Bereiten Sie einen Schulungsjob vor, um TensorBoard Ausgangsdaten zu sammeln - Amazon SageMaker
VoraussetzungenSchritt 1: Ändern Sie Ihr Trainingsskript mit TensorBoard Open-Source-HilfstoolsKonstruieren Sie einen SageMaker Trainingsstarter mit TensorBoard Datenkonfiguration

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Bereiten Sie einen Schulungsjob vor, um TensorBoard Ausgangsdaten zu sammeln

Ein typischer Trainingsjob für maschinelles Lernen SageMaker besteht aus zwei Hauptschritten: der Vorbereitung eines Trainingsskripts und der Konfiguration eines SageMaker Schätzobjekts für SageMaker PythonSDK. In diesem Abschnitt erfahren Sie mehr über die erforderlichen Änderungen, um TensorBoard kompatible Daten aus SageMaker Trainingsjobs zu sammeln.

Voraussetzungen

In der folgenden Liste sind die Voraussetzungen aufgeführt, SageMaker mit TensorBoard denen Sie beginnen können.

  • Eine SageMaker Domain, die bei Amazon VPC in Ihrem AWS Konto eingerichtet ist.

    Anweisungen zur Einrichtung einer Domain finden Sie unter Onboarding to Amazon SageMaker domain using quick setup. Sie müssen auch Domain-Benutzerprofile hinzufügen, damit einzelne Benutzer darauf zugreifen können SageMaker. TensorBoard Weitere Informationen finden Sie unter Benutzerprofil hinzufügen.

  • Die folgende Liste enthält die Mindestberechtigungen für die Verwendung TensorBoard von SageMaker.

    • sagemaker:CreateApp

    • sagemaker:DeleteApp

    • sagemaker:DescribeTrainingJob

    • sagemaker:Search

    • s3:GetObject

    • s3:ListBucket

Schritt 1: Ändern Sie Ihr Trainingsskript mit TensorBoard Open-Source-Hilfstools

Stellen Sie sicher, dass Sie festlegen, welche Ausgabetensoren und Skalare erfasst werden sollen, und ändern Sie die Codezeilen in Ihrem Trainingsskript mit einem der folgenden Tools: TensorBoard X, TensorFlow Summary Writer, Summary Writer oder PyTorch Debugger. SageMaker

Stellen Sie außerdem sicher, dass Sie den TensorBoard Datenausgabepfad als Protokollverzeichnis (log_dir) für den Rückruf im Trainingscontainer angeben.

Weitere Informationen zu Rückrufen pro Framework finden Sie in den folgenden Ressourcen.

Schritt 2: Erstellen Sie ein SageMaker Trainingsschätzungsobjekt mit der Ausgabekonfiguration TensorBoard

Verwenden Sie sagemaker.debugger.TensorBoardOutputConfig bei der Konfiguration einen SageMaker Framework-Estimator. Diese Konfiguration API ordnet den S3-Bucket, den Sie zum Speichern von TensorBoard Daten angeben, dem lokalen Pfad im Trainingscontainer zu (/opt/ml/output/tensorboard). Übergeben Sie das Objekt des Moduls an den tensorboard_output_config Parameter der Schätzerklasse. Der folgende Codeausschnitt zeigt ein Beispiel für die Vorbereitung eines TensorFlow Schätzers mit dem TensorBoard Ausgabekonfigurationsparameter.

Anmerkung

In diesem Beispiel wird davon ausgegangen, dass Sie SageMaker Python verwendenSDK. Wenn Sie die Low-Level-Version verwenden SageMaker API, sollten Sie Folgendes in die Anforderungssyntax von aufnehmen. CreateTrainingJobAPI

"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
)
Anmerkung

Die TensorBoard Anwendung bietet keine out-of-the-box Unterstützung für SageMaker Hyperparameter-Tuning-Jobs, da sie nicht in die TensorBoard Ausgabekonfiguration für das Mapping integriert CreateHyperParameterTuningJobAPIist. Um die TensorBoard Anwendung für Hyperparameter-Tuning-Jobs zu verwenden, müssen Sie in Ihrem Trainingsskript Code für das Hochladen von Metriken auf Amazon S3 schreiben. Sobald die Metriken in einen Amazon S3 S3-Bucket hochgeladen wurden, können Sie den Bucket anschließend in die TensorBoard Anwendung laden SageMaker.