Configura tu secuencia de comandos de entrenamiento

Tu secuencia de comandos de entrenamiento debe estar configurada 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 llamadas 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?

• Consulta la transmisión automática de registros
  • Entrena con un trabajo de entrenamiento personalizado
  • Entrena con Vertex AI Pipelines