기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # Amazon SageMaker AI의 TensorBoard TensorBoard가 탑재된 Amazon SageMaker AI는 Amazon SageMaker AI의 기능으로, [TensorBoard](https://www.tensorflow.org/tensorboard) 시각화 도구를 SageMaker AI로 가져와 SageMaker 훈련 및 도메인과 통합합니다. [SageMaker AI 도메인을](https://docs.aws.amazon.com/sagemaker/latest/dg/sm-domain.html) 통해 AWS 계정 및 계정에 속한 사용자를 관리하고, 도메인 사용자에게 Amazon S3에 대한 적절한 권한으로 TensorBoard 데이터에 대한 액세스 권한을 부여하고, 도메인 사용자가 TensorBoard 시각화 플러그인을 사용하여 모델 디버깅 작업을 수행하도록 지원하는 옵션을 제공합니다. TensorBoard를 장착한 SageMaker AI는 SageMaker AI 데이터 관리자 플러그인으로 확장되었습니다. 이 플러그인을 사용하면 도메인 사용자가 TensorBoard 애플리케이션 내에서 한 곳에서 여러 훈련 작업에 액세스할 수 있습니다. **참고** 이 기능은 PyTorch 또는 TensorFlow를 사용하여 딥러닝 모델의 훈련을 디버깅하기 위한 것입니다. **데이터 과학자용** 대형 모델을 훈련시키려면 데이터 과학자가 모델 융합을 개선하고 경사하강법(gradient descent) 프로세스를 안정화하기 위해 모델을 디버깅하고 해결해야 하는 과학적 문제가 발생할 수 있습니다. 손실이 수렴하지 않거나 가중치와 기울기가 사라지거나 폭발적으로 증가하는 등 모델 훈련 문제가 발생하면 텐서 데이터에 액세스하여 모델 파라미터, 스칼라 및 사용자 지정 메트릭을 심층적으로 분석해야 합니다. TensorBoard를 장착한 SageMaker AI를 사용하면 훈련 작업에서 추출한 모델 출력 텐서를 시각화할 수 있습니다. 다양한 모델, 여러 번의 훈련 실행, 모델 하이퍼파라미터를 실험하면서 TensorBoard에서 여러 훈련 작업을 선택하고 한 곳에서 이들을 비교할 수 있습니다. **관리자용** SageMaker AI 콘솔 또는 [SageMaker AI 도메인](https://docs.aws.amazon.com/sagemaker/latest/dg/sm-domain.html)의 TensorBoard 랜딩 페이지를 통해 AWS 계정 또는 SageMaker AI 도메인의 관리자인 경우 TensorBoard 애플리케이션 사용자를 관리할 수 있습니다. 각 도메인 사용자는 부여된 권한이 주어지면 자신의 TensorBoard 애플리케이션에 액세스할 수 있습니다. SageMaker AI 도메인 관리자 및 도메인 사용자는 보유한 권한 수준에 따라 TensorBoard 애플리케이션을 생성하고 삭제할 수 있습니다. **참고** SageMaker AI 도메인은 사용자 간 애플리케이션 공유를 허용하지 않으므로 공동 작업을 위해 TensorBoard 애플리케이션을 공유할 수 없습니다. 사용자는 버킷에 액세스할 수 있는 경우 S3 버킷에 저장된 출력 텐서를 공유할 수 있습니다. ## 지원되는 프레임워크 및 AWS 리전 SageMaker AI의 TensorBoard 애플리케이션은 다음 기계 학습 프레임워크 및 AWS 리전에 사용할 수 있습니다. **프레임워크** + PyTorch + TensorFlow + Hugging Face 트랜스포머 **AWS 리전** + 미국 동부 (버지니아 북부) (`us-east-1`) + 미국 동부 (오하이오)(`us-east-2`) + 미국 서부 (오리건) (`us-west-2`) + EU (프랑크푸르트)(`eu-central-1`) + EU (아일랜드)(`eu-west-1`) **참고** TensorBoard가 장착된 Amazon SageMaker AI는 `ml.r5.large` 인스턴스에서 실행되며 SageMaker AI 프리 티어 또는 기능의 무료 평가판 기간이 지나면 요금이 발생합니다. 자세한 내용은 [Amazon SageMaker AI 요금](https://aws.amazon.com/sagemaker/pricing/) 섹션을 참조하세요. **Topics** + [ ## 지원되는 프레임워크 및 AWS 리전 ](#debugger-htb-support) + [ # TensorBoard 출력 데이터를 수집하기 위해 훈련 작업 준비하기 ](debugger-htb-prepare-training-job.md) + [ # SageMaker AI에서 TensorBoard 애플리케이션 액세스 ](debugger-htb-access-tb.md) + [ # TensorBoard 애플리케이션을 사용하여 출력 텐서 로드 및 시각화 ](debugger-htb-access-tb-data.md) + [ # 사용되지 않는 TensorBoard 애플리케이션 삭제 ](debugger-htb-delete-app.md) # TensorBoard 출력 데이터를 수집하기 위해 훈련 작업 준비하기 SageMaker AI의 일반적인 기계 학습 훈련 작업은 훈련 스크립트 준비와 SageMaker AI Python SDK의 SageMaker AI 예측기 구성이라는 두 가지 주요 단계로 구성됩니다. 이 섹션에서는 SageMaker 훈련 작업에서 TensorBoard 호환 데이터를 수집하는 데 필요한 변경 사항을 알아봅니다. ## 사전 조건 다음 목록에서는 SageMaker AI를 TensorBoard와 함께 사용하기 위한 전제 조건을 보여줍니다. + AWS 계정에서 Amazon VPC로 설정된 SageMaker AI 도메인입니다. 도메인 설정에 대한 지침은 [빠른 설정을 사용하여 Amazon SageMaker AI 도메인에 온보딩](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-quick-start.html)을 참조하세요. 또한 개별 사용자가 SageMaker AI의 TensorBoard에 접근하려면 도메인 사용자 프로필을 추가해야 합니다. 자세한 내용은 [사용자 프로필 추가](domain-user-profile-add.md) 단원을 참조하십시오. + 다음 목록은 SageMaker AI에서 TensorBoard를 사용하기 위한 최소 권한 세트입니다. + `sagemaker:CreateApp` + `sagemaker:DeleteApp` + `sagemaker:DescribeTrainingJob` + `sagemaker:Search` + `s3:GetObject` + `s3:ListBucket` ## 1단계: 오픈 소스 TensorBoard 헬퍼 도구를 사용하여 훈련 스크립트 수정 수집할 출력 텐서와 스칼라를 결정하고 TensorBoardX, TensorFlow Summary Writer, PyTorch Summary Writer 또는 SageMaker Debugger와 같은 도구를 사용하여 훈련 스크립트의 코드 라인을 수정해야 합니다. 또한 TensorBoard 데이터 출력 경로를 훈련 컨테이너의 콜백용 로그 디렉터리(`log_dir`)로 지정해야 합니다. 프레임워크에 대한 자세한 내용은 다음 리소스를 참조하세요. + PyTorch의 경우 [torch.utils.tensorboard.SummaryWriter](https://pytorch.org/docs/stable/tensorboard.html#module-torch.utils.tensorboard)를 사용하세요. *PyTorch 튜토리얼*의 [Using TensorBoard in PyTorch](https://pytorch.org/tutorials/recipes/recipes/tensorboard_with_pytorch.html#using-tensorboard-in-pytorch)(PyTorch에서 TensorBoard 사용하기) 및 [로그 스칼라](https://pytorch.org/tutorials/recipes/recipes/tensorboard_with_pytorch.html#log-scalars) 섹션도 참조하세요. 또는 [TensorBoardX Summary Writer](https://tensorboardx.readthedocs.io/en/latest/tutorial.html)를 사용할 수도 있습니다. ``` LOG_DIR="/opt/ml/output/tensorboard" tensorboard_callback=torch.utils.tensorboard.writer.SummaryWriter(log_dir=LOG_DIR) ``` + 텐서플로우의 경우 TensorBoard의 네이티브 콜백인 [tf.keras.Callbacks.TensorBoard](https://www.tensorflow.org/api_docs/python/tf/keras/callbacks/TensorBoard)를 사용하세요. ``` LOG_DIR="/opt/ml/output/tensorboard" tensorboard_callback=tf.keras.callbacks.TensorBoard( log_dir=LOG_DIR, histogram_freq=1) ``` + PyTorch를 사용하는 Transformer(트랜스포머)의 경우 [Transformers.integrations.TensorBoardCallback](https://huggingface.co/docs/transformers/main/en/main_classes/callback#transformers.integrations.TensorBoardCallback)을 사용할 수 있습니다. TensorFlow를 사용하는 Transformer의 경우 `tf.keras.tensorboard.callback`을 사용하고 이를 트랜스포머의 keras 콜백으로 전달합니다. **작은 정보** 또한 다른 컨테이너 로컬 출력 경로를 사용할 수도 있습니다. 하지만 [2단계: TensorBoard 출력 구성을 사용하여 SageMaker 훈련 추정기 객체 생성](#debugger-htb-prepare-training-job-2)에서는 SageMaker AI가 로컬 경로를 성공적으로 검색하고 TensorBoard 데이터를 S3 출력 버킷에 저장하려면 경로를 올바르게 매핑해야 합니다. + SageMaker Debugger Python 라이브러리를 사용하여 훈련 스크립트를 수정하는 방법에 대한 지침은 [훈련 스크립트를 조정하여 후크 등록](debugger-modify-script.md)를 참조하세요. ## 2단계: TensorBoard 출력 구성을 사용하여 SageMaker 훈련 추정기 객체 생성 SageMaker AI 프레임워크 예측기를 구성하는 동안 `sagemaker.debugger.TensorBoardOutputConfig`를 사용하세요. 이 구성 API는 TensorBoard 데이터를 저장하기 위해 지정한 S3 버킷을 훈련 컨테이너(`/opt/ml/output/tensorboard`)의 로컬 경로와 매핑합니다. 모듈의 객체를 추정기 클래스의 `tensorboard_output_config` 파라미터에 전달합니다. 다음 코드 조각에서는 TensorBoard 출력 구성 파라미터를 사용하여 TensorFlow 추정기를 준비하는 예제를 보여줍니다. **참고** 이 예제에서는 SageMaker Python SDK를 사용한다고 가정합니다. 하위 수준의 SageMaker API를 사용하는 경우 [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) API의 요청 구문에 다음을 포함해야 합니다. ``` "TensorBoardOutputConfig": { "LocalPath": "/opt/ml/output/tensorboard", "S3OutputPath": "s3_output_bucket" } ``` ``` from sagemaker.tensorflow import TensorFlow from sagemaker.debugger import TensorBoardOutputConfig # Set variables for training job information, # such as s3_out_bucket and other unique tags. ... LOG_DIR="/opt/ml/output/tensorboard" output_path = os.path.join( "s3_output_bucket", "sagemaker-output", "date_str", "your-training_job_name" ) tensorboard_output_config = TensorBoardOutputConfig( s3_output_path=os.path.join(output_path, 'tensorboard'), container_local_output_path=LOG_DIR ) estimator = TensorFlow( entry_point="train.py", source_dir="src", role=role, image_uri=image_uri, instance_count=1, instance_type="ml.c5.xlarge", base_job_name="your-training_job_name", tensorboard_output_config=tensorboard_output_config, hyperparameters=hyperparameters ) ``` **참고** [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html) API는 매핑을 위한 TensorBoard 출력 구성과 통합되지 않으므로 TensorBoard 애플리케이션은 SageMaker AI 하이퍼파라미터 튜닝 작업에 대한 기본 지원을 제공하지 않습니다. 하이퍼파라미터 튜닝 작업에 TensorBoard 애플리케이션을 사용하려면 훈련 스크립트에서 Amazon S3에 지표를 업로드하기 위한 코드를 작성해야 합니다. 지표가 Amazon S3 버킷에 업로드되면 SageMaker AI의 TensorBoard 애플리케이션에 버킷을 로드할 수 있습니다. # SageMaker AI에서 TensorBoard 애플리케이션 액세스 두 가지 방법으로 TensorBoard에 접근할 수 있습니다. 하나는 서명되지 않았거나 미리 서명된 URL을 생성하는 `sagemaker.interactive_apps.tensorboard` 모듈을 프로그래밍 방식으로 사용하는 것이고, 다른 하나는 SageMaker AI 콘솔의 TensorBoard 랜딩 페이지를 사용하는 것입니다. TensorBoard를 열면 SageMaker AI는 TensorBoard 플러그인을 실행하고 TensorBoard 호환 파일 형식의 모든 훈련 작업 출력 데이터를 자동으로 찾습니다. **Topics** + [ # `sagemaker.interactive_apps.tensorboard` 모듈을 사용하여 TensorBoard 열기 ](debugger-htb-access-tb-url.md) + [ # `get_app_url` 함수를 `estimator` 클래스 메서드로 사용하여 TensorBoard 열기 ](debugger-htb-access-tb-get-app-url-estimator-method.md) + [ # SageMaker AI 콘솔을 통해 TensorBoard 열기 ](debugger-htb-access-tb-console.md) # `sagemaker.interactive_apps.tensorboard` 모듈을 사용하여 TensorBoard 열기 `sagemaker.interactive_apps.tensorboard` 모듈은 SageMaker AI 또는 Amazon EC2의 모든 환경에서 TensorBoard 애플리케이션을 열 수 있도록 서명되지 않았거나 미리 서명된 URL을 생성하는 `get_app_url`라 불리는 함수를 제공합니다. 이는 Studio Classic 사용자와 Studio Classic이 아닌 사용자 모두에게 통합된 환경을 제공하기 위한 것입니다. Studio 환경에서는 `get_app_url()` 함수를 있는 그대로 실행하여 TensorBoard를 열 수도 있고, TensorBoard 애플리케이션이 열릴 때 추적을 시작할 작업 이름을 지정할 수도 있습니다. Studio Classic이 아닌 환경에서는 유틸리티 함수에 도메인 및 사용자 프로필 정보를 제공하여 TensorBoard를 열 수 있습니다. 이 기능을 사용하면 훈련 코드를 실행하고 훈련 작업을 시작하는 위치 또는 방법에 관계없이 Jupyter notebook 또는 터미널에서 `get_app_url` 함수를 실행하여 TensorBoard에 직접 액세스할 수 있습니다. **참고** 이 기능은 SageMaker Python SDK v2.184.0 이상에서 사용할 수 있습니다. 이 기능을 사용하려면 `pip install sagemaker --upgrade`를 실행하여 SDK를 업그레이드해야 합니다. **Topics** + [ ## 옵션 1: SageMaker AI Studio Classic용 ](#debugger-htb-access-tb-url-unsigned) + [ ## 옵션 2: Studio Classic이 아닌 환경용 ](#debugger-htb-access-tb-url-presigned) ## 옵션 1: SageMaker AI Studio Classic용 SageMaker Studio Classic을 사용하는 경우 다음과 같이 `get_app_url` 함수를 실행하여 TensorBoard 애플리케이션을 직접 열거나 서명되지 않은 URL을 검색할 수 있습니다. 이미 Studio Classic 환경에 있고 도메인 사용자로 로그인했으면 다시 인증할 필요가 없으므로 `get_app_url()`이 서명되지 않은 URL을 생성합니다. **TensorBoard 애플리케이션을 열려면** 다음 코드는 `get_app_url()` 함수가 사용자 환경의 기본 웹 브라우저에 반환하는 서명되지 않은 URL로 TensorBoard 애플리케이션을 자동으로 엽니다. ``` from sagemaker.interactive_apps import tensorboard region = "us-west-2" app = tensorboard.TensorBoardApp(region) app.get_app_url( training_job_name="your-training_job_name" # Optional. Specify the job name to track a specific training job ) ``` **서명되지 않은 URL을 검색하고 TensorBoard 애플리케이션을 수동으로 열려면** 다음 코드는 웹 브라우저에 복사하여 TensorBoard 애플리케이션을 열 수 있는 서명되지 않은 URL을 인쇄합니다. ``` from sagemaker.interactive_apps import tensorboard region = "us-west-2" app = tensorboard.TensorBoardApp(region) print("Navigate to the following URL:") print( app.get_app_url( training_job_name="your-training_job_name", # Optional. Specify the name of the job to track. open_in_default_web_browser=False # Set to False to print the URL to terminal. ) ) ``` 참고로, 위의 두 코드 샘플을 SageMaker AI Studio Classic 환경 외부에서 실행하면 이 함수는 SageMaker AI 콘솔의 TensorBoard 랜딩 페이지로 URL을 반환합니다. 이 페이지에는 도메인 및 사용자 프로필에 대한 로그인 정보가 없기 때문입니다. 미리 서명된 URL을 만들려면 다음 섹션의 옵션 2를 참조하세요. ## 옵션 2: Studio Classic이 아닌 환경용 SageMaker Notebook 인스턴스 또는 Amazon EC2와 같은 Studio Classic이 아닌 환경을 사용하고 있고 현재의 환경에서 TensorBoard를 직접 열려면 도메인 및 사용자 프로필 정보가 미리 서명된 URL을 생성해야 합니다. *미리 서명된* URL은 URL이 도메인 및 사용자 프로필로 생성되는 동안 Amazon SageMaker Studio Classic에 로그인되어 도메인과 관련된 모든 도메인 애플리케이션 및 파일에 대한 액세스 권한이 부여되는 URL입니다. 미리 서명된 URL을 통해 TensorBoard를 열려면 다음과 같이 도메인 및 사용자 프로필 이름과 함께 `get_app_url` 함수를 사용합니다. 참고로 이 옵션을 사용하려면 도메인 사용자에게 `sagemaker:CreatePresignedDomainUrl` 권한이 있어야 합니다. 권한이 없으면 도메인 사용자에게 예외 오류가 발생합니다. **중요** 미리 서명된 URL은 공유하지 마세요. 이 `get_app_url` 함수는 미리 서명된 URL을 생성하여 도메인 및 사용자 프로필로 자동 인증하고 도메인과 관련된 모든 애플리케이션과 파일에 액세스할 수 있게 합니다. ``` print( app.get_app_url( training_job_name="your-training_job_name", # Optional. Specify the name of the job to track. create_presigned_domain_url=True, # Reguired to be set to True for creating a presigned URL. domain_id="your-domain-id", # Required if creating a presigned URL (create_presigned_domain_url=True). user_profile_name="your-user-profile-name", # Required if creating a presigned URL (create_presigned_domain_url=True). open_in_default_web_browser=False, # Optional. Set to False to print the URL to terminal. optional_create_presigned_url_kwargs={} # Optional. Add any additional args for Boto3 create_presigned_domain_url ) ) ``` **작은 정보** `get_app_url` 함수는 백엔드의 AWS SDK for Python (Boto3) 에서 [https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker/client/create_presigned_domain_url.html](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker/client/create_presigned_domain_url.html) API를 실행합니다. Boto3 `create_presigned_domain_url` API는 기본적으로 300초 후에 만료되는 미리 서명된 도메인 URL을 생성하므로 미리 서명된 TensorBoard 애플리케이션 URL도 300초 후에 만료됩니다. 만료 시간을 연장하려면 다음과 같이 `ExpiresInSeconds` 인수를 `get_app_url` 함수의 `optional_create_presigned_url_kwargs` 인수에 전달합니다. ``` optional_create_presigned_url_kwargs={"ExpiresInSeconds": 1500} ``` **참고** `get_app_url`의 인수로 전달된 일체의 입력이 유효하지 않은 경우 함수는 TensorBoard 애플리케이션을 여는 대신 TensorBoard 랜딩 페이지에 URL을 출력합니다. 출력 메시지는 다음과 비슷합니다. ``` Navigate to the following URL: https://us-west-2.console.aws.amazon.com/sagemaker/home?region=us-west-2#/tensor-board-landing ``` # `get_app_url` 함수를 `estimator` 클래스 메서드로 사용하여 TensorBoard 열기 SageMaker Python SDK의 `estimator` 클래스를 사용하여 훈련 작업을 실행 중이고 `estimator` 클래스의 활성 객체가 있는 경우 `estimator` 클래스의 [클래스 메서드로 `get_app_url` 함수](https://sagemaker.readthedocs.io/en/stable/api/training/estimators.html#sagemaker.estimator.EstimatorBase.get_app_url)에 접근할 수도 있습니다. 다음과 같이 `get_app_url` 메서드를 실행하여 TensorBoard 애플리케이션을 열거나 서명되지 않은 URL을 검색합니다. `get_app_url` 클래스 메서드는 추정기에서 훈련 작업 이름을 가져와서 지정된 작업이 포함된 TensorBoard 애플리케이션을 엽니다. **참고** 이 기능은 SageMaker Python SDK v2.184.0 이상에서 사용할 수 있습니다. 이 기능을 사용하려면 `pip install sagemaker --upgrade`를 실행하여 SDK를 업그레이드해야 합니다. **Topics** + [ ## 옵션 1: SageMaker Studio Classic용 ](#debugger-htb-access-tb-get-app-url-estimator-method-studio) + [ ## 옵션 2: Studio Classic이 아닌 환경용 ](#debugger-htb-access-tb-get-app-url-estimator-method-non-studio) ## 옵션 1: SageMaker Studio Classic용 **TensorBoard 애플리케이션을 열려면** 다음 코드는 `get_app_url()` 메서드가 사용자 환경의 기본 웹 브라우저에 반환하는 서명되지 않은 URL로 TensorBoard 애플리케이션을 자동으로 엽니다. ``` estimator.get_app_url( app_type=SupportedInteractiveAppTypes.TENSORBOARD # Required. ) ``` **서명되지 않은 URL을 검색하고 TensorBoard 애플리케이션을 수동으로 열려면** 다음 코드는 웹 브라우저에 복사하여 TensorBoard 애플리케이션을 열 수 있는 서명되지 않은 URL을 인쇄합니다. ``` print( estimator.get_app_url( app_type=SupportedInteractiveAppTypes.TENSORBOARD, # Required. open_in_default_web_browser=False, # Optional. Set to False to print the URL to terminal. ) ) ``` 참고로, 위의 두 코드 샘플을 SageMaker AI Studio Classic 환경 외부에서 실행하면 이 함수는 SageMaker AI 콘솔의 TensorBoard 랜딩 페이지로 URL을 반환합니다. 이 페이지에는 도메인 및 사용자 프로필에 대한 로그인 정보가 없기 때문입니다. 미리 서명된 URL을 만들려면 다음 섹션의 옵션 2를 참조하세요. ## 옵션 2: Studio Classic이 아닌 환경용 SageMaker Notebook 인스턴스 또는 Amazon EC2와 같은 Studio Classic이 아닌 환경을 사용하고 있고 TensorBoard 애플리케이션을 열기 위한 미리 서명된 URL을 생성하려면 다음과 같이 도메인 및 사용자 프로필 정보를 이용하여 `get_app_url` 메서드를 사용하세요. 참고로 이 옵션을 사용하려면 도메인 사용자에게 `sagemaker:CreatePresignedDomainUrl` 권한이 있어야 합니다. 권한이 없으면 도메인 사용자에게 예외 오류가 발생합니다. **중요** 미리 서명된 URL은 공유하지 마세요. 이 `get_app_url` 함수는 미리 서명된 URL을 생성하여 도메인 및 사용자 프로필로 자동 인증하고 도메인과 관련된 모든 애플리케이션과 파일에 액세스할 수 있게 합니다. ``` print( estimator.get_app_url( app_type=SupportedInteractiveAppTypes.TENSORBOARD, # Required create_presigned_domain_url=True, # Reguired to be set to True for creating a presigned URL. domain_id="your-domain-id", # Required if creating a presigned URL (create_presigned_domain_url=True). user_profile_name="your-user-profile-name", # Required if creating a presigned URL (create_presigned_domain_url=True). open_in_default_web_browser=False, # Optional. Set to False to print the URL to terminal. optional_create_presigned_url_kwargs={} # Optional. Add any additional args for Boto3 create_presigned_domain_url ) ) ``` # SageMaker AI 콘솔을 통해 TensorBoard 열기 SageMaker AI 콘솔 UI를 사용하여 TensorBoard 애플리케이션을 열 수도 있습니다. SageMaker AI 콘솔을 통해 TensorBoard 애플리케이션을 여는 데는 두 가지 옵션이 있습니다. **Topics** + [ ## 옵션 1: 도메인 세부 정보 페이지에서 TensorBoard 실행 ](#debugger-htb-access-tb-console-domain-detail) + [ ## 옵션 2: TensorBoard 랜딩 페이지에서 TensorBoard 실행 ](#debugger-htb-access-tb-console-landing-pg) ## 옵션 1: 도메인 세부 정보 페이지에서 TensorBoard 실행 **도메인 세부정보 페이지로 이동** 다음 절차에서는 도메인 세부 정보 페이지로 이동하는 방법을 보여줍니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 도메인 목록에서 TensorBoard 애플리케이션을 실행할 도메인을 선택합니다. **사용자 프로필 애플리케이션 실행** 다음 절차는 사용자 프로필로 범위가 지정된 Studio Classic 애플리케이션을 시작하는 방법을 보여줍니다. 1. 도메인 세부 정보 페이지에서 **사용자 프로필** 탭을 선택합니다. 1. Studio Classic 애플리케이션을 시작하려는 사용자 프로파일을 식별합니다. 1. 선택한 사용자 프로필에 대해 **Launch**(실행)를 선택한 다음 **TensorBoard**를 선택합니다. ## 옵션 2: TensorBoard 랜딩 페이지에서 TensorBoard 실행 다음 절차에서는 TensorBoard 랜딩 페이지에서 TensorBoard 애플리케이션을 실행하는 방법에 대해 설명합니다. 1. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)에서 Amazon SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **TensorBoard**를 선택합니다. 1. **시작하기**에서 Studio Classic 애플리케이션을 실행할 도메인을 선택합니다. 사용자 프로파일이 한 도메인에만 속하는 경우 도메인 선택 옵션이 표시되지 않습니다. 1. Studio Classic 애플리케이션을 시작하려는 사용자 프로파일을 선택합니다. 도메인에 사용자 프로필이 없는 경우 **사용자 프로필 생성**을 선택합니다. 자세한 내용은 [Add and Remove User Profiles](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-user-profile-add.html)(사용자 프로파일 추가 및 제거)을 참조하세요. 1. **Open TensorBoard**(TensorBoard 열기)를 선택합니다. 다음 스크린샷은 SageMaker AI 콘솔의 왼쪽 탐색 창에 있는 TensorBoard의 위치와 기본 창의 TensorBoard 랜딩 페이지가 있는 SageMaker AI를 보여줍니다. ![\[TensorBoard 랜딩 페이지\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/debugger/htb-landing-page.png) # TensorBoard 애플리케이션을 사용하여 출력 텐서 로드 및 시각화 훈련 중 또는 훈련 후에 훈련 작업과 함께 S3 버킷에서 수집된 출력 텐서를 로드하여 온라인 또는 오프라인 분석을 수행할 수 있습니다. TensorBoard 애플리케이션을 열면 **SageMaker Data Manager** 탭과 함께 TensorBoard가 열립니다. 다음 스크린샷은 TensorBoard 애플리케이션에 있는 SageMaker AI Data Manager 탭의 전체 모습을 보여줍니다. **참고** TensorBoard 애플리케이션을 처음 실행할 때는 시각화 플러그인이 표시되지 않을 수 있습니다. SageMaker AI Data Manager 플러그인에서 훈련 작업을 선택하면 TensorBoard 애플리케이션이 TensorBoard 데이터를 로드하고 시각화 플러그인을 채웁니다. **참고** TensorBoard 애플리케이션은 1시간 동안 사용하지 않으면 자동으로 종료됩니다. 사용을 마친 후 애플리케이션을 종료하려면 호스팅하는 인스턴스에 대한 비용을 지불을 피할 수 있도록 TensorBoard를 수동으로 종료하세요. 애플리케이션 삭제에 대한 지침은 [사용되지 않는 TensorBoard 애플리케이션 삭제](debugger-htb-delete-app.md)을/를 참조하세요. ![\[SageMaker AI Data Manager 탭 보기.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/debugger/htb-sagemaker-manager-tab.png) **SageMaker AI Data Manager** 탭에서 원하는 훈련 작업을 선택하고 Amazon S3에서 Tensorboard 호환 훈련 출력 데이터를 로드할 수 있습니다. 1. **SageMaker Data Manager**(훈련 작업 검색) 섹션에서 필터를 사용하여 찾고, 로드하고, 시각화하려는 훈련 작업 목록의 범위를 좁힐 수 있습니다. 1. **List of training jobs**(훈련 작업 목록) 섹션에서 확인란을 사용하여 디버깅을 위해 데이터를 가져오고 시각화하려는 훈련 작업을 선택합니다. 1. **Add selected jobs**(선택한 작업 추가)를 선택합니다. 선택한 작업은 다음 스크린샷과 같이 **Tracked training jobs**(추적된 훈련 작업) 섹션에 표시되어야 합니다. ![\[추적된 훈련 작업 섹션.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/debugger/htb-sagemaker-manager-tab-tracked-jobs.png) **참고** **SageMaker AI Data Manager** 탭에는 `TensorBoardOutputConfig` 파라미터로 구성된 훈련 작업만 표시됩니다. 이 파라미터를 사용하여 SageMaker AI 예측기를 구성했는지 확인하세요. 자세한 내용은 [2단계: TensorBoard 출력 구성을 사용하여 SageMaker 훈련 추정기 객체 생성](debugger-htb-prepare-training-job.md#debugger-htb-prepare-training-job-2) 단원을 참조하십시오. **참고** SageMaker AI를 TensorBoard와 함께 처음 사용하거나 이전 사용에서 로드된 데이터가 없는 경우 시각화 탭이 표시되지 않을 수 있습니다. 훈련 작업을 추가하고 몇 초간 기다린 후 오른쪽 상단의 시계 방향 원형 화살표를 선택하여 뷰어를 새로 고칩니다. 시각화 탭은 작업 데이터가 성공적으로 로드된 후에 나타납니다. 오른쪽 상단의 새로 고침 버튼 옆에 있는 **Settings**(설정) 버튼을 사용하여 자동 새로 고침을 설정할 수도 있습니다. ## TensorBoard의 출력 텐서 시각화 그래픽 탭의 왼쪽 창에서 로드된 훈련 작업 목록을 찾을 수 있습니다. 훈련 작업의 확인란을 사용하여 시각화를 표시하거나 숨길 수도 있습니다. TensorBoard 동적 플러그인은 요약 작성기를 포함하고 텐서 및 스칼라 컬렉션에 대한 콜백을 전달하도록 훈련 스크립트를 설정한 방법에 따라 동적으로 활성화되므로 그래픽 탭도 동적으로 표시됩니다. 다음 스크린샷은 시계열(time series), 스칼라, 그래프, 분포 및 히스토그램 플러그인에 대한 메트릭을 수집한 두 개의 훈련 작업을 시각화하여 각 탭의 예제 보기를 보여줍니다. **시계열 탭 보기** ![\[시계열 탭 보기\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/debugger/htb-time-series.png) **스칼라 탭 보기** ![\[스칼라 탭 보기.\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/debugger/htb-scalars.png) **그래프 탭 보기** ![\[그래프 탭 보기\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/debugger/htb-graphs.png) **분포 탭 보기** ![\[분포 탭 보기\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/debugger/htb-distribution.png) **히스토그램 탭 보기** ![\[히스토그램 탭 보기\]](http://docs.aws.amazon.com/ko_kr/sagemaker/latest/dg/images/debugger/htb-histogram.png) # 사용되지 않는 TensorBoard 애플리케이션 삭제 TensorBoard에서 작업을 모니터링하고 실험해 본 후에는 TensorBoard 애플리케이션을 종료합니다. 1. SageMaker AI 콘솔을 엽니다. 1. 왼쪽 탐색 창에서 **관리자 구성**을 선택합니다. 1. **관리자 구성**에서 **도메인**을 선택합니다. 1. 도메인을 선택합니다. 1. 프로필 아이콘을 선택합니다. 1. **앱**에서 TensorBoard 행의 **앱 삭제**를 선택합니다. 1. **예, 앱 삭제**를 선택합니다. 1. 텍스트 필드에 **delete**을(를) 입력하고 **삭제**를 선택합니다. 1. 화면 상단에 **기본값이 삭제됨**의 파란색 메시지가 나타납니다.