La secuencia de comandos de entrenamiento debe configurarse para escribir registros de TensorBoard. Para los usuarios existentes de TensorBoard, esto no requiere ningún cambio en el código de entrenamiento de tu modelo.
Para configurar la secuencia de comandos de entrenamiento en TensorFlow 2.x, crea una devolución de llamada de TensorBoard y establece la variable log_dir en cualquier ubicación que pueda conectarse a Google Cloud.
La devolución de llamada de TensorBoard se incluye en la lista de devoluciones de llamada model.fit de TensorFlow.
import tensorflow as tf
def train_tensorflow_model_with_tensorboard(log_dir):
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.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"),
]
)
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],
)
Los registros de TensorBoard se crean en el directorio especificado y se pueden subir a un experimento de Vertex AI TensorBoard mediante las instrucciones en Sube registros de TensorBoard para subirlos.
Para obtener más ejemplos, consulta los documentos de código abierto de TensorBoard
¿Qué sigue?
- Revisa la transmisión de registros automática