準備訓練任務以收集 TensorBoard 輸出資料 - Amazon SageMaker
必要條件步驟 1：使用開放原始碼 TensorBoard 協助工具修改訓練指令碼使用 TensorBoard 資料組態建置 SageMaker訓練啟動器

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

準備訓練任務以收集 TensorBoard 輸出資料

中的機器學習典型訓練任務 SageMaker 包含兩個主要步驟：準備訓練指令碼和設定 SageMaker Python 的 SageMaker 估算器物件SDK。在本節中，您將了解從 SageMaker 訓練任務收集 TensorBoard相容 資料所需的變更。

必要條件

下列清單顯示與 SageMaker 開始使用 的先決條件 TensorBoard。

  • VPC AWS 帳戶中使用 Amazon 設定的 SageMaker 網域。

    如需設定網域的指示，請參閱使用快速設定加入 Amazon SageMaker 網域。您也需要為個別使用者新增網域使用者設定檔，才能存取 TensorBoard 上的 SageMaker。如需詳細資訊，請參閱新增使用者設定檔。

  • 下列清單是在 TensorBoard 上使用 的最小許可集 SageMaker。

    • sagemaker:CreateApp

    • sagemaker:DeleteApp

    • sagemaker:DescribeTrainingJob

    • sagemaker:Search

    • s3:GetObject

    • s3:ListBucket

步驟 1：使用開放原始碼 TensorBoard 協助工具修改訓練指令碼

請務必決定要收集的輸出張量和純量，並使用下列任何工具修改訓練指令碼中的程式碼行： TensorBoardX、 TensorFlow 摘要寫入器、 PyTorch 摘要寫入器或 SageMaker 偵錯器。

此外，請確定您在訓練容器中將 TensorBoard 資料輸出路徑指定為回呼的日誌目錄 （log_dir）。

如需每個架構回調的更多相關資訊，請參閱下列資源。

步驟 2：使用 TensorBoard 輸出組態建立 SageMaker 訓練估算器物件

在設定 SageMaker 架構估算器sagemaker.debugger.TensorBoardOutputConfig時使用 。此組態會API映射您為儲存 TensorBoard 資料所指定的 S3 儲存貯體，並在訓練容器中使用本機路徑 （/opt/ml/output/tensorboard）。將模組的物件傳遞給估算器類別的tensorboard_output_config參數。下列程式碼片段顯示使用 TensorBoard 輸出組態參數準備 TensorFlow 估算器的範例。

注意

此範例假設您使用 SageMaker Python SDK。如果您使用低階 SageMaker API，則應在 CreateTrainingJob 的請求語法中包含下列項目API。

"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
)
注意

TensorBoard 應用程式不支援 out-of-the-box SageMaker超參數調校任務，因為 CreateHyperParameterTuningJob API 未與映射的 TensorBoard 輸出組態整合。若要使用 TensorBoard應用程式進行超參數調校任務，您需要在訓練指令碼中編寫程式碼，以將指標上傳至 Amazon S3。將指標上傳至 Amazon S3 儲存貯體後，您就可以將儲存貯體載入 上的 TensorBoard 應用程式 SageMaker。