在 Amazon SageMaker Studio 中使用 TensorBoard - Amazon SageMaker
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

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 Amazon SageMaker Studio 中使用 TensorBoard

以下文档概述了如何在 Amazon SageMaker 工作室中安装和运行 TensorBoard。

Prerequisites

本教程需要亚马逊 SageMaker 工作室域名。

设置 TensorBoardCallback

  1. 启动 Studio。

  2. 在 Amazon SageMaker 工作室启动器中,Notebooks and compute resources下,选择TensorFlow 2.3 Python 3.7(optimized for CPU)Studio 映像。

  3. 启动笔记本。

  4. 导入所需的软件包。

    import os import datetime import tensorflow as tf
  5. 创建您的 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') ])
  6. 为您的电 TensorBoard 日志创建一个目录

    LOG_DIR = os.path.join(os.getcwd(), "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
  7. 使用 TensorBoard 运行训练。

    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])
  8. 生成电量 TensorBoard 日志的 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)

安装 TensorBoard

  1. 点击Amazon SageMaker Studio按钮以打开 Amazon SageMaker Studio 启动器。必须从根目录打开此启动器。

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

  3. 从终端运行以下命令。CopyEFS_PATH_LOG_DIR从 Jupyter 笔记本上。您必须从/home/sagemaker-user根目录。

    pip install tensorboard tensorboard --logdir <EFS_PATH_LOG_DIR>

启动 TensorBoard

  1. 要启动 TensorBoard,请复制您的工作室网址并将lab?替换为proxy/6006/如下所示。您必须包含尾随/character.

    https://<YOUR_URL>.studio.region.sagemaker.aws/jupyter/default/proxy/6006/
  2. 导航到 URL 以检查结果。