Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# SageMaker Laporan interaktif debugger
Terima laporan pembuatan profil yang dibuat secara otomatis oleh Debugger. Laporan Debugger memberikan wawasan tentang pekerjaan pelatihan Anda dan menyarankan rekomendasi untuk meningkatkan kinerja model Anda. Tangkapan layar berikut menunjukkan kolase laporan profil Debugger. Untuk mempelajari selengkapnya, lihat [SageMaker Laporan interaktif debugger](#debugger-profiling-report).
**catatan**
Anda dapat mengunduh laporan Debugger saat pekerjaan pelatihan Anda berjalan atau setelah pekerjaan selesai. Selama pelatihan, Debugger secara bersamaan memperbarui laporan yang mencerminkan status evaluasi aturan saat ini. Anda dapat mengunduh laporan Debugger lengkap hanya setelah pekerjaan pelatihan selesai.
**penting**
Dalam laporan, plot dan dan rekomendasi disediakan untuk tujuan informasi dan tidak definitif. Anda bertanggung jawab untuk membuat penilaian independen Anda sendiri atas informasi tersebut.
![\[Contoh laporan ringkasan pekerjaan pelatihan Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profile-report.jpg)
Untuk pekerjaan SageMaker pelatihan apa pun, aturan SageMaker Debugger memanggil semua [ProfilerReport](debugger-built-in-profiler-rules.md#profiler-report) aturan [pemantauan dan pembuatan profil dan menggabungkan analisis aturan](debugger-built-in-profiler-rules.md#built-in-rules-monitoring) ke dalam laporan yang komprehensif. Mengikuti panduan ini, unduh laporan menggunakan [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) atau konsol S3, dan pelajari apa yang dapat Anda tafsirkan dari hasil pembuatan profil.
**penting**
Dalam laporan tersebut, plot dan dan rekomendasi disediakan untuk tujuan informasi dan tidak definitif. Anda bertanggung jawab untuk membuat penilaian independen Anda sendiri atas informasi tersebut.
# Unduh laporan pembuatan profil SageMaker Debugger
Unduh laporan pembuatan profil SageMaker Debugger saat tugas pelatihan Anda berjalan atau setelah pekerjaan selesai menggunakan Amazon [ SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) dan (CLI). AWS Command Line Interface
**catatan**
Untuk mendapatkan laporan profiling yang dihasilkan oleh SageMaker Debugger, Anda harus menggunakan [ProfilerReport](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-built-in-rules.html#profiler-report)aturan bawaan yang ditawarkan oleh Debugger. SageMaker Untuk mengaktifkan aturan dengan tugas latihan Anda, lihat [Mengonfigurasi Aturan Profiler Bawaan](https://docs.aws.amazon.com/sagemaker/latest/dg/use-debugger-built-in-profiler-rules.html).
**Tip**
Anda juga dapat mengunduh laporan dengan satu klik di dasbor wawasan SageMaker Studio Debugger. Ini tidak memerlukan skrip tambahan untuk mengunduh laporan. Untuk mengetahui cara mengunduh laporan dari Studio, lihat[Buka dasbor Amazon SageMaker Debugger Insights](debugger-on-studio-insights.md).
------
#### [ Download using SageMaker Python SDK and AWS CLI ]
1. Periksa URI basis output S3 default pekerjaan saat ini.
```
estimator.output_path
```
1. Periksa nama pekerjaan saat ini.
```
estimator.latest_training_job.job_name
```
1. Laporan pembuatan profil Debugger disimpan di bawah. `//rule-output` Konfigurasikan jalur keluaran aturan sebagai berikut:
```
rule_output_path = estimator.output_path + estimator.latest_training_job.job_name + "/rule-output"
```
1. Untuk memeriksa apakah laporan dibuat, daftar direktori dan file secara rekursif di bawah `rule_output_path` menggunakan `aws s3 ls` dengan opsi. `--recursive`
```
! aws s3 ls {rule_output_path} --recursive
```
Ini akan mengembalikan daftar lengkap file di bawah folder yang dibuat otomatis yang dinamai sebagai`ProfilerReport-1234567890`. Nama folder adalah kombinasi string: `ProfilerReport` dan tag 10 digit unik berdasarkan stempel waktu Unix saat aturan dimulai. ProfilerReport
![\[Contoh output aturan\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-rule-output-ls-example.png)
`profiler-report.html`Ini adalah laporan profil yang dibuat secara otomatis oleh Debugger. File yang tersisa adalah komponen analisis aturan bawaan yang disimpan di JSON dan notebook Jupyter yang digunakan untuk menggabungkannya ke dalam laporan.
1. Unduh file secara rekursif menggunakan`aws s3 cp`. Perintah berikut menyimpan semua file output aturan ke `ProfilerReport-1234567890` folder di bawah direktori kerja saat ini.
```
! aws s3 cp {rule_output_path} ./ --recursive
```
**Tip**
Jika menggunakan server notebook Jupyter, jalankan `!pwd` untuk memeriksa ulang direktori kerja saat ini.
1. Di bawah `/ProfilerReport-1234567890/profiler-output` direktori, buka`profiler-report.html`. Jika menggunakan JupyterLab, pilih **Trust HTML** untuk melihat laporan pembuatan profil Debugger yang dibuat secara otomatis.
![\[Contoh output aturan\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-rule-output-open-html.png)
1. Buka `profiler-report.ipynb` file untuk menjelajahi bagaimana laporan dibuat. Anda juga dapat menyesuaikan dan memperluas laporan pembuatan profil menggunakan file notebook Jupyter.
------
#### [ Download using Amazon S3 Console ]
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon S3 di. [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)
1. Cari ember S3 dasar. Misalnya, jika Anda belum menentukan nama pekerjaan dasar apa pun, nama bucket S3 dasar harus dalam format berikut:`sagemaker--111122223333`. Cari bucket S3 dasar melalui bidang *Find bucket by name*.
![\[Contoh untuk aturan output S3 bucket URI\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-report-download-s3console-0.png)
1. Di bucket S3 dasar, cari nama pekerjaan pelatihan dengan menentukan awalan nama pekerjaan Anda ke dalam kolom Input *Find objects by prefix*. Pilih nama pekerjaan pelatihan.
![\[Contoh untuk aturan output S3 bucket URI\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-report-download-s3console-1.png)
1. ****Dalam bucket S3 pekerjaan pelatihan, harus ada tiga subfolder untuk data pelatihan yang dikumpulkan oleh Debugger: **debug-output/, profiler-output/, dan rule-output/**.**** Pilih **aturan-output/**.
![\[Contoh untuk aturan output S3 bucket URI\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-report-download-s3console-2.png)
1. **Di folder **aturan-output/, pilih ProfilerReport -1234567890****, dan pilih folder profiler-output/**.** Folder **profiler-output/** berisi **profiler-report.html** (laporan profil yang dibuat secara otomatis dalam html), **profiler-report.ipynb** (buku catatan Jupyter dengan skrip yang digunakan untuk membuat laporan), dan folder **profiler-report/** (berisi file JSON analisis aturan yang digunakan sebagai komponen laporan).
1. Pilih file **profiler-report.html**, pilih **Actions**, dan **Download**.
![\[Contoh untuk aturan output S3 bucket URI\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-report-download-s3console-3.png)
1. Buka file **profiler-report.html** yang diunduh di browser web.
------
**catatan**
Jika Anda memulai tugas latihan tanpa mengonfigurasi parameter khusus Debugger, Debugger akan menghasilkan laporan hanya berdasarkan aturan pemantauan sistem karena parameter Debugger tidak dikonfigurasi untuk menyimpan metrik kerangka kerja. Untuk mengaktifkan profil metrik kerangka kerja dan menerima laporan profil Debugger yang diperluas, konfigurasikan `profiler_config` parameter saat membuat atau memperbarui estimator AI. SageMaker
Untuk mempelajari cara mengkonfigurasi `profiler_config` parameter sebelum memulai pekerjaan pelatihan, lihat[Konfigurasi estimator untuk pembuatan profil kerangka kerja](debugger-configure-framework-profiling.md).
Untuk memperbarui tugas pelatihan saat ini dan mengaktifkan profil metrik kerangka kerja, lihat [Memperbarui Konfigurasi Profil Kerangka Debugger](debugger-update-monitoring-profiling.md).
# Panduan laporan pembuatan profil debugger
Bagian ini memandu Anda melalui bagian laporan profiling Debugger demi bagian. Laporan pembuatan profil dibuat berdasarkan aturan bawaan untuk pemantauan dan pembuatan profil. Laporan menunjukkan plot hasil hanya untuk aturan yang menemukan masalah.
**penting**
Dalam laporan tersebut, plot dan dan rekomendasi disediakan untuk tujuan informasi dan tidak definitif. Anda bertanggung jawab untuk membuat penilaian independen Anda sendiri atas informasi tersebut.
**Topics**
+ [Ringkasan pekerjaan pelatihan](#debugger-profiling-report-walkthrough-summary)
+ [Statistik penggunaan sistem](#debugger-profiling-report-walkthrough-system-usage)
+ [Ringkasan metrik kerangka kerja](#debugger-profiling-report-walkthrough-framework-metrics)
+ [Ringkasan aturan](#debugger-profiling-report-walkthrough-rules-summary)
+ [Menganalisis loop pelatihan — durasi langkah](#debugger-profiling-report-walkthrough-step-durations)
+ [Analisis pemanfaatan GPU](#debugger-profiling-report-walkthrough-gpu-utilization)
+ [Ukuran batch](#debugger-profiling-report-walkthrough-batch-size)
+ [Kemacetan CPU](#debugger-profiling-report-walkthrough-cpu-bottlenecks)
+ [Kemacetan I/O](#debugger-profiling-report-walkthrough-io-bottlenecks)
+ [Load balancing dalam pelatihan multi-GPU](#debugger-profiling-report-walkthrough-workload-balancing)
+ [Analisis memori GPU](#debugger-profiling-report-walkthrough-gpu-memory)
## Ringkasan pekerjaan pelatihan
Di awal laporan, Debugger memberikan ringkasan pekerjaan pelatihan Anda. Di bagian ini, Anda dapat meninjau durasi waktu dan stempel waktu pada fase pelatihan yang berbeda.
![\[Contoh laporan pembuatan profil Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profiling-report-summary.gif)
Tabel ringkasan berisi informasi berikut:
+ **start\$1time — Waktu** yang tepat ketika pekerjaan pelatihan dimulai.
+ **end\$1time** — Waktu yang tepat ketika pekerjaan pelatihan selesai.
+ **job\$1duration\$1in\$1seconds — Total waktu pelatihan dari start\$1time** ****hingga end\$1time.****
+ **training\$1loop\$1start** — Waktu yang tepat ketika langkah pertama dari zaman pertama telah dimulai.
+ **training\$1loop\$1end** — Waktu yang tepat ketika langkah terakhir dari zaman terakhir telah selesai.
+ **training\$1loop\$1duration\$1in\$1seconds** — Total waktu antara waktu mulai loop pelatihan dan waktu akhir loop pelatihan.
+ **initialization\$1in\$1seconds** - Waktu yang dihabiskan untuk menginisialisasi pekerjaan pelatihan. **Fase inisialisasi mencakup periode dari **start\$1time ke waktu training\$1loop\$1start**.** Waktu inisialisasi dihabiskan untuk menyusun skrip pelatihan, memulai skrip pelatihan, membuat dan menginisialisasi model, memulai instans EC2, dan mengunduh data pelatihan.
+ **finalization\$1in\$1seconds** — Waktu yang dihabiskan untuk menyelesaikan pekerjaan pelatihan, seperti menyelesaikan pelatihan model, memperbarui artefak model, dan menutup instans EC2. **Fase finalisasi mencakup periode dari waktu **training\$1loop\$1end hingga end\$1time**.**
+ **inisialisasi (%)** **— Persentase waktu yang dihabiskan untuk **inisialisasi** atas total job\$1duration\$1in\$1seconds.**
+ **loop pelatihan (%)** — Persentase waktu yang dihabiskan untuk **loop pelatihan** di atas total **job\$1duration\$1in\$1seconds**.
+ **finalisasi (%)** **— Persentase waktu yang dihabiskan untuk **finalisasi** atas total job\$1duration\$1in\$1seconds.**
## Statistik penggunaan sistem
Di bagian ini, Anda dapat melihat ikhtisar statistik pemanfaatan sistem.
![\[Contoh laporan pembuatan profil Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profiling-report-system-usage.png)
Laporan pembuatan profil Debugger mencakup informasi berikut:
+ **node** — Daftar nama node. Jika menggunakan pelatihan terdistribusi pada multi node (beberapa instance EC2), nama node dalam format. `algo-n`
+ **metrik** — Metrik sistem yang dikumpulkan oleh Debugger: CPU, GPU, memori CPU, memori GPU, I/O, dan metrik Jaringan.
+ **unit** — Unit metrik sistem.
+ **max** — Nilai maksimum setiap metrik sistem.
+ **p99** — Persentil ke-99 dari setiap pemanfaatan sistem.
+ **p95** — Persentil ke-95 dari setiap pemanfaatan sistem.
+ **p50** — Persentil ke-50 (median) dari setiap pemanfaatan sistem.
+ **min** — Nilai minimum setiap metrik sistem.
## Ringkasan metrik kerangka kerja
Pada bagian ini, diagram lingkaran berikut menunjukkan rincian operasi kerangka kerja pada CPUs dan GPUs.
![\[Contoh laporan pembuatan profil Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profiling-report-framework-metrics-summary.gif)
Setiap diagram lingkaran menganalisis metrik kerangka kerja yang dikumpulkan dalam berbagai aspek sebagai berikut:
+ **Rasio antara TRAIN/EVAL fase dan lainnya** — Menunjukkan rasio antara durasi waktu yang dihabiskan untuk fase pelatihan yang berbeda.
+ **Rasio antara pass maju dan mundur** — Menunjukkan rasio antara durasi waktu yang dihabiskan untuk pass maju dan mundur dalam loop pelatihan.
+ **Rasio antar CPU/GPU operator** - Menunjukkan rasio antara waktu yang dihabiskan pada operator yang berjalan pada CPU atau GPU, seperti operator convolutional.
+ **Metrik umum yang direkam dalam kerangka kerja** — Menunjukkan rasio antara waktu yang dihabiskan untuk metrik kerangka kerja utama, seperti pemuatan data, pass maju dan mundur.
### Ikhtisar: Operator CPU
Bagian ini memberikan informasi tentang operator CPU secara rinci. Tabel menunjukkan persentase waktu dan waktu kumulatif absolut yang dihabiskan untuk operator CPU yang paling sering disebut.
![\[Contoh laporan pembuatan profil Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profiling-report-framework-cpu-operators.gif)
### Ikhtisar: Operator GPU
Bagian ini memberikan informasi tentang operator GPU secara rinci. Tabel menunjukkan persentase waktu dan waktu kumulatif absolut yang dihabiskan untuk operator GPU yang paling sering disebut.
![\[Contoh laporan pembuatan profil Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profiling-report-framework-gpu-operators.gif)
## Ringkasan aturan
Pada bagian ini, Debugger menggabungkan semua hasil evaluasi aturan, analisis, deskripsi aturan, dan saran.
![\[Contoh laporan pembuatan profil Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profiling-report-rules-summary.png)
## Menganalisis loop pelatihan — durasi langkah
Di bagian ini, Anda dapat menemukan statistik rinci durasi langkah pada setiap inti GPU dari setiap node. Debugger mengevaluasi nilai rata-rata, maksimum, p99, p95, p50, dan minimum durasi langkah, dan mengevaluasi pencilan langkah. Histogram berikut menunjukkan durasi langkah yang ditangkap pada node pekerja yang berbeda dan. GPUs Anda dapat mengaktifkan atau menonaktifkan histogram setiap pekerja dengan memilih legenda di sisi kanan. Anda dapat memeriksa apakah ada GPU tertentu yang menyebabkan pencilan durasi langkah.
![\[Contoh laporan pembuatan profil Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profiling-report-framework-step-duration.gif)
## Analisis pemanfaatan GPU
Bagian ini menunjukkan statistik rinci tentang pemanfaatan inti GPU berdasarkan aturan RendahGPUUtilization . Ini juga merangkum statistik pemanfaatan GPU, mean, p95, dan p5 untuk menentukan apakah pekerjaan pelatihan kurang dimanfaatkan. GPUs
## Ukuran batch
Bagian ini menunjukkan statistik terperinci dari total pemanfaatan CPU, pemanfaatan GPU individu, dan jejak memori GPU. BatchSize Aturan menentukan apakah Anda perlu mengubah ukuran batch untuk memanfaatkan. GPUs Anda dapat memeriksa apakah ukuran batch terlalu kecil sehingga kurang dimanfaatkan atau terlalu besar menyebabkan pemanfaatan berlebihan dan masalah memori. Dalam plot, kotak menunjukkan rentang persentil p25 dan p75 (masing-masing diisi dengan ungu tua dan kuning cerah) dari median (p50), dan bilah kesalahan menunjukkan persentil ke-5 untuk batas bawah dan persentil ke-95 untuk batas atas.
![\[Contoh laporan pembuatan profil Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profiling-report-batch-size.png)
## Kemacetan CPU
Di bagian ini, Anda dapat menelusuri kemacetan CPU yang terdeteksi CPUBottleneck aturan dari pekerjaan pelatihan Anda. Aturan memeriksa apakah pemanfaatan CPU di atas `cpu_threshold` (90% secara default) dan juga jika pemanfaatan GPU di bawah `gpu_threshold` (10% secara default).
![\[Contoh laporan pembuatan profil Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profiling-report-cpu-bottlenecks.png)
Diagram lingkaran menunjukkan informasi berikut:
+ **Penggunaan GPU rendah yang disebabkan oleh kemacetan CPU** - Menunjukkan rasio titik data antara titik dengan pemanfaatan GPU di atas dan di bawah ambang batas dan yang sesuai dengan kriteria bottleneck CPU.
+ **Rasio antara TRAIN/EVAL fase dan lainnya** — Menunjukkan rasio antara durasi waktu yang dihabiskan untuk fase pelatihan yang berbeda.
+ **Rasio antara pass maju dan mundur** — Menunjukkan rasio antara durasi waktu yang dihabiskan untuk pass maju dan mundur dalam loop pelatihan.
+ **Rasio antar CPU/GPU operator** - Menunjukkan rasio antara durasi waktu yang dihabiskan untuk GPUs dan CPUs oleh operator Python, seperti proses pemuat data dan operator pass maju dan mundur.
+ **Metrik umum yang direkam dalam kerangka kerja** — Menunjukkan metrik kerangka kerja utama dan rasio antara durasi waktu yang dihabiskan untuk metrik.
## Kemacetan I/O
Di bagian ini, Anda dapat menemukan ringkasan I/O kemacetan. Aturan mengevaluasi waktu I/O tunggu dan tingkat pemanfaatan GPU dan memantau jika waktu yang dihabiskan untuk I/O requests exceeds a threshold percent of the total training time. It might indicate I/O kemacetan di mana menunggu data tiba dari GPUs penyimpanan.
## Load balancing dalam pelatihan multi-GPU
Di bagian ini, Anda dapat mengidentifikasi masalah penyeimbangan beban kerja di seluruh. GPUs
![\[Contoh laporan pembuatan profil Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profiling-report-workload-balancing.gif)
## Analisis memori GPU
Di bagian ini, Anda dapat menganalisis pemanfaatan memori GPU yang dikumpulkan oleh aturan GPUMemory Peningkatan. Dalam plot, kotak menunjukkan rentang persentil p25 dan p75 (masing-masing diisi dengan ungu tua dan kuning cerah) dari median (p50), dan bilah kesalahan menunjukkan persentil ke-5 untuk batas bawah dan persentil ke-95 untuk batas atas.
![\[Contoh laporan pembuatan profil Debugger\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/debugger/debugger-profiling-report-gpu-memory-utilization.png)
# Menyisih dari koleksi statistik penggunaan Amazon SageMaker Debugger
Untuk semua pekerjaan SageMaker pelatihan, Amazon SageMaker Debugger menjalankan [ProfilerReport](debugger-built-in-profiler-rules.md#profiler-report) aturan dan membuat otomatis a. [SageMaker Laporan interaktif debugger](debugger-profiling-report.md) `ProfilerReport`Aturan menyediakan file notebook Jupyter (`profiler-report.ipynb`) yang menghasilkan file HTML yang sesuai (`profiler-report.html`).
Debugger mengumpulkan statistik penggunaan laporan profil dengan menyertakan kode di buku catatan Jupyter yang mengumpulkan ARN tugas pemrosesan aturan unik `ProfilerReport` jika pengguna membuka file akhir. `profiler-report.html`
Debugger hanya mengumpulkan informasi tentang apakah pengguna membuka laporan HTML akhir. Itu **TIDAK** mengumpulkan informasi apa pun dari pekerjaan pelatihan, data pelatihan, skrip pelatihan, pekerjaan pemrosesan, log, atau konten laporan profil itu sendiri.
Anda dapat memilih keluar dari pengumpulan statistik penggunaan menggunakan salah satu opsi berikut.
## (Disarankan) Opsi 1: Memilih keluar sebelum menjalankan pekerjaan pelatihan
Untuk memilih keluar, Anda perlu menambahkan konfigurasi `ProfilerReport` aturan Debugger berikut ke permintaan pekerjaan pelatihan Anda.
------
#### [ SageMaker Python SDK ]
```
estimator=sagemaker.estimator.Estimator(
...
rules=ProfilerRule.sagemaker(
base_config=rule_configs.ProfilerReport()
rule_parameters={"opt_out_telemetry": "True"}
)
)
```
------
#### [ AWS CLI ]
```
"ProfilerRuleConfigurations": [
{
"RuleConfigurationName": "ProfilerReport-1234567890",
"RuleEvaluatorImage": "895741380848.dkr.ecr.us-west-2.amazonaws.com/sagemaker-debugger-rules:latest",
"RuleParameters": {
"rule_to_invoke": "ProfilerReport",
"opt_out_telemetry": "True"
}
}
]
```
------
#### [ AWS SDK untuk Python (Boto3) ]
```
ProfilerRuleConfigurations=[
{
'RuleConfigurationName': 'ProfilerReport-1234567890',
'RuleEvaluatorImage': '895741380848.dkr.ecr.us-west-2.amazonaws.com/sagemaker-debugger-rules:latest',
'RuleParameters': {
'rule_to_invoke': 'ProfilerReport',
'opt_out_telemetry': 'True'
}
}
]
```
------
## Opsi 2: Memilih keluar setelah pekerjaan pelatihan selesai
Untuk memilih keluar setelah pelatihan selesai, Anda perlu memodifikasi `profiler-report.ipynb` file.
**catatan**
Laporan HTML dibuat secara otomatis tanpa **Opsi 1** yang telah ditambahkan ke permintaan pekerjaan pelatihan Anda masih melaporkan statistik penggunaan bahkan setelah Anda memilih untuk tidak menggunakan **Opsi 2**.
1. Ikuti petunjuk untuk mengunduh file laporan profil Debugger di halaman. [Unduh laporan pembuatan profil SageMaker Debugger](debugger-profiling-report-download.md)
1. Di `/ProfilerReport-1234567890/profiler-output` direktori, buka`profiler-report.ipynb`.
1. Tambahkan **opt\$1out=True** ke `setup_profiler_report()` fungsi di sel kode kelima seperti yang ditunjukkan pada kode contoh berikut:
```
setup_profiler_report(processing_job_arn, opt_out=True)
```
1. Jalankan sel kode untuk menyelesaikan opting out.