Trainingsskript konfigurieren

Das Trainingsskript muss so konfiguriert sein, dass TensorBoard-Logs geschrieben werden. Für bestehende TensorBoard-Nutzer ist dafür keine Änderung am Modelltrainingscode erforderlich.

Erstellen Sie zum Konfigurieren Ihres Trainingsskripts in TensorFlow 2.x einen TensorBoard-Callback und legen Sie für die Variable log_dir einen beliebigen Standort fest, der eine Verbindung zu Google Cloud herstellen kann.

Der TensorBoard-Callback ist dann in der TensorFlow-Callback-Liste model.fit enthalten.

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],
    )

Die TensorBoard-Logs werden im angegebenen Verzeichnis erstellt und können in ein Vertex AI TensorBoard-Experiment hochgeladen werden. Folgen Sie dazu der Anleitung zum Hochladen von TensorBoard-Logs.

Weitere Beispiele finden Sie in den Open-Source-Dokumenten zu TensorBoard.

Nächste Schritte