Visualisasikan tensor keluaran Amazon SageMaker Debugger di TensorBoard

Untuk menyimpan file tensor keluaran yang TensorBoard kompatibel menggunakan Debugger

1. Siapkan objek tensorboard_output_config konfigurasi untuk menyimpan TensorBoard output menggunakan TensorBoardOutputConfig kelas Debugger. Untuk s3_output_path parameter, tentukan bucket S3 default dari sesi SageMaker AI saat ini atau bucket S3 pilihan. Contoh ini tidak menambahkan container_local_output_path parameter; sebagai gantinya, itu diatur ke jalur lokal default/opt/ml/output/tensors.

   from sagemaker.core.debugger import TensorBoardOutputConfig
   from sagemaker.core.helper.session_helper import Session
   
   bucket = Session().default_bucket()
   tensorboard_output_config = TensorBoardOutputConfig(
       s3_output_path='s3://{}'.format(bucket)
   )

   Untuk informasi tambahan, lihat Debugger TensorBoardOutputConfig API di Amazon SageMaker Python SDK.

2. Konfigurasikan hook Debugger dan sesuaikan nilai parameter hook. Misalnya, kode berikut mengonfigurasi hook Debugger untuk menyimpan semua output skalar setiap 100 langkah dalam fase pelatihan dan 10 langkah dalam fase validasi, weights parameter setiap 500 langkah (save_intervalnilai default untuk menyimpan koleksi tensor adalah 500), dan bias parameter setiap 10 langkah global hingga langkah global mencapai 500.

   from sagemaker.debugger import CollectionConfig, DebuggerHookConfig
   
   hook_config = DebuggerHookConfig(
       hook_parameters={
           "train.save_interval": "100",
           "eval.save_interval": "10"
       },
       collection_configs=[
           CollectionConfig("weights"),
           CollectionConfig(
               name="biases",
               parameters={
                   "save_interval": "10",
                   "end_step": "500",
                   "save_histogram": "True"
               }
           ),
       ]
   )

   Untuk informasi selengkapnya tentang API konfigurasi Debugger, lihat Debugger CollectionConfig dan DebuggerHookConfig API di Amazon SageMaker Python SDK.

3. Bangun SageMaker AI ModelTrainer dengan parameter Debugger yang melewati objek konfigurasi. Template contoh berikut menunjukkan cara membuat SageMaker AI generik ModelTrainer. Ker ModelTrainer angka kerja yang tersedia untuk fungsi ini adalah TensorFlowPyTorch,, danMXNet.

   from sagemaker.train import ModelTrainer
   
   model_trainer = ModelTrainer(
       ...
       # Debugger parameters
       debugger_hook_config=hook_config,
       tensorboard_output_config=tensorboard_output_config
   )
   model_trainer.train()

   model_trainer.train()Metode ini memulai pekerjaan pelatihan, dan Debugger menulis file tensor keluaran secara real time ke jalur keluaran Debugger S3 dan ke jalur keluaran TensorBoard S3. Untuk mengambil jalur keluaran, gunakan ModelTrainer metode berikut:

   • Untuk jalur keluaran Debugger S3, gunakanmodel_trainer.latest_job_debugger_artifacts_path().

   • Untuk jalur keluaran TensorBoard S3, gunakanmodel_trainer.latest_job_tensorboard_artifacts_path().

4. Setelah pelatihan selesai, periksa nama-nama tensor keluaran yang disimpan:

   from smdebug.trials import create_trial
   trial = create_trial(model_trainer.latest_job_debugger_artifacts_path())
   trial.tensor_names()

5. Periksa data TensorBoard keluaran di Amazon S3:

   tensorboard_output_path=model_trainer.latest_job_tensorboard_artifacts_path()
   print(tensorboard_output_path)
   !aws s3 ls {tensorboard_output_path}/

6. Unduh data TensorBoard keluaran ke instance notebook Anda. Misalnya, AWS CLI perintah berikut mendownload TensorBoard file ke /logs/fit bawah direktori kerja saat ini dari instance notebook Anda.

   !aws s3 cp --recursive {tensorboard_output_path} ./logs/fit

7. Kompres direktori file ke file TAR untuk diunduh ke mesin lokal Anda.

   !tar -cf logs.tar logs

8. Unduh dan ekstrak file TAR Tensorboard ke direktori di perangkat Anda, luncurkan server notebook Jupyter, buka notebook baru, dan jalankan aplikasi. TensorBoard

   !tar -xf logs.tar
   %load_ext tensorboard
   %tensorboard --logdir logs/fit