Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Utilisation TensorBoard dans Amazon SageMaker Studio Classic
<a name="studio-tensorboard"></a>

**Important**  
Depuis le 30 novembre 2023, l'expérience Amazon SageMaker Studio précédente s'appelle désormais Amazon SageMaker Studio Classic. La section suivante est spécifique à l’utilisation de l’application Studio Classic. Pour en savoir plus sur l’utilisation de l’expérience Studio mise à jour, consultez [Amazon SageMaker Studio](studio-updated.md).  
Studio Classic est toujours maintenu pour les charges de travail existantes, mais n'est plus disponible pour l'intégration. Vous pouvez uniquement arrêter ou supprimer des applications Studio Classic existantes et vous ne pouvez pas en créer de nouvelles. Nous vous recommandons de [migrer votre charge de travail vers la nouvelle expérience Studio](studio-updated-migrate.md).

 Le document suivant explique comment installer et exécuter TensorBoard dans Amazon SageMaker Studio Classic. 

**Note**  
Ce guide explique comment ouvrir l' TensorBoard application via un serveur portable SageMaker Studio Classic d'un profil utilisateur de domaine SageMaker AI individuel. Pour une TensorBoard expérience plus complète intégrée à la SageMaker formation et aux fonctionnalités de contrôle d'accès du domaine de l' SageMaker IA, voir[TensorBoard dans Amazon SageMaker AI](tensorboard-on-sagemaker.md).

## Conditions préalables
<a name="studio-tensorboard-prereq"></a>

Ce didacticiel nécessite un domaine SageMaker AI. Pour de plus amples informations, consultez [Présentation du domaine Amazon SageMaker AI](gs-studio-onboard.md).

## Configuration d’`TensorBoardCallback`
<a name="studio-tensorboard-setup"></a>

1. Lancez Studio Classic et ouvrez le Lanceur. Pour de plus amples informations, consultez [Utiliser le lanceur Amazon SageMaker Studio Classic](studio-launcher.md).

1. Dans le lanceur Amazon SageMaker Studio Classic, sous`Notebooks and compute resources`, cliquez sur le bouton **Modifier l'environnement**.

1. Dans la boîte de dialogue **Modifier l’environnement**, utilisez les menus déroulants pour sélectionner **Image** Studio Classic `TensorFlow 2.6 Python 3.8 CPU Optimized`.

1. Dans le lanceur, cliquez sur la vignette **Create notebook** (Créer un bloc-notes). Votre bloc-notes est lancé et s’ouvre dans un nouvel onglet Studio Classic.

1. Exécutez ce code depuis les cellules de votre bloc-notes.

1. Importez les packages obligatoires. 

   ```
   import os
   import datetime
   import tensorflow as tf
   ```

1. Créez un modèle Keras.

   ```
   mnist = tf.keras.datasets.mnist
   
   (x_train, y_train),(x_test, y_test) = 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'),
       tf.keras.layers.Dropout(0.2),
       tf.keras.layers.Dense(10, activation='softmax')
     ])
   ```

1. Créez un répertoire pour vos TensorBoard journaux

   ```
   LOG_DIR = os.path.join(os.getcwd(), "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
   ```

1. Entraînez-vous avec TensorBoard.

   ```
   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])
   ```

1. Générez le chemin EFS pour les TensorBoard journaux. Vous utilisez ce chemin d’accès pour configurer vos journaux à partir du terminal.

   ```
   EFS_PATH_LOG_DIR = "/".join(LOG_DIR.strip("/").split('/')[1:-1])
   print (EFS_PATH_LOG_DIR)
   ```

   Récupérez la valeur `EFS_PATH_LOG_DIR`. Vous en aurez besoin dans la section TensorBoard d'installation.

## Installer TensorBoard
<a name="studio-tensorboard-install"></a>

1. Cliquez sur le `Amazon SageMaker Studio Classic` bouton situé dans le coin supérieur gauche de Studio Classic pour ouvrir le lanceur Amazon SageMaker Studio Classic. Ce lanceur doit être ouvert à partir de votre répertoire racine. Pour de plus amples informations, consultez [Utiliser le lanceur Amazon SageMaker Studio Classic](studio-launcher.md).

1. Dans le lanceur, sous `Utilities and files`, cliquez sur `System terminal`. 

1. Depuis le terminal, exécutez les commandes suivantes. Copiez `EFS_PATH_LOG_DIR` à partir du bloc-notes Jupyter. Vous devez l'exécuter depuis le répertoire racine de `/home/sagemaker-user`.

   ```
   pip install tensorboard
   tensorboard --logdir {{<EFS_PATH_LOG_DIR>}}
   ```

## Lancement TensorBoard
<a name="studio-tensorboard-launch"></a>

1. Pour lancer TensorBoard, copiez l'URL de votre Studio Classic et remplacez-la `lab?` par `proxy/6006/` ce qui suit. Vous devez inclure le caractère `/` de fin.

   ```
   https://{{<YOUR_URL>}}.studio.{{region}}.sagemaker.aws/jupyter/default/proxy/6006/
   ```

1. Accédez à l’URL pour examiner vos résultats.