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

# Amazon SageMaker Studio Classic에서 TensorBoard 사용
<a name="studio-tensorboard"></a>

**중요**  
2023년 11월 30일부로 이전 Amazon SageMaker Studio 환경이 이제 Amazon SageMaker Studio Classic으로 이름이 변경되었습니다. 다음 섹션은 Studio Classic 애플리케이션 사용에 관해 다룹니다. 업데이트된 Studio 환경 사용에 대한 자세한 내용은 [Amazon SageMaker Studio](studio-updated.md) 섹션을 참조하세요.  
Studio Classic은 기존 워크로드에 대해 여전히 유지 관리되지만 더 이상 온보딩에 사용할 수 없습니다. 기존 Studio Classic 애플리케이션만 중지하거나 삭제할 수 있으며 새 애플리케이션은 생성할 수 없습니다. [워크로드를 새 Studio 환경으로 마이그레이션하는](studio-updated-migrate.md) 것이 좋습니다.

 다음 문서에서는 Amazon SageMaker Studio Classic에서 TensorBoard를 설치하고 실행하는 방법을 간략하게 설명합니다.

**참고**  
이 가이드는 개별 SageMaker AI 도메인 사용자 프로필의 SageMaker Studio Classic 노트북 서버를 통해 TensorBoard 애플리케이션을 여는 방법을 보여줍니다. SageMaker Training 및 SageMaker AI 도메인의 액세스 제어 기능과 통합된 보다 포괄적인 TensorBoard 경험에 대해서는 [Amazon SageMaker AI의 TensorBoard](tensorboard-on-sagemaker.md) 섹션을 참조하세요.

## 사전 조건
<a name="studio-tensorboard-prereq"></a>

이 자습서를 사용하려면 SageMaker AI 도메인이 필요합니다. 자세한 내용은 [Amazon SageMaker AI 도메인 개요](gs-studio-onboard.md) 섹션을 참조하세요.

## `TensorBoardCallback` 설정
<a name="studio-tensorboard-setup"></a>

1. Studio Classic을 시작하고 런처를 엽니다. 자세한 내용은 [Amazon SageMaker Studio Classic 런처 열기](studio-launcher.md) 섹션을 참조하세요.

1. Amazon SageMaker Studio Classic 런처의 `Notebooks and compute resources`에서 **환경 변경** 버튼을 선택합니다.

1. **환경 변경** 대화 상자에서 드롭다운 메뉴를 사용하여 `TensorFlow 2.6 Python 3.8 CPU Optimized` Studio Classic **이미지**를 선택합니다.

1. 시작 프로그램으로 돌아가서 **노트북 생성** 타일을 클릭합니다. 노트북이 시작되고 새 Studio Classic 탭에서 열립니다.

1. 노트북 셀 내에서 이 코드를 실행하세요.

1. 필수 패키지를 가져옵니다.

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

1. Keras 모델을 생성합니다.

   ```
   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. TensorBoard 로그용 디렉터리를 생성합니다.

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

1. TensorBoard로 트레이닝을 실행합니다.

   ```
   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. TensorBoard 로그에 대한 EFS 경로를 생성합니다. 이 경로를 사용하여 터미널에서 로그를 설정합니다.

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

   `EFS_PATH_LOG_DIR`를 검색합니다. TensorBoard 설치 섹션에서 필요할 것입니다.

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

1. Studio Classic의 왼쪽 상단 모서리에 있는 `Amazon SageMaker Studio Classic` 버튼을 클릭하여 Amazon SageMaker Studio Classic 런처를 엽니다. 이 런처는 루트 디렉터리에서 열어야 합니다. 자세한 정보는 [Amazon SageMaker Studio Classic 런처 열기](studio-launcher.md)섹션을 참조하세요.

1. 런처의 `Utilities and files`에서 `System terminal`를 클릭합니다.

1. 시작 프로그램에서 다음 명령을 실행합니다. Jupyter notebook에서 `EFS_PATH_LOG_DIR`을 복사하세요. 먼저 `/home/sagemaker-user`루트 디렉터리에서 실행해야 합니다.

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

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

1. TensorBoard를 실행하려면 Studio Classic URL을 복사하고 다음과 같이 `lab?`과 `proxy/6006/`을 바꾸세요. 뒤에 `/`문자를 포함해야 합니다.

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

1. URL로 이동하여 결과를 살펴보세요.