기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# SageMaker 이미지 분류 사용 방법 - TensorFlow 알고리즘
<a name="IC-TF-how-to-use"></a>

이미지 분류 - TensorFlow를 Amazon SageMaker AI 기본 제공 알고리즘으로 사용할 수 있습니다. 다음 섹션에서는 SageMaker AI Python SDK와 함께 이미지 분류 - TensorFlow를 사용하는 방법을 설명합니다. Amazon SageMaker Studio Classic UI에서 이미지 분류 - TensorFlow를 사용하는 방법에 대한 자세한 내용은 [SageMaker JumpStart 사전 훈련된 모델](studio-jumpstart.md) 섹션을 참조하세요.

이미지 분류 - TensorFlow 알고리즘은 호환되는 사전 훈련된 TensorFlow Hub 모델을 사용하여 전이 학습을 지원합니다. 사용 가능한 모든 사전 훈련된 모델의 목록은 [TensorFlow Hub 모델](IC-TF-Models.md) 섹션을 참조하세요. 모든 사전 훈련된 모델은 고유한 `model_id`를 가집니다. 다음 예제에서는 MobileNet V2 1.00 224(`model_id`:`tensorflow-ic-imagenet-mobilenet-v2-100-224-classification-4`)를 사용하여 사용자 지정 데이터세트를 미세 조정합니다. 사전 훈련된 모델은 모두 TensorFlow Hub에서 사전 다운로드되고 Amazon S3 버킷에 저장되므로 훈련 작업을 네트워크 격리 상태에서 실행할 수 있습니다. 이처럼 사전 생성된 모델 훈련 아티팩트를 사용하여 SageMaker AI Estimator를 구문화합니다.

먼저 도커 이미지 URI, 훈련 스크립트 URI, 사전 훈련 모델 URI를 검색하세요. 그런 다음 상황에 맞게 하이퍼파라미터를 변경하세요. `hyperparameters.retrieve_default`를 사용하면 모든 가용 하이퍼파라미터와 해당 하이퍼파라미터의 기본값으로 구성된 Python 사전을 볼 수 있습니다. 자세한 내용은 [이미지 분류 - 텐서플로우 하이퍼파라미터](IC-TF-Hyperparameter.md) 단원을 참조하십시오. 이 값들을 사용하여 SageMaker AI Estimator를 구문화합니다.

**참고**  
하이퍼파라미터의 기본값은 모델마다 다릅니다. 대형 모델의 경우 기본 배치 크기가 더 작고 `train_only_top_layer` 하이퍼파라미터는 `"True"`로 설정됩니다.

이 예제에서는 다섯 개의 꽃 이미지 클래스가 포함된 [https://www.tensorflow.org/datasets/catalog/tf_flowers](https://www.tensorflow.org/datasets/catalog/tf_flowers) 데이터세트를 사용합니다. TensorFlow에서 Apache 2.0 라이선스에 따라 데이터세트를 사전 다운로드하고 Amazon S3에서 사용할 수 있도록 했습니다. 모델을 미세 조정하려면 훈련 데이터세트의 Amazon S3 위치를 사용하여 `.fit`을 호출하세요.

```
from sagemaker import image_uris, model_uris, script_uris, hyperparameters
from sagemaker.estimator import Estimator

model_id, model_version = {{"tensorflow-ic-imagenet-mobilenet-v2-100-224-classification-4"}}, "*"
training_instance_type = {{"ml.p3.2xlarge"}}

# Retrieve the Docker image
train_image_uri = image_uris.retrieve(model_id=model_id,model_version=model_version,image_scope="training",instance_type=training_instance_type,region=None,framework=None)

# Retrieve the training script
train_source_uri = script_uris.retrieve(model_id=model_id, model_version=model_version, script_scope="training")

# Retrieve the pretrained model tarball for transfer learning
train_model_uri = model_uris.retrieve(model_id=model_id, model_version=model_version, model_scope="training")

# Retrieve the default hyper-parameters for fine-tuning the model
hyperparameters = hyperparameters.retrieve_default(model_id=model_id, model_version=model_version)

# [Optional] Override default hyperparameters with custom values
hyperparameters["epochs"] = "5"

# The sample training data is available in the following S3 bucket
training_data_bucket = f"jumpstart-cache-prod-{aws_region}"
training_data_prefix = "training-datasets/tf_flowers/"

training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}"

output_bucket = sess.default_bucket()
output_prefix = "jumpstart-example-ic-training"
s3_output_location = f"s3://{output_bucket}/{output_prefix}/output"

# Create SageMaker Estimator instance
tf_ic_estimator = Estimator(
    role=aws_role,
    image_uri=train_image_uri,
    source_dir=train_source_uri,
    model_uri=train_model_uri,
    entry_point="transfer_learning.py",
    instance_count=1,
    instance_type=training_instance_type,
    max_run=360000,
    hyperparameters=hyperparameters,
    output_path=s3_output_location,
)

# Use S3 path of the training data to launch SageMaker TrainingJob
tf_ic_estimator.fit({"training": training_dataset_s3_path}, logs=True)
```