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.

# TensorBoard In Amazon SageMaker Studio Classic verwenden
<a name="studio-tensorboard"></a>

**Wichtig**  
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).  
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).

 Das folgende Dokument beschreibt die Installation und Ausführung TensorBoard in Amazon SageMaker Studio Classic. 

**Anmerkung**  
Diese Anleitung zeigt, wie Sie die TensorBoard Anwendung über einen SageMaker Studio Classic-Notebook-Server mit einem individuellen SageMaker AI-Domain-Benutzerprofil öffnen. Eine umfassendere TensorBoard Erfahrung, die in SageMaker Training und die Zugriffskontrollfunktionen der SageMaker AI-Domäne integriert ist, finden Sie unter[TensorBoard in Amazon SageMaker AI](tensorboard-on-sagemaker.md).

## Voraussetzungen
<a name="studio-tensorboard-prereq"></a>

Für dieses Tutorial ist eine SageMaker KI-Domain erforderlich. Weitere Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).

## Einrichten von `TensorBoardCallback`
<a name="studio-tensorboard-setup"></a>

1. Starten Sie Studio Classic und öffnen Sie den Launcher. Weitere Informationen finden Sie unter [Verwenden Sie den Amazon SageMaker Studio Classic Launcher](studio-launcher.md).

1. Wählen Sie im Amazon SageMaker Studio Classic Launcher unter `Notebooks and compute resources` die Schaltfläche **Umgebung ändern**.

1. Im Dialogfeld **Umgebung ändern** verwenden Sie die Dropdown-Menüs, um das **Image** `TensorFlow 2.6 Python 3.8 CPU Optimized` von Studio Classic auszuwählen.

1. Kehren Sie zum Launcher zurück und klicken Sie auf die Kachel **Notebook erstellen**. Ihr Notebook wird gestartet und auf einer neuen Studio-Classic-Registerkarte geöffnet.

1. Führen Sie diesen Code in Ihren Notebook-Zellen aus.

1. Importieren Sie die erforderlichen Pakete. 

   ```
   import os
   import datetime
   import tensorflow as tf
   ```

1. Erstellen Sie ein Keras-Modell.

   ```
   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')
     ])
   ```

1. Erstellen Sie ein Verzeichnis für Ihre TensorBoard Logs

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

1. Führen Sie das Training mit durch 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])
   ```

1. Generieren Sie den EFS-Pfad für die TensorBoard Protokolle. Sie verwenden diesen Pfad, um Ihre Protokolle vom Terminal aus einzurichten.

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

   Rufen Sie den `EFS_PATH_LOG_DIR` ab. Sie benötigen ihn im TensorBoard Installationsbereich.

## Installieren TensorBoard
<a name="studio-tensorboard-install"></a>

1. Klicken Sie auf die `Amazon SageMaker Studio Classic` Schaltfläche in der oberen linken Ecke von Studio Classic, um den Amazon SageMaker Studio Classic Launcher zu öffnen. Dieser Launcher muss von Ihrem Stammverzeichnis aus geöffnet werden. Weitere Informationen finden Sie unter [Verwenden Sie den Amazon SageMaker Studio Classic Launcher](studio-launcher.md).

1. Klicken Sie im Launcher unter `Utilities and files` auf `System terminal`. 

1. Führen Sie am Terminal folgende Befehle aus. Kopieren Sie `EFS_PATH_LOG_DIR` aus dem Jupyter Notebook. Sie müssen dies aus dem `/home/sagemaker-user` Stammverzeichnis ausführen.

   ```
   pip install tensorboard
   tensorboard --logdir <EFS_PATH_LOG_DIR>
   ```

## Starten TensorBoard
<a name="studio-tensorboard-launch"></a>

1. Kopieren Sie zum Starten TensorBoard Ihre Studio Classic-URL und `lab?` ersetzen Sie `proxy/6006/` sie wie folgt. Sie müssen das Schlusszeichen `/` einschließen.

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

1. Navigieren Sie zur URL, um Ihre Ergebnisse zu überprüfen.