Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Utilizzalo TensorBoard per eseguire il debug e analizzare i lavori di formazione in Amazon SageMaker
Amazon SageMaker with TensorBoard è una funzionalità di Amazon SageMaker che offre gli strumenti di visualizzazione di TensorBoard
Nota
Questa funzionalità serve per l'addestramento e il debug di modelli di deep learning utilizzando il PyTorch framework or. TensorFlow
Per i data scientist
L'addestramento di modelli di grandi dimensioni può comportare problemi scientifici che richiedono ai data scientist di eseguire il debug e risolverli per migliorare la convergenza dei modelli e stabilizzare i processi di discesa del gradiente.
Quando si verificano problemi di addestramento dei modelli, come la perdita, la mancata convergenza, la scomparsa o l'esplosione di pesi e sfumature, è necessario accedere ai dati tensoriali per approfondire e analizzare i parametri del modello, gli scalari e qualsiasi parametro personalizzato. Utilizzando SageMaker with TensorBoard, è possibile visualizzare i tensori di output del modello estratti dai lavori di formazione. Mentre sperimentate diversi modelli, più cicli di allenamento e modellate iperparametri, potete selezionare più lavori di formazione TensorBoard e confrontarli in un unico posto.
Per gli amministratori
Tramite la pagina di TensorBoard destinazione nella SageMaker console o nel SageMaker dominio, puoi gestire gli utenti TensorBoard dell'applicazione se sei l'amministratore di un AWS account o di un SageMaker dominio. Ogni utente del dominio può accedere alla propria TensorBoard applicazione in base alle autorizzazioni concesse. In qualità di amministratore di SageMaker dominio e utente del dominio, puoi creare ed eliminare l' TensorBoard applicazione in base al livello di autorizzazione di cui disponi.
Framework supportati e Regioni AWS
Questa funzionalità supporta i seguenti framework di machine learning e Regioni AWS.
Framework
-
PyTorch
-
TensorFlow
-
Trasformatori Hugging Face
Regioni AWS
-
Stati Uniti orientali (Virginia settentrionale) (
us-east-1
) -
Stati Uniti orientali (Ohio) (
us-east-2
) -
Stati Uniti occidentali (Oregon) (
us-west-2
) -
Europa (Francoforte) (
eu-central-1
) -
Europa (Irlanda) (
eu-west-1
)
Nota
Amazon TensorBoard esegue SageMaker l' TensorBoard applicazione su un'ml.r5.large
istanza e addebita costi dopo il piano SageMaker gratuito o il periodo di prova gratuito della funzionalità. Per ulteriori informazioni, consulta la pagina SageMakerdei prezzi di Amazon
Prerequisiti
L'elenco seguente mostra i prerequisiti SageMaker con TensorBoard cui iniziare a utilizzare.
-
Un SageMaker dominio configurato con Amazon VPC nel tuo AWS account.
Per istruzioni sulla configurazione di un dominio, consulta Onboard to Amazon SageMaker domain using quick setup. È inoltre necessario aggiungere profili utente di dominio per consentire ai singoli utenti di accedere a TensorBoard on SageMaker. Per ulteriori informazioni, consulta Aggiungere e rimuovere profili utente di SageMaker dominio.
-
L'elenco seguente è il set minimo di autorizzazioni per l'utilizzo TensorBoard su SageMaker.
-
sagemaker:CreateApp
-
sagemaker:DeleteApp
-
sagemaker:DescribeTrainingJob
-
sagemaker:Search
-
s3:GetObject
-
s3:ListBucket
-
Preparare un lavoro di formazione con una configurazione dei dati TensorBoard di output
Un tipico lavoro di formazione per il deep learning SageMaker consiste in due fasi principali: preparazione di uno script di formazione e configurazione di un SageMaker Training job launcher. In questa sezione, puoi verificare le modifiche necessarie per raccogliere dati TensorBoard compatibili da Training. SageMaker
Fase 1: modificare lo script di addestramento
Assicurati di determinare quali tensori e scalari di output raccogliere e di modificare le righe di codice nello script di addestramento utilizzando uno dei seguenti strumenti: TensorBoard X, TensorFlow Summary Writer, Summary Writer o PyTorch Debugger. SageMaker
Assicurati inoltre di specificare il percorso di output dei TensorBoard dati come directory di log (log_dir
) per il callback nel contenitore di formazione.
Per ulteriori informazioni sulle richiamate per framework, consulta le risorse seguenti.
-
Per PyTorch, usa torch.utils.tensorboard. SummaryWriter
. Vedi anche le sezioni Using TensorBoard in PyTorch e Log scalars nei PyTorchtutorial. In alternativa, puoi usare TensorBoardX Summary Writer. LOG_DIR="/opt/ml/output/tensorboard" tensorboard_callback=torch.utils.tensorboard.writer.SummaryWriter(log_dir=LOG_DIR)
-
Per TensorFlow, usa il callback nativo per, TensorBoard tf.keras.callbacks. TensorBoard
. LOG_DIR="/opt/ml/output/tensorboard" tensorboard_callback=tf.keras.callbacks.TensorBoard( log_dir=LOG_DIR, histogram_freq=1)
-
Per Transformers with PyTorch, puoi usare transformers.integrations. TensorBoardCallback
. Per Transformers with TensorFlow, usa e passalo
tf.keras.tensorboard.callback
al callback keras in transformers.Suggerimento
Inoltre, puoi utilizzare un percorso di output locale del container diverso. TuttaviaFase 2: Creazione di un programma di avvio del training con configurazione dei dati SageMaker TensorBoard , è necessario mappare correttamente i percorsi per SageMaker cercare correttamente il percorso locale e salvare i TensorBoard dati nel bucket di output S3.
-
Per indicazioni sulla modifica degli script di addestramento utilizzando la libreria SageMaker Debugger Python, vedere. Passaggio 1: adatta lo script di addestramento per registrare un hook
Fase 2: Creazione di un programma di avvio del training con configurazione dei dati SageMaker TensorBoard
Utilizzalo sagemaker.debugger.TensorBoardOutputConfig
durante la configurazione di uno SageMaker stimatore del framework. Questa configurazione API mappa il bucket S3 specificato per il salvataggio TensorBoard dei dati con il percorso locale nel contenitore di formazione (). /opt/ml/output/tensorboard
Trasmetti l'oggetto del modulo al parametro tensorboard_output_config
della classe dello strumento di valutazione. Il seguente frammento di codice mostra un esempio di preparazione di uno TensorFlow stimatore con il parametro di configurazione dell'output. TensorBoard
Nota
Questo esempio presuppone che si utilizzi SageMaker PythonSDK. Se si utilizza il livello basso SageMaker API, è necessario includere quanto segue nella sintassi di richiesta di. 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
)
Come accedere a TensorBoard SageMaker
È possibile accedere TensorBoard con due metodi: a livello di codice utilizzando il sagemaker.interactive_apps.tensorboard
modulo che genera un messaggio non firmato o prefirmato URL oppure utilizzando la pagina di TensorBoard destinazione nella console. SageMaker Dopo l'apertura TensorBoard, SageMaker esegue il TensorBoard plug-in e trova automaticamente tutti i dati di output del processo di formazione in TensorBoard un formato di file compatibile con.
Argomenti
Apri TensorBoard usando il modulo sagemaker.interactive_apps.tensorboard
Il sagemaker.interactive_apps.tensorboard
modulo fornisce una funzione chiamata get_app_url
che genera dati non firmati o predefiniti URLs per aprire l' TensorBoard applicazione in qualsiasi ambiente in SageMaker Amazon. EC2 Questo serve a fornire un'esperienza unificata per gli utenti di Studio Classic e non Studio Classic. Per l'ambiente Studio, è possibile aprire TensorBoard eseguendo la get_app_url()
funzione così com'è oppure è possibile specificare un nome di lavoro per avviare il tracciamento all'apertura dell' TensorBoard applicazione. Per gli ambienti non Studio Classic, è possibile aprire TensorBoard fornendo le informazioni sul dominio e sul profilo utente alla funzione di utilità. Con questa funzionalità, indipendentemente da dove o come si esegue il codice di formazione e si avviano i lavori di formazione, è possibile accedervi direttamente TensorBoard eseguendo la get_app_url
funzione sul notebook o sul terminale Jupyter.
Nota
Questa funzionalità è disponibile in SageMaker Python SDK v2.184.0 e versioni successive. Per utilizzare questa funzionalità, assicurati di aggiornarla eseguendo. SDK pip
install sagemaker --upgrade
Opzione 1: per SageMaker Studio Classic
Se si utilizza SageMaker Studio Classic, è possibile aprire direttamente l' TensorBoardapplicazione o recuperarne una versione non firmata URL eseguendo la get_app_url
funzione come segue. Poiché siete già all'interno dell'ambiente Studio Classic e avete effettuato l'accesso come utente di dominio, get_app_url()
genera dati non firmati URL perché non è necessario eseguire nuovamente l'autenticazione.
Per aprire l'applicazione TensorBoard
Il codice seguente apre automaticamente l' TensorBoard applicazione unsigned URL che la get_app_url()
funzione restituisce nel browser Web predefinito dell'ambiente in uso.
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 )
Per recuperare un'applicazione non firmata URL e aprirla manualmente TensorBoard
Il codice seguente stampa un file non firmato URL che è possibile copiare in un browser Web e aprire l'applicazione. TensorBoard
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. ) )
Tieni presente che se esegui i due esempi di codice precedenti all'esterno dell'ambiente SageMaker Studio Classic, la funzione restituirà una URL alla pagina di TensorBoard destinazione della SageMaker console, poiché questi non contengono informazioni di accesso al tuo dominio e al tuo profilo utente. Per creare un predefinitoURL, consultate l'opzione 2 nella sezione seguente.
Opzione 2: per ambienti non Studio Classic
Se utilizzi ambienti non Studio Classic, come SageMaker Notebook instance o AmazonEC2, e desideri aprirli TensorBoard direttamente dall'ambiente in cui ti trovi, devi generare un URL prefirmato con le informazioni del tuo dominio e del tuo profilo utente. Un prefirmato URL è un file URL che ha effettuato l'accesso ad Amazon SageMaker Studio Classic durante la URL creazione con il tuo dominio e il tuo profilo utente e che quindi ha ottenuto l'accesso a tutte le applicazioni e i file di dominio associati al tuo dominio. Per aprire TensorBoard tramite un predefinitoURL, usa la get_app_url
funzione con il nome del dominio e del profilo utente come segue.
Tieni presente che questa opzione richiede che l'utente del dominio disponga dell'sagemaker:CreatePresignedDomainUrl
autorizzazione. Senza l'autorizzazione, l'utente del dominio riceverà un errore di eccezione.
Importante
Non condividete nulla di predefinito. URLs La get_app_url
funzione crea predefinitiURLs, che si autenticano automaticamente con il dominio e il profilo utente e danno accesso a tutte le applicazioni e i file associati al dominio.
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 ) )
Suggerimento
La get_app_url
funzione viene eseguita SageMaker.Client.create_presigned_domain_url
create_presigned_domain_url
API crea un dominio predefinito URLs che scade in 300 secondi per impostazione predefinita, anche l' TensorBoard applicazione URLs prefirmata scade dopo 300 secondi. Se desideri prolungare il tempo di scadenza, trasmetti l'argomento ExpiresInSeconds
all'argomento optional_create_presigned_url_kwargs
della funzione get_app_url
, come segue.
optional_create_presigned_url_kwargs={"ExpiresInSeconds":
1500
}
Nota
Se uno degli input passati agli argomenti di non get_app_url
è valido, la funzione restituisce un messaggio alla pagina di destinazione anziché URL aprire l' TensorBoard applicazione. TensorBoard Il messaggio di output dovrebbe essere simile al seguente.
Navigate to the following URL: https://us-west-2.console.aws.amazon.com/sagemaker/home?region=us-west-2#/tensor-board-landing
Apri TensorBoard usando la get_app_url
funzione come metodo di classe estimator
Se state eseguendo un processo di formazione utilizzando la estimator
classe di SageMaker Python SDK e avete un oggetto attivo della estimator
classe, potete anche accedere alla get_app_url
funzione come metodo di classeestimator
classe. Aprite l' TensorBoard applicazione o recuperate un file unsigned URL eseguendo il get_app_url
metodo come segue. Il metodo della get_app_url
classe estrae il nome del lavoro di formazione dallo stimatore e apre l' TensorBoard applicazione con il lavoro specificato.
Nota
Questa funzionalità è disponibile in SageMaker Python SDK v2.184.0 e versioni successive. Per utilizzare questa funzionalità, assicurati di aggiornarla eseguendo. SDK pip
install sagemaker --upgrade
Opzione 1: per SageMaker Studio Classic
Per aprire l' TensorBoard applicazione
Il codice seguente apre automaticamente l' TensorBoard applicazione non firmata URL che il get_app_url()
metodo restituisce nel browser Web predefinito dell'ambiente in uso.
estimator.get_app_url( app_type=SupportedInteractiveAppTypes.TENSORBOARD # Required. )
Per recuperare un file non firmato URL e aprirlo manualmente TensorBoard
Il codice seguente stampa un file non firmato URL che è possibile copiare in un browser Web e aprire l'applicazione. TensorBoard
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. ) )
Tieni presente che se esegui i due esempi di codice precedenti all'esterno dell'ambiente SageMaker Studio Classic, la funzione restituirà una URL alla pagina di TensorBoard destinazione della SageMaker console, poiché questi non contengono informazioni di accesso al tuo dominio e al tuo profilo utente. Per creare un predefinitoURL, consultate l'opzione 2 nella sezione seguente.
Opzione 2: per ambienti non Studio Classic
Se utilizzi ambienti non Studio Classic, come SageMaker Notebook instance e AmazonEC2, e desideri generare un predefinito per URL aprire l' TensorBoard applicazione, utilizza il get_app_url
metodo con le informazioni sul dominio e sul profilo utente come segue.
Tieni presente che questa opzione richiede che l'utente del dominio disponga dell'sagemaker:CreatePresignedDomainUrl
autorizzazione. Senza l'autorizzazione, l'utente del dominio riceverà un errore di eccezione.
Importante
Non condividete nulla di predefinito. URLs La get_app_url
funzione crea predefinitiURLs, che si autenticano automaticamente con il dominio e il profilo utente e danno accesso a tutte le applicazioni e i file associati al dominio.
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 ) )
Apri tramite TensorBoard la console SageMaker
Puoi anche utilizzare l'interfaccia utente della SageMaker console per aprire l' TensorBoard applicazione. Esistono due opzioni per aprire l' TensorBoard applicazione tramite la SageMaker console.
Argomenti
Opzione 1: avvio TensorBoard dalla pagina dei dettagli del dominio
Vai alla pagina dei dettagli del dominio
La procedura seguente mostra come accedere alla pagina dei dettagli del dominio.
-
Apri la SageMaker console Amazon all'indirizzo https://console.aws.amazon.com/sagemaker/
. -
Nel riquadro di navigazione a sinistra, scegli Configurazioni admin.
-
In Configurazioni di amministrazione, scegli domini.
-
Dall'elenco dei domini, seleziona il dominio in cui desideri avviare l'applicazione. TensorBoard
Avvia un'applicazione per il profilo utente
La procedura seguente mostra come avviare un'applicazione Studio Classic che ha come ambito un profilo utente.
-
Nella pagina dei dettagli del dominio, scegli la scheda Profili utente.
-
Identifica il profilo utente per il quale desideri avviare l'applicazione Studio Classic.
-
Scegli Launch per il profilo utente selezionato, quindi scegli TensorBoard.
Opzione 2: avvio TensorBoard dalla pagina di TensorBoard destinazione
La procedura seguente descrive come avviare un' TensorBoard applicazione dalla pagina di TensorBoard destinazione.
-
Apri la SageMaker console Amazon all'indirizzo https://console.aws.amazon.com/sagemaker/
. -
Nel riquadro di navigazione a sinistra, scegli TensorBoard.
-
In Inizia, seleziona il dominio in cui desideri avviare l'applicazione Studio Classic. Se il profilo utente appartiene a un solo dominio, non è disponibile l'opzione per la selezione di un dominio.
-
Seleziona il profilo utente per il quale desideri avviare l'applicazione Studio Classic. Se nel dominio non è presente alcun profilo utente, scegli Crea profilo utente. Per ulteriori informazioni, consulta Aggiungere o rimuovere profili utente.
-
Scegli Apri TensorBoard.
La schermata seguente mostra la posizione TensorBoard nel riquadro di navigazione a sinistra della SageMaker console e la pagina di TensorBoard destinazione SageMaker con nel riquadro principale.
![La pagina di TensorBoard destinazione](images/debugger/htb-landing-page.png)
Accedi e visualizza i dati di output dell'allenamento in TensorBoard
Puoi condurre un'analisi online o offline caricando i tensori di output raccolti dai bucket S3 abbinati ai processi di addestramento durante o dopo l'addestramento.
Quando si apre l' TensorBoard applicazione, TensorBoard si apre con la scheda SageMakerData Manager. La schermata seguente mostra la visualizzazione completa della scheda SageMaker Data Manager nell' TensorBoard applicazione.
![La visualizzazione della scheda SageMaker Data Manager.](images/debugger/htb-sagemaker-manager-tab.png)
Nella scheda SageMaker Data Manager, puoi selezionare qualsiasi processo di formazione e i dati di output di formazione TensorBoard compatibili con il carico da Amazon S3.
-
Nella sezione Cerca processi di addestramento, utilizza i filtri per restringere l'elenco dei processi di addestramento che desideri trovare, caricare e visualizzare.
-
Nella sezione Elenco dei processi di addestramento, utilizza le caselle di controllo per scegliere i processi di addestramento da cui estrarre i dati e visualizzarli per il debug.
-
Scegli Aggiungi processi selezionati. I processi selezionati dovrebbero apparire nella sezione Processi di addestramento tracciati, come mostrato nello screenshot seguente.
Nota
La scheda SageMaker Data Manager mostra solo i lavori di formazione configurati con il TensorBoardOutputConfig
parametro. Assicurati di aver configurato lo SageMaker stimatore con questo parametro. Per ulteriori informazioni, consulta Fase 2: Creazione di un programma di avvio del training con configurazione dei dati SageMaker TensorBoard .
Nota
Le schede di visualizzazione potrebbero non apparire se si utilizza SageMaker with TensorBoard per la prima volta o se non viene caricato alcun dato da un utilizzo precedente. Dopo aver aggiunto i processi di addestramento e aver atteso qualche secondo, aggiorna il visualizzatore scegliendo la freccia circolare in senso orario nell'angolo in alto a destra. Le schede di visualizzazione dovrebbero apparire dopo che i dati del processo sono stati caricati correttamente. Inoltre, puoi impostare l'aggiornamento automatico utilizzando il pulsante Impostazioni accanto al pulsante di aggiornamento nell'angolo in alto a destra.
Esplora i dati sui risultati dell'allenamento visualizzati in TensorBoard
Nelle schede grafiche, puoi vedere l'elenco dei processi di addestramento caricati nel riquadro di sinistra. Puoi anche utilizzare le caselle di controllo dei processi di addestramento per mostrare o nascondere le visualizzazioni. I plugin TensorBoard dinamici vengono attivati dinamicamente a seconda di come avete impostato lo script di formazione per includere scrittori di riepilogo e pass callback per la raccolta tensoriale e scalare, e quindi anche le schede grafiche appaiono dinamicamente. Gli screenshot seguenti mostrano visualizzazioni di esempio di ciascuna scheda con visualizzazione di due processi di addestramento che hanno raccolto metriche per i plug-in di serie temporali, scalari, grafici, di distribuzione e istogrammi.
TIMESERIESLa visualizzazione a schede
![La visualizzazione a TIMESERIESschede.](images/debugger/htb-time-series.png)
La visualizzazione a SCALARS schede
![La visualizzazione a SCALARSschede.](images/debugger/htb-scalars.png)
La visualizzazione a GRAPHS schede
![La visualizzazione a GRAPHSschede.](images/debugger/htb-graphs.png)
La visualizzazione a DISTRIBUTIONS schede
![La visualizzazione a DISTRIBUTIONSschede.](images/debugger/htb-distribution.png)
La visualizzazione a HISTOGRAMS schede
![La visualizzazione a HISTOGRAMSschede.](images/debugger/htb-histogram.png)
Eliminare le applicazioni non utilizzate TensorBoard
Al termine del monitoraggio e della sperimentazione dei job in TensorBoard, chiudi l' TensorBoard applicazione.
-
Apri la SageMaker console.
-
Nel riquadro di navigazione a sinistra, scegli Configurazioni admin.
-
In Configurazioni di amministrazione, scegli Domini.
-
Scegli il tuo dominio.
-
Scegli il tuo profilo utente.
-
In App, scegli Elimina app per la TensorBoard riga.
-
Scegli Sì, elimina l'app.
-
Digita
delete
nella casella di testo, quindi scegli Elimina. -
Nella parte superiore dello schermo dovrebbe apparire un messaggio blu: l'impostazione predefinita viene eliminata.
Considerazioni
Considerate quanto segue quando utilizzate SageMaker con TensorBoard.
-
Non è possibile condividere le TensorBoard applicazioni per scopi di collaborazione perché il SageMaker dominio non consente la condivisione delle applicazioni tra gli utenti. Gli utenti possono condividere i tensori di output salvati in un bucket S3, se hanno accesso al bucket.
-
I plugin di visualizzazione potrebbero non essere visualizzati al primo avvio dell' TensorBoard applicazione. Dopo aver selezionato i lavori di formazione nel plug-in SageMaker Data Manager, l' TensorBoard applicazione carica TensorBoard i dati e popola i plugin di visualizzazione.
-
L' TensorBoard applicazione si spegne automaticamente dopo 1 ora di inattività. Se desideri chiudere l'applicazione quando hai finito di utilizzarla, assicurati di TensorBoard chiuderla manualmente per evitare di pagare per l'istanza che la ospita. Per istruzioni sull'eliminazione dell'applicazione, consulta Eliminare le applicazioni non utilizzate TensorBoard .
-
L' TensorBoard applicazione on SageMaker è progettata per fornire out-of-the-box supporto per i lavori di SageMaker formazione. Questa integrazione integrata consente una mappatura senza interruzioni tra la directory locale all'interno del contenitore di formazione e un bucket Amazon S3, facilitata a livello.
CreateTrainingJob
API Grazie a questa integrazione, puoi mappare facilmente i percorsi delle directory come indicato nella sezione Preparare un lavoro di formazione con una configurazione dei dati di output. TensorBoardTuttavia, tenete presente che l' TensorBoard applicazione non fornisce out-of-the-box supporto per i lavori di ottimizzazione degli SageMaker iperparametri, in quanto non
CreateHyperParameterTuningJob
APIè integrata con la configurazione di TensorBoard output per la mappatura. Per utilizzare l' TensorBoard applicazione per i lavori di ottimizzazione degli iperparametri, devi scrivere il codice per caricare le metriche su Amazon S3 nel tuo script di formazione. Una volta caricate le metriche su un bucket Amazon S3, puoi caricare il bucket nell'applicazione su. TensorBoard SageMaker