入 SageMaker AI 上的 TensorBoard 應用程式。