기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# SageMaker Debugger 프로파일링 보고서 다운로드
훈련 작업이 실행되는 동안 또는 작업이 완료된 후 Amazon SageMaker Python SDK 및 AWS Command Line Interface (CLI)를 사용하여 SageMaker Debugger 프로파일링 보고서를 다운로드합니다. [Amazon SageMaker ](https://sagemaker.readthedocs.io/en/stable)
**참고**
SageMaker Debugger에서 생성된 프로파일링 보고서를 가져오려면 SageMaker Debugger에서 제공하는 내장된 [ProfilerReport](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-built-in-rules.html#profiler-report) 규칙을 사용해야 합니다. 훈련 작업에서 규칙을 활성화하려면 [내장 프로파일러 규칙 구성](https://docs.aws.amazon.com/sagemaker/latest/dg/use-debugger-built-in-profiler-rules.html)을 참조하세요.
**작은 정보**
SageMaker Studio 디버거 인사이트 대시보드에서 클릭 한 번으로 보고서를 다운로드할 수도 있습니다. 보고서를 다운로드하려면 추가 스크립팅이 필요하지 않습니다. Studio에서 보고서를 다운로드하는 방법을 알아보려면 [Amazon SageMaker Debugger 인사이트 대시보드를 엽니다.](debugger-on-studio-insights.md) 섹션을 참조하세요.
------
#### [ Download using SageMaker Python SDK and AWS CLI ]
1. 현재 작업의 기본 S3 출력 기본 URI를 확인하세요.
```
estimator.output_path
```
1. 현재 작업 이름을 확인합니다.
```
estimator.latest_training_job.job_name
```
1. 디버거 프로파일링 보고서는 `//rule-output`에 저장됩니다. 규칙 출력 경로를 다음과 같이 구성합니다.
```
rule_output_path = estimator.output_path + estimator.latest_training_job.job_name + "/rule-output"
```
1. 보고서가 생성되었는지 확인하려면 `--recursive` 옵션과 함께 `aws s3 ls`를 사용하여 `rule_output_path` 아래에 디렉토리와 파일을 재귀적으로 나열하세요.
```
! aws s3 ls {rule_output_path} --recursive
```
그러면 `ProfilerReport-1234567890`로 이름이 지정된 자동 생성 폴더 아래에 있는 전체 파일 목록이 반환되어야 합니다. 폴더 이름은 문자열 `ProfilerReport` 및 ProfilerReport 규칙이 시작될 때 Unix 타임스탬프를 기반으로 하는 고유한 10자리 태그의 조합입니다.
`profiler-report.html`은 디버거에서 자동 생성된 프로파일링 보고서입니다. 나머지 파일은 JSON에 저장된 내장 규칙 분석 구성 요소와 이를 보고서에 집계하는 데 사용되는 Jupyter notebook입니다.
1. `aws s3 cp`를 사용하여 반복해서 파일을 다운로드합니다. 다음 명령은 모든 규칙 출력 파일을 현재 작업 디렉토리 아래의 `ProfilerReport-1234567890` 폴더에 저장합니다.
```
! aws s3 cp {rule_output_path} {{./}} --recursive
```
**작은 정보**
Jupyter notebook 서버를 사용하는 경우 `!pwd`를 실행하여 현재 작업 디렉토리를 다시 확인하세요.
1. `/ProfilerReport-1234567890/profiler-output` 디렉터리 아래에서 `profiler-report.html`을 엽니다. JupyterLab을 사용하는 경우 자동 생성된 디버거 프로파일링 보고서를 보려면 **Trust HTML**을 선택합니다.
1. `profiler-report.ipynb` 파일을 열어 보고서 생성 방법을 살펴보세요. Jupyter notebook 파일을 사용하여 프로파일링 보고서를 사용자 지정하고 확장할 수도 있습니다.
------
#### [ Download using Amazon S3 Console ]
1. 에 로그인 AWS Management Console 하고 [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/) Amazon S3 콘솔을 엽니다.
1. 기본 S3 버킷을 검색합니다. 예를 들어 기본 작업 이름을 지정하지 않은 경우 기본 S3 버킷 이름은 `sagemaker--111122223333` 형식이어야 합니다. *이름별 버킷 찾기* 필드를 통해 기본 S3 버킷을 찾아보세요.
1. 기본 S3 버킷에서 *접두사로 객체 찾기* 입력 필드에 작업 이름 접두사를 지정하여 훈련 작업 이름을 조회합니다. 훈련 작업 이름을 선택합니다.
1. 훈련 작업의 S3 버킷에는 디버거에서 수집한 훈련 데이터를 위한 세 개의 하위 폴더, 즉 **debug-output/**, **profiler-output/**, and **rule-output/**이 있어야 합니다. **rule-output/**을 선택합니다.
1. **rule-output/** 폴더에서 **ProfilerReport-1234567890** 폴더를 선택하고 **profiler-output/** 폴더를 선택합니다. **profiler-output/** 폴더에는 **profiler-report.html**(html 형식의 자동 생성된 프로파일링 보고서), **profiler-report.ipynb**(보고서 생성에 사용되는 스크립트가 들어 있는 Jupyter notebook) 및 **profiler-report/** 폴더(보고서의 구성 요소로 사용되는 규칙 분석 JSON 파일 포함)가 들어 있습니다.
1. **profiler-report.html** 파일을 선택하고 **작업**을 선택한 다음 **다운로드**를 선택합니다.
1. 다운로드한 **profiler-report.html** 파일을 웹 브라우저에서 엽니다.
------
**참고**
디버거 관련 파라미터를 구성하지 않고 훈련 작업을 시작한 경우 디버거 파라미터가 프레임워크 지표를 저장하도록 구성되어 있지 않기 때문에 디버거는 시스템 모니터링 규칙만을 기반으로 보고서를 생성합니다. 프레임워크 지표 프로파일링을 사용하고 확장된 Debugger 프로파일링 보고서를 받으려면 SageMaker AI 예측기를 구문화하거나 업데이트할 때 `profiler_config` 파라미터를 구성합니다.
훈련 작업을 시작하기 전에 `profiler_config` 파라미터를 구성하는 방법을 알아보려면 [프레임워크 프로파일링을 위한 예측기 구성](debugger-configure-framework-profiling.md) 섹션을 참조하세요.
현재 훈련 작업을 업데이트하고 프레임워크 지표 프로파일링을 활성화하려면 [디버거 프레임워크 프로파일링 구성 업데이트](debugger-update-monitoring-profiling.md)를 참조하세요.