TensorBoard 在亚马逊 SageMaker Studio 经典版中使用 - Amazon SageMaker
先决条件 设置 TensorBoardCallback安装 TensorBoard发射 TensorBoard
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

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。

TensorBoard 在亚马逊 SageMaker Studio 经典版中使用

重要

截至 2023 年 11 月 30 日，之前的亚马逊 SageMaker Studio 体验现在被命名为 Amazon St SageMaker udio Classic。以下部分专门介绍如何使用 Studio Classic 应用程序。有关使用更新后的 Studio 体验的信息，请参阅亚马逊 SageMaker Studio。

以下文档概述了如何 TensorBoard 在 Amazon SageMaker Studio Classic 中安装和运行。

注意

本指南介绍如何通过单个 SageMaker 域用户配置文件的 SageMaker Studio Classic 笔记本电脑服务器打开 TensorBoard 应用程序。要获得与 T SageMaker raining 和 SageMaker 域访问控制功能集成的更全面的 TensorBoard 体验，请参阅 TensorBoard 用于调试和分析 Amazon 中的训练作业 SageMaker。

先决条件

本教程需要一个 SageMaker 域名。有关更多信息，请参阅 Amazon SageMaker 域名概述。

设置 TensorBoardCallback

  1. 启动 Studio Classic，然后打开启动器。有关更多信息，请参阅使用 Amazon SageMaker Studio 经典启动器

  2. 在 Amazon SageMaker Studio Classic Launcher 的下方Notebooks and compute resources，选择更改环境按钮。

  3. 在 “更改环境” 对话框中，使用下拉菜单选择 TensorFlow 2.6 Python 3.8 CPU Optimized Studio Classic Image。

  4. 返回启动程序，单击创建笔记本图块。您的笔记本电脑将在新的 Studio Classic 选项卡中启动并打开。

  5. 在笔记本单元格中运行此代码。

  6. 导入所需的软件包。

    import os
import datetime
import tensorflow as tf

  7. 创建一个 Keras 模型。

    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. 为您的 TensorBoard 日志创建目录

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

  9. 与一起跑步训练 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. 为 TensorBoard 日志生成 EFS 路径。您可以使用此路径从终端设置日志。

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

    检索 EFS_PATH_LOG_DIR。你将在 TensorBoard安装部分中使用它。

安装 TensorBoard

  1. 单击 Studio Classic 左上角的Amazon SageMaker Studio Classic按钮打开 Amazon SageMaker Studio Classic Launcher。必须从您的根目录打开此启动程序。有关更多信息，请参阅使用 Amazon SageMaker Studio 经典启动器

  2. 在启动程序的Utilities and files下，单击System terminal。

  3. 从终端运行以下命令。从 Jupyter 笔记本复制 EFS_PATH_LOG_DIR。必须在 /home/sagemaker-user 根目录下运行。

    pip install tensorboard
tensorboard --logdir <EFS_PATH_LOG_DIR>

发射 TensorBoard

  1. 要启动 TensorBoard，请复制您的 Studio Classic 网址并lab?替换proxy/6006/为，如下所示。必须包含 / 尾随字符。

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

  2. 导航到 URL 以检查结果。