Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Gunakan TensorBoard untuk men-debug dan menganalisis pekerjaan pelatihan di Amazon SageMaker
Amazon SageMaker with TensorBoard adalah kemampuan Amazon SageMaker yang membawa alat visualisasi TensorBoard
catatan
Fitur ini untuk pelatihan dan debugging model pembelajaran mendalam menggunakan PyTorch atau TensorFlow kerangka kerja.
Untuk ilmuwan data
Pelatihan model besar dapat memiliki masalah ilmiah yang mengharuskan ilmuwan data untuk men-debug dan menyelesaikannya untuk meningkatkan konvergensi model dan menstabilkan proses penurunan gradien.
Saat Anda mengalami masalah pelatihan model, seperti kehilangan tidak konvergen, atau bobot dan gradien yang hilang atau meledak, Anda perlu mengakses data tensor untuk menyelam lebih dalam dan menganalisis parameter model, skalar, dan metrik khusus apa pun. Menggunakan SageMaker with TensorBoard, Anda dapat memvisualisasikan tensor keluaran model yang diekstraksi dari pekerjaan pelatihan. Saat Anda bereksperimen dengan model yang berbeda, beberapa latihan, dan model hiperparameter, Anda dapat memilih beberapa pekerjaan pelatihan TensorBoard dan membandingkannya di satu tempat.
Untuk administrator
Melalui halaman TensorBoard arahan di SageMaker konsol atau SageMaker domain, Anda dapat mengelola pengguna TensorBoard aplikasi jika Anda adalah administrator AWS akun atau SageMaker domain. Setiap pengguna domain dapat mengakses TensorBoard aplikasi mereka sendiri dengan izin yang diberikan. Sebagai administrator SageMaker domain dan pengguna domain, Anda dapat membuat dan menghapus TensorBoard aplikasi yang diberikan tingkat izin yang Anda miliki.
Kerangka kerja yang didukung dan Wilayah AWS
Fitur ini mendukung kerangka kerja pembelajaran mesin berikut dan Wilayah AWS.
Kerangka
-
PyTorch
-
TensorFlow
-
Trafo Hugging Face
Wilayah AWS
-
US East (N. Virginia) (
us-east-1
) -
US East (Ohio) (
us-east-2
) -
US West (Oregon) (
us-west-2
) -
Europe (Frankfurt) (
eu-central-1
) -
Europe (Ireland) (
eu-west-1
)
catatan
Amazon SageMaker dengan TensorBoard menjalankan TensorBoard aplikasi pada ml.r5.large
instans dan menimbulkan biaya setelah tingkat SageMaker gratis atau periode uji coba gratis fitur tersebut. Untuk informasi selengkapnya, lihat SageMakerHarga Amazon
Prasyarat
Daftar berikut menunjukkan prasyarat untuk mulai menggunakan dengan. SageMaker TensorBoard
-
SageMaker Domain yang disiapkan dengan Amazon VPC di AWS akun Anda.
Untuk petunjuk cara menyiapkan domain, lihat Onboard to Amazon SageMaker domain menggunakan penyiapan cepat. Anda juga perlu menambahkan profil pengguna domain untuk pengguna individu untuk mengakses TensorBoard on SageMaker. Untuk informasi selengkapnya, lihat Menambahkan dan menghapus profil pengguna SageMaker domain.
-
Daftar berikut adalah set minimum izin untuk digunakan TensorBoard pada SageMaker.
-
sagemaker:CreateApp
-
sagemaker:DeleteApp
-
sagemaker:DescribeTrainingJob
-
sagemaker:Search
-
s3:GetObject
-
s3:ListBucket
-
Siapkan pekerjaan pelatihan dengan konfigurasi data TensorBoard keluaran
Pekerjaan pelatihan khas untuk pembelajaran mendalam SageMaker terdiri dari dua langkah utama: menyiapkan skrip pelatihan dan mengonfigurasi Peluncur pekerjaan SageMaker Pelatihan. Di bagian ini, Anda dapat memeriksa perubahan yang diperlukan untuk mengumpulkan data TensorBoard yang kompatibel dari SageMaker Pelatihan.
Langkah 1: Ubah skrip pelatihan Anda
Pastikan Anda menentukan tensor dan skalar keluaran mana yang akan dikumpulkan, dan ubah baris kode dalam skrip pelatihan Anda menggunakan salah satu alat berikut: TensorBoard X, TensorFlow Summary Writer, Summary Writer, atau PyTorch Debugger. SageMaker
Pastikan juga bahwa Anda menentukan jalur keluaran TensorBoard data sebagai direktori log (log_dir
) untuk callback dalam wadah pelatihan.
Untuk informasi selengkapnya tentang callback per framework, lihat sumber daya berikut.
-
Untuk PyTorch, gunakan torch.utils.tensorboard. SummaryWriter
. Lihat juga bagian Using TensorBoard in PyTorch dan Log skalar di PyTorchtutorial. Atau, Anda dapat menggunakan TensorBoardX Summary Writer . LOG_DIR="/opt/ml/output/tensorboard" tensorboard_callback=torch.utils.tensorboard.writer.SummaryWriter(log_dir=LOG_DIR)
-
Untuk TensorFlow, gunakan callback asli untuk, TensorBoard tf.keras.callbacks. TensorBoard
. LOG_DIR="/opt/ml/output/tensorboard" tensorboard_callback=tf.keras.callbacks.TensorBoard( log_dir=LOG_DIR, histogram_freq=1)
-
Untuk Transformers dengan TensorFlow, gunakan
tf.keras.tensorboard.callback
, dan teruskan ke callback keras di transformer.Tip
Anda juga dapat menggunakan jalur keluaran lokal kontainer yang berbeda. Namun, diLangkah 2: Bangun peluncur SageMaker pelatihan dengan konfigurasi data TensorBoard , Anda harus memetakan jalur dengan benar SageMaker agar berhasil mencari jalur lokal dan menyimpan TensorBoard data ke bucket keluaran S3.
-
Untuk panduan tentang memodifikasi skrip pelatihan menggunakan pustaka Python SageMaker Debugger, lihat. Langkah 1: Sesuaikan Script Pelatihan Anda untuk Mendaftarkan Hook
Langkah 2: Bangun peluncur SageMaker pelatihan dengan konfigurasi data TensorBoard
Gunakan sagemaker.debugger.TensorBoardOutputConfig
saat mengonfigurasi estimator SageMaker kerangka kerja. Konfigurasi ini API memetakan bucket S3 yang Anda tentukan untuk menyimpan TensorBoard data dengan jalur lokal di container pelatihan (/opt/ml/output/tensorboard
). Lewatkan objek modul ke tensorboard_output_config
parameter kelas estimator. Cuplikan kode berikut menunjukkan contoh mempersiapkan TensorFlow estimator dengan parameter konfigurasi TensorBoard output.
catatan
Contoh ini mengasumsikan bahwa Anda menggunakan SageMaker PythonSDK. Jika Anda menggunakan level rendah SageMaker API, Anda harus menyertakan yang berikut ini ke sintaks permintaan. 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
)
Cara mengakses TensorBoard di SageMaker
Anda dapat mengakses TensorBoard dengan dua metode: secara terprogram menggunakan sagemaker.interactive_apps.tensorboard
modul yang menghasilkan unsigned atau presignedURL, atau menggunakan TensorBoard landing page di konsol. SageMaker Setelah Anda membuka TensorBoard, SageMaker menjalankan TensorBoard plugin dan secara otomatis menemukan semua data output pekerjaan pelatihan dalam format file TensorBoard -kompatibel.
Topik
Buka TensorBoard menggunakan sagemaker.interactive_apps.tensorboard
modul
sagemaker.interactive_apps.tensorboard
Modul ini menyediakan fungsi yang disebut get_app_url
yang menghasilkan unsigned atau presigned URLs untuk membuka TensorBoard aplikasi di lingkungan apa pun di atau SageMaker Amazon. EC2 Ini untuk memberikan pengalaman terpadu bagi pengguna Studio Classic dan non-Studio Classic. Untuk lingkungan Studio, Anda dapat membuka TensorBoard dengan menjalankan get_app_url()
fungsi apa adanya, atau Anda juga dapat menentukan nama pekerjaan untuk mulai melacak saat TensorBoard aplikasi terbuka. Untuk lingkungan non-Studio Classic, Anda dapat membuka TensorBoard dengan memberikan informasi domain dan profil pengguna Anda ke fungsi utilitas. Dengan fungsi ini, terlepas dari di mana atau bagaimana Anda menjalankan kode pelatihan dan meluncurkan pekerjaan pelatihan, Anda dapat langsung mengakses TensorBoard dengan menjalankan get_app_url
fungsi di notebook atau terminal Jupyter Anda.
catatan
Fungsionalitas ini tersedia di SageMaker Python SDK v2.184.0 dan yang lebih baru. Untuk menggunakan fungsi ini, pastikan Anda memutakhirkan SDK dengan menjalankanpip
install sagemaker --upgrade
.
Opsi 1: Untuk SageMaker Studio Classic
Jika Anda menggunakan SageMaker Studio Classic, Anda dapat langsung membuka TensorBoard aplikasi atau mengambil unsigned URL dengan menjalankan get_app_url
fungsi sebagai berikut. Karena Anda sudah berada dalam lingkungan Studio Classic dan masuk sebagai pengguna domain, buat get_app_url()
unsigned URL karena tidak perlu mengautentikasi lagi.
Untuk membuka TensorBoard aplikasi
Kode berikut secara otomatis membuka TensorBoard aplikasi dari unsigned URL yang mengembalikan get_app_url()
fungsi di browser web default lingkungan Anda.
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 )
Untuk mengambil unsigned URL dan membuka aplikasi secara manual TensorBoard
Kode berikut mencetak unsigned URL yang dapat Anda salin ke browser web dan membuka TensorBoard aplikasi.
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. ) )
Perhatikan bahwa jika Anda menjalankan dua contoh kode sebelumnya di luar lingkungan SageMaker Studio Classic, fungsi akan mengembalikan a URL ke halaman TensorBoard landing di SageMaker konsol, karena ini tidak memiliki informasi login ke domain dan profil pengguna Anda. Untuk membuat presignedURL, lihat Opsi 2 di bagian berikut.
Opsi 2: Untuk lingkungan Klasik non-Studio
Jika Anda menggunakan lingkungan non-Studio Classic, seperti instans SageMaker Notebook atau AmazonEC2, dan ingin membuka TensorBoard langsung dari lingkungan tempat Anda berada, Anda perlu membuat URL presigned dengan domain dan informasi profil pengguna Anda. Presigned URL adalah URL yang masuk ke Amazon SageMaker Studio Classic saat URL sedang dibuat dengan domain dan profil pengguna Anda, dan oleh karena itu diberikan akses ke semua aplikasi domain dan file yang terkait dengan domain Anda. Untuk membuka TensorBoard melalui presignedURL, gunakan get_app_url
fungsi dengan nama domain dan profil pengguna Anda sebagai berikut.
Perhatikan bahwa opsi ini mengharuskan pengguna domain untuk memiliki sagemaker:CreatePresignedDomainUrl
izin. Tanpa izin, pengguna domain akan menerima kesalahan pengecualian.
penting
Jangan berbagi presigned URLs apapun. get_app_url
Fungsi ini membuat presignedURLs, yang secara otomatis mengautentikasi dengan domain dan profil pengguna Anda dan memberikan akses ke aplikasi dan file apa pun yang terkait dengan domain Anda.
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 ) )
Tip
get_app_url
Fungsi menjalankan di SageMaker.Client.create_presigned_domain_url
create_presigned_domain_url
API membuat domain presigned URLs yang kedaluwarsa dalam 300 detik secara default, TensorBoard aplikasi presigned URLs juga kedaluwarsa dalam 300 detik. Jika Anda ingin memperpanjang waktu kedaluwarsa, berikan ExpiresInSeconds
argumen ke optional_create_presigned_url_kwargs
argumen get_app_url
fungsi sebagai berikut.
optional_create_presigned_url_kwargs={"ExpiresInSeconds":
1500
}
catatan
Jika salah satu input Anda yang diteruskan ke argumen get_app_url
tidak valid, fungsi akan mengeluarkan a URL ke halaman TensorBoard arahan alih-alih membuka aplikasi. TensorBoard Pesan output akan mirip dengan yang berikut ini.
Navigate to the following URL: https://us-west-2.console.aws.amazon.com/sagemaker/home?region=us-west-2#/tensor-board-landing
Buka TensorBoard menggunakan get_app_url
fungsi sebagai metode estimator
kelas
Jika Anda sedang dalam proses menjalankan pekerjaan pelatihan menggunakan estimator
kelas SageMaker Python SDK dan memiliki objek aktif estimator
kelas, Anda juga dapat mengakses get_app_url
fungsi sebagai metode kelas kelasestimator
Buka TensorBoard aplikasi atau ambil unsigned URL dengan menjalankan get_app_url
metode sebagai berikut. Metode get_app_url
kelas menarik nama pekerjaan pelatihan dari estimator dan membuka TensorBoard aplikasi dengan pekerjaan yang ditentukan.
catatan
Fungsionalitas ini tersedia di SageMaker Python SDK v2.184.0 dan yang lebih baru. Untuk menggunakan fungsi ini, pastikan Anda memutakhirkan SDK dengan menjalankanpip
install sagemaker --upgrade
.
Opsi 1: Untuk SageMaker Studio Classic
Untuk membuka TensorBoard aplikasi
Kode berikut secara otomatis membuka TensorBoard aplikasi dari unsigned URL yang dikembalikan get_app_url()
metode di browser web default lingkungan Anda.
estimator.get_app_url( app_type=SupportedInteractiveAppTypes.TENSORBOARD # Required. )
Untuk mengambil unsigned URL dan membuka aplikasi secara manual TensorBoard
Kode berikut mencetak unsigned URL yang dapat Anda salin ke browser web dan membuka TensorBoard aplikasi.
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. ) )
Perhatikan bahwa jika Anda menjalankan dua contoh kode sebelumnya di luar lingkungan SageMaker Studio Classic, fungsi akan mengembalikan a URL ke halaman TensorBoard landing di SageMaker konsol, karena ini tidak memiliki informasi login ke domain dan profil pengguna Anda. Untuk membuat presignedURL, lihat Opsi 2 di bagian berikut.
Opsi 2: Untuk lingkungan Klasik non-Studio
Jika Anda menggunakan lingkungan non-Studio Classic, seperti instance SageMaker Notebook dan AmazonEC2, dan ingin membuat presigned URL untuk membuka TensorBoard aplikasi, gunakan get_app_url
metode dengan informasi domain dan profil pengguna Anda sebagai berikut.
Perhatikan bahwa opsi ini mengharuskan pengguna domain untuk memiliki sagemaker:CreatePresignedDomainUrl
izin. Tanpa izin, pengguna domain akan menerima kesalahan pengecualian.
penting
Jangan berbagi presigned URLs apapun. get_app_url
Fungsi ini membuat presignedURLs, yang secara otomatis mengautentikasi dengan domain dan profil pengguna Anda dan memberikan akses ke aplikasi dan file apa pun yang terkait dengan domain Anda.
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 ) )
Buka TensorBoard melalui SageMaker konsol
Anda juga dapat menggunakan UI SageMaker konsol untuk membuka TensorBoard aplikasi. Ada dua opsi untuk membuka TensorBoard aplikasi melalui SageMaker konsol.
Topik
Opsi 1: Luncurkan TensorBoard dari halaman detail domain
Arahkan ke halaman detail domain
Prosedur berikut menunjukkan cara menavigasi ke halaman detail domain.
-
Buka SageMaker konsol Amazon di https://console.aws.amazon.com/sagemaker/
. -
Di panel navigasi kiri, pilih Konfigurasi admin.
-
Di bawah konfigurasi Admin, pilih domain.
-
Dari daftar domain, pilih domain tempat Anda ingin meluncurkan TensorBoard aplikasi.
Luncurkan aplikasi profil pengguna
Prosedur berikut menunjukkan cara meluncurkan aplikasi Studio Classic yang dicakup ke profil pengguna.
-
Pada halaman detail domain, pilih tab Profil pengguna.
-
Identifikasi profil pengguna yang ingin Anda luncurkan aplikasi Studio Classic.
-
Pilih Luncurkan untuk profil pengguna yang dipilih, lalu pilih TensorBoard.
Opsi 2: Luncurkan TensorBoard dari halaman TensorBoard arahan
Prosedur berikut menjelaskan cara meluncurkan TensorBoard aplikasi dari halaman TensorBoard arahan.
-
Buka SageMaker konsol Amazon di https://console.aws.amazon.com/sagemaker/
. -
Di panel navigasi kiri, pilih TensorBoard.
-
Di bawah Memulai, pilih domain tempat Anda ingin meluncurkan aplikasi Studio Classic. Jika profil pengguna Anda hanya milik satu domain, Anda tidak melihat opsi untuk memilih domain.
-
Pilih profil pengguna yang ingin Anda luncurkan aplikasi Studio Classic. Jika tidak ada profil pengguna di domain, pilih Buat profil pengguna. Untuk informasi selengkapnya, lihat Menambahkan dan Menghapus Profil Pengguna.
-
Pilih Buka TensorBoard.
Tangkapan layar berikut menunjukkan lokasi TensorBoard di panel navigasi kiri SageMaker konsol dan SageMaker dengan halaman TensorBoard arahan di panel utama.
![Halaman TensorBoard arahan](images/debugger/htb-landing-page.png)
Mengakses dan memvisualisasikan data keluaran pelatihan di TensorBoard
Anda dapat melakukan analisis online atau offline dengan memuat tensor keluaran yang dikumpulkan dari bucket S3 yang dipasangkan dengan pekerjaan pelatihan selama atau setelah pelatihan.
Saat Anda membuka TensorBoard aplikasi, TensorBoard buka dengan tab Manajer SageMaker Data. Tangkapan layar berikut menunjukkan tampilan penuh tab Pengelola SageMaker Data dalam TensorBoard aplikasi.
![Tampilan tab Pengelola SageMaker Data.](images/debugger/htb-sagemaker-manager-tab.png)
Di tab Pengelola SageMaker Data, Anda dapat memilih pekerjaan pelatihan apa pun dan data keluaran pelatihan TensorBoard yang kompatibel dengan beban dari Amazon S3.
-
Di bagian Cari pekerjaan pelatihan, gunakan filter untuk mempersempit daftar pekerjaan pelatihan yang ingin Anda temukan, muat, dan visualisasikan.
-
Di bagian Daftar pekerjaan pelatihan, gunakan kotak centang untuk memilih pekerjaan pelatihan dari mana Anda ingin menarik data dan memvisualisasikan untuk debugging.
-
Pilih Tambahkan pekerjaan yang dipilih. Pekerjaan yang dipilih akan muncul di bagian Pekerjaan pelatihan yang dilacak, seperti yang ditunjukkan pada gambar berikut.
catatan
Tab Pengelola SageMaker Data hanya menampilkan pekerjaan pelatihan yang dikonfigurasi dengan TensorBoardOutputConfig
parameter. Pastikan Anda telah mengonfigurasi SageMaker estimator dengan parameter ini. Untuk informasi selengkapnya, lihat Langkah 2: Bangun peluncur SageMaker pelatihan dengan konfigurasi data TensorBoard .
catatan
Tab visualisasi mungkin tidak muncul jika Anda menggunakan SageMaker dengan TensorBoard untuk pertama kalinya atau tidak ada data yang dimuat dari penggunaan sebelumnya. Setelah menambahkan pekerjaan pelatihan dan menunggu beberapa detik, segarkan pemirsa dengan memilih panah melingkar searah jarum jam di sudut kanan atas. Tab visualisasi akan muncul setelah data pekerjaan berhasil dimuat. Anda juga dapat mengatur untuk menyegarkan otomatis menggunakan tombol Pengaturan di sebelah tombol refresh di sudut kanan atas.
Jelajahi data keluaran pelatihan yang divisualisasikan di TensorBoard
Di tab grafis, Anda dapat melihat daftar pekerjaan pelatihan yang dimuat di panel kiri. Anda juga dapat menggunakan kotak centang pekerjaan pelatihan untuk menampilkan atau menyembunyikan visualisasi. Plugin TensorBoard dinamis diaktifkan secara dinamis tergantung pada bagaimana Anda telah mengatur skrip pelatihan Anda untuk menyertakan penulis ringkasan dan meneruskan panggilan balik untuk koleksi tensor dan skalar, dan oleh karena itu tab grafis juga muncul secara dinamis. Tangkapan layar berikut menunjukkan contoh tampilan setiap tab dengan visualisasi dua pekerjaan pelatihan yang mengumpulkan metrik untuk plugin deret waktu, skalar, grafik, distribusi, dan histogram.
Tampilan TIME SERIES tab
![Tampilan TIMESERIEStab.](images/debugger/htb-time-series.png)
Tampilan SCALARS tab
![Tampilan SCALARStab.](images/debugger/htb-scalars.png)
Tampilan GRAPHS tab
![Tampilan GRAPHStab.](images/debugger/htb-graphs.png)
Tampilan DISTRIBUTIONS tab
![Tampilan DISTRIBUTIONStab.](images/debugger/htb-distribution.png)
Tampilan HISTOGRAMS tab
![Tampilan HISTOGRAMStab.](images/debugger/htb-histogram.png)
Hapus aplikasi yang tidak digunakan TensorBoard
Setelah Anda selesai memantau dan bereksperimen dengan pekerjaan di TensorBoard, matikan TensorBoard aplikasi.
-
Buka SageMaker konsol.
-
Di panel navigasi kiri, pilih Konfigurasi admin.
-
Di bawah konfigurasi Admin, pilih domain.
-
Pilih domain Anda.
-
Pilih profil pengguna Anda.
-
Di bawah Aplikasi, pilih Hapus Aplikasi untuk TensorBoard baris.
-
Pilih Ya, hapus aplikasi.
-
Ketik
delete
kotak teks, lalu pilih Hapus. -
Pesan biru akan muncul di bagian atas layar: default sedang dihapus.
Pertimbangan
Pertimbangkan hal berikut saat menggunakan SageMaker dengan TensorBoard.
-
Anda tidak dapat berbagi TensorBoard aplikasi untuk tujuan kolaborasi karena SageMaker domain tidak mengizinkan berbagi aplikasi di antara pengguna. Pengguna dapat membagikan tensor keluaran yang disimpan dalam bucket S3, jika mereka memiliki akses ke bucket.
-
Plugin visualisasi mungkin tidak muncul saat Anda pertama kali meluncurkan aplikasi. TensorBoard Setelah Anda memilih pekerjaan pelatihan di plugin SageMaker Data Manager, TensorBoard aplikasi memuat TensorBoard data dan mengisi plugin visualisasi.
-
TensorBoard Aplikasi secara otomatis mati setelah 1 jam tidak aktif. Jika Anda ingin mematikan aplikasi ketika Anda selesai menggunakannya, pastikan untuk mematikan secara manual TensorBoard untuk menghindari membayar instans hosting itu. Untuk petunjuk tentang menghapus aplikasi, lihatHapus aplikasi yang tidak digunakan TensorBoard .
-
TensorBoard Aplikasi pada SageMaker dirancang untuk memberikan out-of-the-box dukungan untuk pekerjaan SageMaker pelatihan. Integrasi bawaan ini memungkinkan pemetaan tanpa batas antara direktori lokal di dalam wadah pelatihan dan bucket Amazon S3, yang difasilitasi di lapisan.
CreateTrainingJob
API Dengan integrasi ini, Anda dapat dengan mudah memetakan jalur direktori seperti yang diuraikan dalam bagian Siapkan pekerjaan pelatihan dengan konfigurasi data TensorBoard keluaran.Namun, perhatikan bahwa TensorBoard aplikasi tidak memberikan out-of-the-box dukungan untuk pekerjaan tuning SageMaker hyperparameter, karena tidak terintegrasi dengan konfigurasi TensorBoard output untuk pemetaan.
CreateHyperParameterTuningJob
API Untuk menggunakan TensorBoard aplikasi untuk pekerjaan tuning hyperparameter, Anda perlu menulis kode untuk mengunggah metrik ke Amazon S3 dalam skrip pelatihan Anda. Setelah metrik diunggah ke bucket Amazon S3, Anda kemudian dapat memuat bucket ke dalam TensorBoard aplikasi. SageMaker