O seu script de preparação tem de estar configurado para escrever registos do TensorBoard. Para os utilizadores existentes do TensorBoard, isto não requer alterações ao código de preparação do modelo.
Para configurar o script de preparação no TensorFlow 2.x, crie uma
devolução de chamada do TensorBoard e defina a variável log_dir para qualquer localização
que se possa ligar a Google Cloud.
Em seguida, o callback do TensorBoard é incluído na lista de callbacks do TensorFlow.model.fit
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],
)
Os registos do TensorBoard são criados no diretório especificado e podem ser carregados para uma experiência do Vertex AI TensorBoard seguindo as instruções de carregamento dos registos do TensorBoard.
Para ver mais exemplos, consulte a documentação de código aberto do TensorBoard
O que se segue?
- Consulte o streaming automático de registos