Utilizzo di TensorBoard in Amazon SageMaker Studio Classic - Amazon SageMaker AI
PrerequisitiConfigurazione di TensorBoardCallbackInstallazione TensorBoardAvvio di TensorBoard

Utilizzo di TensorBoard in Amazon SageMaker Studio Classic

Importante

A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio ha cambiato nome in Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta Amazon SageMaker Studio.

Il documento seguente descrive come installare ed eseguire TensorBoard in Amazon SageMaker Studio Classic.

Nota

Questa guida mostra come aprire l’applicazione TensorBoard tramite un server di notebook SageMaker Studio Classic di un singolo profilo utente del dominio SageMaker AI. Per un’esperienza TensorBoard più completa, integrata con SageMaker Training e le funzionalità di controllo degli accessi del dominio SageMaker AI, consulta TensorBoard in Amazon SageMaker AI.

Prerequisiti

Questo tutorial richiede un dominio SageMaker AI. Per ulteriori informazioni, consulta Panoramica del dominio Amazon SageMaker AI

Configurazione di TensorBoardCallback

  1. Avvia Studio Classic e apri l’utilità di avvio. Per ulteriori informazioni, consulta Utilizzo dell’utilità di avvio di Amazon SageMaker Studio Classic

  2. Nell’utilità di avvio di Amazon SageMaker Studio Classic, in Notebooks and compute resources, scegli il pulsante Cambia ambiente.

  3. Nella finestra di dialogo Cambia ambiente, utilizza i menu a discesa per selezionare l’immagine TensorFlow 2.6 Python 3.8 CPU Optimized di Studio Classic.

  4. Tornando all'utilità di avvio, fai clic sul riquadro Crea notebook. Studio Classic avvia e apre il notebook in una nuova scheda.

  5. Esegui questo codice dall'interno delle celle del tuo notebook.

  6. Importa i pacchetti richiesti. 

    import os
import datetime
import tensorflow as tf

  7. Crea un modello Keras.

    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. Creazione di una directory per i log TensorBoard

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

  9. Esegui l'addestramento con 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. Genera il percorso EFS per i log TensorBoard. Utilizza questo percorso per configurare i log dal terminale.

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

    Recupera il valore EFS_PATH_LOG_DIR. Ne avrai bisogno nella sezione di installazione di TensorBoard.

Installazione TensorBoard

  1. Per aprire l’utilità di avvio di Amazon SageMaker Studio Classic, fai clic sul pulsante Amazon SageMaker Studio Classic nell’angolo in alto a sinistra di Studio Classic. Questa utilità di avvio deve essere aperta dalla directory root. Per ulteriori informazioni, consulta Utilizzo dell’utilità di avvio di Amazon SageMaker Studio Classic

  2. Nell'utilità di avvio, in Utilities and files, fai clic su System terminal.

  3. Dal terminale, esegui i comandi seguenti: Copia EFS_PATH_LOG_DIR dal notebook Jupyter. Devi eseguirlo dalla directory root di /home/sagemaker-user.

    pip install tensorboard
tensorboard --logdir <EFS_PATH_LOG_DIR>

Avvio di TensorBoard

  1. Per avviare TensorBoard, copia l’URL di Studio Classic e sostituisci lab? con proxy/6006/ come segue. Devi includere il carattere / finale.

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

  2. Vai all'URL per esaminare i risultati.