Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
TensorBoard À utiliser pour déboguer et analyser les tâches de formation sur Amazon SageMaker
Amazon SageMaker with TensorBoard est une fonctionnalité d'Amazon SageMaker qui intègre les outils de visualisation de TensorBoard
Note
Cette fonctionnalité est destinée à la formation et au débogage de modèles d'apprentissage en profondeur à l'aide du TensorFlow framework PyTorch or.
Pour les scientifiques des données
L'entraînement de grands modèles peut poser des problèmes scientifiques que les scientifiques des données doivent déboguer et résoudre afin d'améliorer la convergence des modèles et de stabiliser les processus de descente de gradient.
Lorsque vous rencontrez des problèmes d'entraînement de modèle, tels que la convergence de pertes ou la disparition ou l'explosion de poids et de gradients, vous devez accéder aux données tensorielles pour approfondir et analyser les paramètres du modèle, les scalaires et toute métrique personnalisée. À l'aide de SageMaker with TensorBoard, vous pouvez visualiser les tenseurs de sortie du modèle extraits des tâches d'entraînement. Lorsque vous testez différents modèles, plusieurs cycles d'entraînement et les hyperparamètres du modèle, vous pouvez sélectionner plusieurs tâches d'entraînement TensorBoard et les comparer au même endroit.
Pour les administrateurs
Depuis la page TensorBoard d'accueil de la SageMaker console ou du SageMaker domaine, vous pouvez gérer les utilisateurs de TensorBoard l'application si vous êtes administrateur d'un AWS compte ou d'un SageMaker domaine. Chaque utilisateur du domaine peut accéder à sa propre TensorBoard application avec les autorisations accordées. En tant SageMaker qu'administrateur de domaine et utilisateur du domaine, vous pouvez créer et supprimer l' TensorBoard application en fonction du niveau d'autorisation dont vous disposez.
Frameworks pris en charge et Régions AWS
Cette fonctionnalité prend en charge les frameworks de machine learning et les Régions AWS suivants.
Frameworks
-
PyTorch
-
TensorFlow
-
Hugging Face Transformers
Régions AWS
-
USA Est (Virginie du Nord) (
us-east-1
) -
USA Est (Ohio) (
us-east-2
) -
USA Ouest (Oregon) (
us-west-2
) -
Europe (Francfort) (
eu-central-1
) -
Europe (Irlande) (
eu-west-1
)
Note
Amazon TensorBoard exécute SageMaker l' TensorBoard application sur une ml.r5.large
instance et engage des frais après le niveau SageMaker gratuit ou la période d'essai gratuite de la fonctionnalité. Pour plus d'informations, consultez Amazon SageMaker Pricing
Prérequis
La liste suivante indique les prérequis pour commencer à l'utiliser SageMaker . TensorBoard
-
Un SageMaker domaine configuré avec Amazon VPC dans votre AWS compte.
Pour obtenir des instructions sur la configuration d'un domaine, consultez Intégrer un SageMaker domaine Amazon à l'aide de la configuration rapide. Vous devez également ajouter des profils d'utilisateur de domaine pour que les utilisateurs individuels puissent accéder TensorBoard au SageMaker. Pour plus d'informations, voir Ajouter et supprimer des profils d'utilisateur de SageMaker domaine.
-
La liste suivante indique l'ensemble minimal d'autorisations à utiliser TensorBoard sur SageMaker.
-
sagemaker:CreateApp
-
sagemaker:DeleteApp
-
sagemaker:DescribeTrainingJob
-
sagemaker:Search
-
s3:GetObject
-
s3:ListBucket
-
Préparer un travail de formation avec une configuration des données de TensorBoard sortie
Une tâche de formation typique pour le deep learning SageMaker comprend deux étapes principales : la préparation d'un script de formation et la configuration d'un lanceur de tâches de SageMaker formation. Dans cette section, vous pouvez vérifier les modifications nécessaires pour collecter des données TensorBoard compatibles à partir de SageMaker Training.
Étape 1 : Modifier votre script d'entraînement
Assurez-vous de déterminer les tenseurs et les scalaires de sortie à collecter, et de modifier les lignes de code de votre script d'entraînement à l'aide de l'un des outils suivants : TensorBoard X, TensorFlow Summary Writer, PyTorch Summary Writer ou SageMaker Debugger.
Assurez-vous également de spécifier le chemin de sortie TensorBoard des données en tant que répertoire du journal (log_dir
) pour le rappel dans le conteneur d'entraînement.
Pour plus d'informations sur les rappels par framework, consultez les ressources suivantes.
-
Pour PyTorch, utilisez torch.utils.tensorboard. SummaryWriter
. Consultez également les sections Using TensorBoard in PyTorch et Log scalars dans les PyTorchdidacticiels. Vous pouvez également utiliser TensorBoardX Summary Writer . LOG_DIR="/opt/ml/output/tensorboard" tensorboard_callback=torch.utils.tensorboard.writer.SummaryWriter(log_dir=LOG_DIR)
-
Pour TensorFlow, utilisez le rappel natif pour, TensorBoard tf.keras.callbacks. TensorBoard
. LOG_DIR="/opt/ml/output/tensorboard" tensorboard_callback=tf.keras.callbacks.TensorBoard( log_dir=LOG_DIR, histogram_freq=1)
-
Pour Transformers with PyTorch, vous pouvez utiliser transformers.integrations. TensorBoardCallback
. Pour Transformers with TensorFlow, utilisez le
tf.keras.tensorboard.callback
, et transmettez-le au rappel Keras dans Transformers.Astuce
Vous pouvez également utiliser un chemin de sortie local du conteneur différent. Cependant, dansÉtape 2 : Construire un lanceur d' SageMakerentraînement avec configuration TensorBoard des données, vous devez mapper correctement les chemins pour réussir SageMaker à rechercher le chemin local et à enregistrer les TensorBoard données dans le compartiment de sortie S3.
-
Pour obtenir des conseils sur la modification des scripts d'entraînement à l'aide de la bibliothèque SageMaker Debugger Python, consultez. Étape 1 : adapter votre script d'entraînement pour enregistrer un hook
Étape 2 : Construire un lanceur d' SageMakerentraînement avec configuration TensorBoard des données
Utilisez-le sagemaker.debugger.TensorBoardOutputConfig
lors de la configuration d'un estimateur de SageMaker framework. Cette configuration API mappe le compartiment S3 que vous spécifiez pour enregistrer les TensorBoard données avec le chemin local dans le conteneur d'entraînement (/opt/ml/output/tensorboard
). Passez l'objet du module au paramètre tensorboard_output_config
de la classe d'estimateur. L'extrait de code suivant montre un exemple de préparation d'un TensorFlow estimateur avec le TensorBoard paramètre de configuration de sortie.
Note
Cet exemple suppose que vous utilisez le SageMaker PythonSDK. Si vous utilisez le bas niveau SageMaker API, vous devez inclure ce qui suit dans la syntaxe de demande du 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
)
Comment accéder TensorBoard à SageMaker
Vous pouvez y accéder TensorBoard par deux méthodes : par programmation en utilisant le sagemaker.interactive_apps.tensorboard
module qui génère un document non signé ou présignéURL, ou en utilisant la page d'accueil de la TensorBoard console. SageMaker Une fois que vous l'avez ouvert TensorBoard, il SageMaker exécute le TensorBoard plugin et trouve automatiquement toutes les données de sortie des tâches de formation dans un format de fichier TensorBoard compatible.
Rubriques
Ouvrez TensorBoard à l'aide du sagemaker.interactive_apps.tensorboard
module
Le sagemaker.interactive_apps.tensorboard
module fournit une fonction appelée get_app_url
qui génère des fichiers non signés ou présignés URLs pour ouvrir l' TensorBoard application dans n'importe quel environnement d'Amazon ou d' SageMaker Amazon. EC2 Cela vise à fournir une expérience unifiée aux utilisateurs de Studio Classic et aux non-utilisateurs de Studio Classic. Pour l'environnement Studio, vous pouvez ouvrir TensorBoard en exécutant la get_app_url()
fonction telle quelle, ou vous pouvez également spécifier un nom de tâche pour démarrer le suivi à l'ouverture de l' TensorBoard application. Pour les environnements autres que Studio Classic, vous pouvez ouvrir TensorBoard en fournissant les informations de votre domaine et de profil utilisateur à la fonction utilitaire. Grâce à cette fonctionnalité, quel que soit l'endroit ou la manière dont vous exécutez le code d'entraînement et lancez les tâches de formation, vous pouvez y accéder directement en TensorBoard exécutant la get_app_url
fonction dans votre bloc-notes ou votre terminal Jupyter.
Note
Cette fonctionnalité est disponible dans SageMaker Python SDK v2.184.0 et versions ultérieures. Pour utiliser cette fonctionnalité, assurez-vous de mettre à niveau le SDK en exécutantpip
install sagemaker --upgrade
.
Rubriques
Option 1 : pour SageMaker Studio Classic
Si vous utilisez SageMaker Studio Classic, vous pouvez directement ouvrir l' TensorBoardapplication ou récupérer une application non signée URL en exécutant la get_app_url
fonction comme suit. Comme vous vous trouvez déjà dans l'environnement Studio Classic et que vous êtes connecté en tant qu'utilisateur de domaine, le code non signé est get_app_url()
généré URL car il n'est pas nécessaire de vous authentifier à nouveau.
Pour ouvrir l' TensorBoard application
Le code suivant ouvre automatiquement l' TensorBoard application à partir du code non signé URL que la get_app_url()
fonction renvoie dans le navigateur Web par défaut de votre environnement.
from sagemaker.interactive_apps import tensorboard region = "
us-west-2
" app = tensorboard.TensorBoardApp(region) app.get_app_url( training_job_name="your-training_job_name
" # Optional. Specify the job name to track a specific training job )
Pour récupérer une application non signée URL et ouvrir l' TensorBoardapplication manuellement
Le code suivant imprime un code non signé URL que vous pouvez copier dans un navigateur Web et ouvrir l' TensorBoard application.
from sagemaker.interactive_apps import tensorboard region = "
us-west-2
" app = tensorboard.TensorBoardApp(region) print("Navigate to the following URL:") print( app.get_app_url( training_job_name="your-training_job_name
", # Optional. Specify the name of the job to track. open_in_default_web_browser=False
# Set to False to print the URL to terminal. ) )
Notez que si vous exécutez les deux exemples de code précédents en dehors de l'environnement SageMaker Studio Classic, la fonction renverra un URL vers la page TensorBoard d'accueil de la SageMaker console, car ceux-ci ne contiennent aucune information de connexion à votre domaine et à votre profil utilisateur. Pour créer un présignéURL, consultez l'option 2 dans la section suivante.
Option 2 : pour les environnements autres que Studio Classic
Si vous utilisez des environnements autres que Studio Classic, tels qu'une instance SageMaker Notebook ou AmazonEC2, et que vous souhaitez ouvrir TensorBoard directement depuis l'environnement dans lequel vous vous trouvez, vous devez générer un URL pré-signé avec les informations de votre domaine et de votre profil utilisateur. Un présigné URL est un nom URL qui est connecté à Amazon SageMaker Studio Classic lors de sa création avec votre domaine et votre profil utilisateur, et qui a donc accès à toutes les applications de domaine et à tous les fichiers associés à votre domaine. URL Pour ouvrir TensorBoard via un présignéURL, utilisez la get_app_url
fonction avec votre nom de domaine et votre nom de profil utilisateur comme suit.
Notez que cette option nécessite l'sagemaker:CreatePresignedDomainUrl
autorisation de l'utilisateur du domaine. Sans autorisation, l'utilisateur du domaine recevra une erreur d'exception.
Important
Ne partagez aucun document présignéURLs. La get_app_url
fonction crée une signature présignéeURLs, qui s'authentifie automatiquement auprès de votre domaine et de votre profil utilisateur et donne accès à toutes les applications et à tous les fichiers associés à votre domaine.
print( app.get_app_url( training_job_name="
your-training_job_name
", # Optional. Specify the name of the job to track. create_presigned_domain_url=True
, # Reguired to be set to True for creating a presigned URL. domain_id="your-domain-id
", # Required if creating a presigned URL (create_presigned_domain_url=True). user_profile_name="your-user-profile-name
", # Required if creating a presigned URL (create_presigned_domain_url=True). open_in_default_web_browser=False
, # Optional. Set to False to print the URL to terminal. optional_create_presigned_url_kwargs={} # Optional. Add any additional args for Boto3 create_presigned_domain_url ) )
Astuce
La get_app_url
fonction exécute le SageMaker.Client.create_presigned_domain_url
create_presigned_domain_url
API crée un domaine présigné URLs qui expire dans 300 secondes par défaut, l' TensorBoard application présignée expire URLs également dans 300 secondes. Si vous souhaitez prolonger le délai d'expiration, transmettez l'argument ExpiresInSeconds
à l'argument optional_create_presigned_url_kwargs
de la fonction get_app_url
comme suit.
optional_create_presigned_url_kwargs={"ExpiresInSeconds":
1500
}
Note
Si l'une de vos entrées passées aux arguments de n'get_app_url
est pas valide, la fonction affiche un URL vers la page de TensorBoard destination au lieu d'ouvrir l' TensorBoard application. Le message de sortie ressemblerait à ce qui suit.
Navigate to the following URL: https://us-west-2.console.aws.amazon.com/sagemaker/home?region=us-west-2#/tensor-board-landing
Ouvrez TensorBoard en utilisant la get_app_url
fonction comme méthode estimator
de classe
Si vous êtes en train d'exécuter une tâche d'entraînement en utilisant la estimator
classe du SageMaker Python SDK et que vous avez un objet actif de cette estimator
classe, vous pouvez également accéder à la get_app_url
fonction en tant que méthode de classeestimator
classe. Ouvrez l' TensorBoard application ou récupérez une application non signée URL en exécutant la get_app_url
méthode comme suit. La méthode get_app_url
de classe extrait le nom de la tâche de formation de l'estimateur et ouvre l' TensorBoard application avec la tâche spécifiée.
Note
Cette fonctionnalité est disponible dans SageMaker Python SDK v2.184.0 et versions ultérieures. Pour utiliser cette fonctionnalité, assurez-vous de mettre à niveau le SDK en exécutantpip
install sagemaker --upgrade
.
Rubriques
Option 1 : pour SageMaker Studio Classic
Pour ouvrir l' TensorBoard application
Le code suivant ouvre automatiquement l' TensorBoard application à partir du code non signé URL renvoyé par la get_app_url()
méthode dans le navigateur Web par défaut de votre environnement.
estimator.get_app_url( app_type=SupportedInteractiveAppTypes.TENSORBOARD # Required. )
Pour récupérer une application non signée URL et ouvrir l' TensorBoardapplication manuellement
Le code suivant imprime un code non signé URL que vous pouvez copier dans un navigateur Web et ouvrir l' TensorBoard application.
print( estimator.get_app_url( app_type=SupportedInteractiveAppTypes.TENSORBOARD, # Required. open_in_default_web_browser=False, # Optional. Set to False to print the URL to terminal. ) )
Notez que si vous exécutez les deux exemples de code précédents en dehors de l'environnement SageMaker Studio Classic, la fonction renverra un URL vers la page TensorBoard d'accueil de la SageMaker console, car ceux-ci ne contiennent aucune information de connexion à votre domaine et à votre profil utilisateur. Pour créer un présignéURL, consultez l'option 2 dans la section suivante.
Option 2 : pour les environnements autres que Studio Classic
Si vous utilisez des environnements autres que Studio Classic, tels que l'instance SageMaker Notebook et AmazonEC2, et que vous souhaitez générer un présigné URL pour ouvrir l' TensorBoard application, utilisez la get_app_url
méthode avec les informations de votre domaine et de votre profil utilisateur comme suit.
Notez que cette option nécessite l'sagemaker:CreatePresignedDomainUrl
autorisation de l'utilisateur du domaine. Sans autorisation, l'utilisateur du domaine recevra une erreur d'exception.
Important
Ne partagez aucun document présignéURLs. La get_app_url
fonction crée une signature présignéeURLs, qui s'authentifie automatiquement auprès de votre domaine et de votre profil utilisateur et donne accès à toutes les applications et à tous les fichiers associés à votre domaine.
print( estimator.get_app_url( app_type=SupportedInteractiveAppTypes.TENSORBOARD, # Required create_presigned_domain_url=
True
, # Reguired to be set to True for creating a presigned URL. domain_id="your-domain-id
", # Required if creating a presigned URL (create_presigned_domain_url=True). user_profile_name="your-user-profile-name
", # Required if creating a presigned URL (create_presigned_domain_url=True). open_in_default_web_browser=False, # Optional. Set to False to print the URL to terminal. optional_create_presigned_url_kwargs={} # Optional. Add any additional args for Boto3 create_presigned_domain_url ) )
Ouvrez TensorBoard par le biais de la SageMaker console
Vous pouvez également utiliser l'interface utilisateur de la SageMaker console pour ouvrir l' TensorBoard application. Il existe deux options pour ouvrir l' TensorBoard application via la SageMaker console.
Rubriques
Option 1 : Lancer TensorBoard depuis la page des détails du domaine
Accédez à la page des détails du domaine
La procédure suivante indique comment accéder à la page de détails du domaine.
-
Ouvrez la SageMaker console Amazon à l'adresse https://console.aws.amazon.com/sagemaker/
. -
Dans le panneau de navigation de gauche, choisissez Configurations d'administrateur.
-
Sous Configurations d'administration, sélectionnez les domaines.
-
Dans la liste des domaines, sélectionnez le domaine dans lequel vous souhaitez lancer l' TensorBoard application.
Lancement d'une application de profil utilisateur
La procédure suivante montre comment lancer une application Studio Classic limitée à un profil utilisateur.
-
Sur la page des détails du domaine, choisissez l'onglet Profils utilisateurs.
-
Identifiez le profil utilisateur pour lequel vous souhaitez lancer l'application Studio Classic.
-
Choisissez Launch pour le profil utilisateur que vous avez sélectionné, puis choisissez TensorBoard.
Option 2 : Lancer TensorBoard depuis la page de TensorBoard destination
La procédure suivante décrit comment lancer une TensorBoard application depuis la page de TensorBoard destination.
-
Ouvrez la SageMaker console Amazon à l'adresse https://console.aws.amazon.com/sagemaker/
. -
Dans le volet de navigation de gauche, choisissez TensorBoard.
-
Sous Commencer, sélectionnez le domaine dans lequel vous souhaitez lancer l'application Studio Classic. Si votre profil utilisateur n'appartient qu'à un seul domaine, l'option permettant de sélectionner un domaine ne s'affiche pas.
-
Sélectionnez le profil utilisateur pour lequel vous souhaitez lancer l'application Studio Classic. S'il n'existe aucun profil utilisateur dans le domaine, choisissez Créer un profil utilisateur. Pour plus d'informations, veuillez consulter Ajouter et supprimer des profils utilisateur.
-
Choisissez Ouvrir TensorBoard.
La capture d'écran suivante montre l'emplacement de TensorBoard dans le volet de navigation gauche de la SageMaker console et la SageMaker page de TensorBoard destination dans le volet principal.
![La page de TensorBoard destination](images/debugger/htb-landing-page.png)
Accédez aux données de sortie d'entraînement et visualisez-les dans TensorBoard
Vous pouvez effectuer une analyse en ligne ou hors connexion en chargeant les tenseurs de sortie collectés à partir de compartiments S3 associés à des tâches d'entraînement pendant ou après l'entraînement.
Lorsque vous ouvrez l' TensorBoard application, elle TensorBoard s'ouvre avec l'onglet SageMakerData Manager. La capture d'écran suivante montre la vue complète de l'onglet SageMaker Data Manager de l' TensorBoard application.
![La vue de l'onglet SageMaker Data Manager.](images/debugger/htb-sagemaker-manager-tab.png)
Dans l'onglet SageMaker Data Manager, vous pouvez sélectionner n'importe quelle tâche de formation et charger des données de sortie d'entraînement TensorBoard compatibles depuis Amazon S3.
-
Dans la section Rechercher des tâches d'entraînement, utilisez les filtres pour affiner la liste des tâches d'entraînement que vous souhaitez rechercher, charger et visualiser.
-
Dans la section Liste des tâches d'entraînement, utilisez les cases à cocher pour choisir les tâches d'entraînement dont vous souhaitez extraire des données et que vous voulez visualiser à des fins de débogage.
-
Choisissez Ajouter les tâches sélectionnées. Les tâches sélectionnées doivent apparaître dans la section Tâches d'entraînement suivies, comme le montre la capture d'écran suivante.
Note
L'onglet SageMaker Data Manager affiche uniquement les tâches de formation configurées avec le TensorBoardOutputConfig
paramètre. Assurez-vous d'avoir configuré l' SageMaker estimateur avec ce paramètre. Pour de plus amples informations, veuillez consulter Étape 2 : Construire un lanceur d' SageMakerentraînement avec configuration TensorBoard des données.
Note
Les onglets de visualisation peuvent ne pas apparaître si vous utilisez SageMaker with TensorBoard pour la première fois ou si aucune donnée n'est chargée lors d'une utilisation précédente. Après avoir ajouté des tâches d'entraînement et attendu quelques secondes, actualisez la visionneuse en cliquant sur la flèche circulaire dans le sens des aiguilles d'une montre dans le coin supérieur droit. Les onglets de visualisation devraient apparaître une fois que les données de la tâche sont chargées. Vous pouvez également configurer l'actualisation automatique à l'aide du bouton Paramètres situé à côté du bouton d'actualisation dans le coin supérieur droit.
Explorez les données relatives aux résultats d'entraînement visualisées dans TensorBoard
Dans les onglets graphiques, vous pouvez voir la liste des tâches d'entraînement chargées dans le volet de gauche. Vous pouvez également utiliser les cases à cocher des tâches d'entraînement pour afficher ou masquer les visualisations. Les plugins TensorBoard dynamiques sont activés dynamiquement en fonction de la façon dont vous avez configuré votre script d'entraînement pour inclure des rédacteurs de résumés et transmettre des rappels pour la collecte de tenseurs et de scalaires. Les onglets graphiques apparaissent donc également de manière dynamique. Les captures d'écran suivantes montrent des exemples de vues de chaque onglet avec la visualisation de deux tâches d'entraînement qui ont collecté des métriques pour les plug-ins de séries chronologiques, de scalaires, de graphiques, de distribution et d'histogrammes.
La vue par TIME SERIES onglets
![La vue par TIMESERIESonglets.](images/debugger/htb-time-series.png)
La vue par SCALARS onglets
![La vue par SCALARSonglets.](images/debugger/htb-scalars.png)
La vue par GRAPHS onglets
![La vue par GRAPHSonglets.](images/debugger/htb-graphs.png)
La vue par DISTRIBUTIONS onglets
![La vue par DISTRIBUTIONSonglets.](images/debugger/htb-distribution.png)
La vue par HISTOGRAMS onglets
![La vue par HISTOGRAMSonglets.](images/debugger/htb-histogram.png)
Supprimer les TensorBoard applications inutilisées
Une fois que vous avez terminé de surveiller et d'expérimenter les tâches TensorBoard, fermez l' TensorBoard application.
-
Ouvrez la SageMaker console.
-
Dans le panneau de navigation de gauche, choisissez Configurations d'administrateur.
-
Sous Configurations d'administration, sélectionnez les domaines.
-
Choisissez votre domaine.
-
Choisissez votre profil utilisateur.
-
Sous Applications, choisissez Supprimer l'application pour la TensorBoard ligne.
-
Choisissez Yes, delete app (Oui, supprimer l'appli).
-
Tapez
delete
dans la zone de texte, puis choisissez Supprimer. -
Un message bleu devrait apparaître en haut de l'écran : la valeur par défaut est en cours de suppression.
Considérations
Tenez compte des points suivants lors de l'utilisation SageMaker avec TensorBoard.
-
Vous ne pouvez pas partager les TensorBoard applications à des fins de collaboration car le SageMaker domaine n'autorise pas le partage d'applications entre les utilisateurs. Les utilisateurs peuvent partager les tenseurs de sortie enregistrés dans un compartiment S3, s'ils ont accès au compartiment.
-
Les plug-ins de visualisation peuvent ne pas apparaître lorsque vous lancez l' TensorBoard application pour la première fois. Une fois que vous avez sélectionné des tâches de formation dans le plug-in SageMaker Data Manager, l' TensorBoard application charge les TensorBoard données et remplit les plug-ins de visualisation.
-
L' TensorBoard application s'arrête automatiquement après 1 heure d'inactivité. Si vous souhaitez arrêter l'application lorsque vous avez fini de l'utiliser, assurez-vous de la fermer TensorBoard manuellement pour éviter de payer pour l'instance qui l'héberge. Pour obtenir des instructions sur la suppression de l'application, consultez Supprimer les TensorBoard applications inutilisées.
-
L' TensorBoard application SageMaker est conçue pour fournir un out-of-the-box soutien aux emplois SageMaker de formation. Cette intégration intégrée permet un mappage fluide entre le répertoire local au sein du conteneur de formation et un compartiment Amazon S3, facilité au niveau de la
CreateTrainingJob
APIcouche. Grâce à cette intégration, vous pouvez facilement mapper les chemins de répertoire, comme indiqué dans la section Préparer une tâche de formation avec une configuration des données TensorBoard de sortie.Notez toutefois que l' TensorBoard application ne prend pas en out-of-the-box charge les tâches de réglage des SageMaker hyperparamètres, car elle n'
CreateHyperParameterTuningJob
APIest pas intégrée à la configuration de TensorBoard sortie pour le mappage. Pour utiliser l' TensorBoard application pour des tâches de réglage d'hyperparamètres, vous devez écrire du code permettant de télécharger des métriques sur Amazon S3 dans votre script d'entraînement. Une fois les métriques chargées dans un compartiment Amazon S3, vous pouvez charger le compartiment dans l' TensorBoardapplication sur SageMaker.