翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# Amazon SageMaker Studio Classic で TensorBoard を使用する
<a name="studio-tensorboard"></a>

**重要**  
2023 年 11 月 30 日以降、従来の Amazon SageMaker Studio のエクスペリエンスは Amazon SageMaker Studio Classic と名前が変更されました。以下のセクションは、Studio Classic アプリケーションの使用を前提とした内容です。更新後の Studio エクスペリエンスを使用する場合は、「[Amazon SageMaker Studio](studio-updated.md)」を参照してください。  
Studio Classic は既存のワークロードでも維持されていますが、オンボーディングに利用できなくなりました。既存の Studio Classic アプリケーションのみを停止または削除でき、新しいアプリケーションを作成することはできません。[ワークロードを新しい Studio エクスペリエンスに移行](studio-updated-migrate.md)することをお勧めします。

 以下のセクションでは、Amazon SageMaker Studio Classic で TensorBoard をインストールして実行する方法について説明します。

**注記**  
このガイドでは、個々の SageMaker AI ドメインユーザープロファイルの SageMaker Studio Classic ノートブックサーバーを介して TensorBoard アプリケーションを開く方法を説明します。SageMaker トレーニングおよび SageMaker AI ドメインのアクセスコントロール機能と統合された、より包括的な TensorBoard エクスペリエンスについては、「[Amazon SageMaker AI の TensorBoard](tensorboard-on-sagemaker.md)」を参照してください。

## 前提条件
<a name="studio-tensorboard-prereq"></a>

このチュートリアルでは、SageMaker AI ドメインが必要です。詳細については、[Amazon SageMaker AI ドメインの概要](gs-studio-onboard.md)を参照してください。

## `TensorBoardCallback` の設定
<a name="studio-tensorboard-setup"></a>

1. Studio Classic を起動して、ランチャーを開きます。詳細については、[Amazon SageMaker Studio Classic ランチャーを使用する](studio-launcher.md)を参照してください。

1. Amazon SageMaker Studio Classic ランチャーの [`Notebooks and compute resources`] で、**[環境の変更]** ボタンを選択します。

1. **[環境の変更]** ダイアログで、ドロップダウンメニューを使用して [`TensorFlow 2.6 Python 3.8 CPU Optimized` Studio Classic] **イメージ**を選択します。

1. ランチャーに戻り、**[ノートブックの作成]** タイルをクリックします。ノートブックが起動し、新しい Studio Classic タブで開きます。

1. ノートブックのセルでこのコードを実行します。

1. 必要なパッケージをインポートします。

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

1. Keras モデルを作成します。

   ```
   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. TensorBoard ログ用にディレクトリを作成する

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

1. TensorBoard を使ってトレーニングを実行します。

   ```
   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. TensorBoard ログ用に EFS パスを生成します。ターミナルで、このパスを使ってログを設定します。

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

   `EFS_PATH_LOG_DIR` を取得します。これは、TensorBoard のインストールセクションで必要になります。

## TensorBoard をインストールする
<a name="studio-tensorboard-install"></a>

1. Studio Classic の左上にある [`Amazon SageMaker Studio Classic`] ボタンをクリックし、 Amazon SageMaker Studio Classic ランチャーを開きます。このランチャーは、ルートディレクトリから開く必要があります。詳細については、[Amazon SageMaker Studio Classic ランチャーを使用する](studio-launcher.md)を参照してください。

1. ランチャーの [`Utilities and files`] で、[`System terminal`] をクリックします。

1. ターミナルで次のコマンドを実行します。Jupyter ノートブックから `EFS_PATH_LOG_DIR` をコピーします。これは、`/home/sagemaker-user` のルートディレクトリで実行する必要があります。

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

## TensorBoard を起動する
<a name="studio-tensorboard-launch"></a>

1. TensorBoard を起動するには、Studio Classic の URL をコピーして、次のように `lab?` を `proxy/6006/` で置換します。最後の `/` 文字も含める必要があります。

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

1. この URL に移動して、結果を調べます。