Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Von Amazon SageMaker AI angebotene Umgebungen für maschinelles Lernen
**Wichtig**
Amazon SageMaker Studio und Amazon SageMaker Studio Classic sind zwei der Machine-Learning-Umgebungen, mit denen Sie mit SageMaker KI interagieren können.
Wenn Ihre Domain nach dem 30. November 2023 erstellt wurde, ist Studio Ihre Standardkonfiguration.
Wenn Ihre Domain vor dem 30. November 2023 erstellt wurde, ist Amazon SageMaker Studio Classic Ihr Standarderlebnis. Informationen zur Verwendung von Studio, wenn Amazon SageMaker Studio Classic Ihr Standarderlebnis ist, finden Sie unter[Migration von Amazon SageMaker Studio Classic](studio-updated-migrate.md).
Wenn Sie von Amazon SageMaker Studio Classic zu Amazon SageMaker Studio migrieren, geht die Verfügbarkeit von Funktionen nicht verloren. Studio Classic ist auch als IDE in Amazon SageMaker Studio verfügbar, um Sie bei der Ausführung Ihrer älteren Machine-Learning-Workflows zu unterstützen.
SageMaker KI unterstützt die folgenden Umgebungen für maschinelles Lernen:
+ *Amazon SageMaker Studio* (empfohlen): Die neueste webbasierte Erfahrung für die Ausführung von ML-Workflows mit einer Suite von IDEs. Studio unterstützt die folgenden Anwendungen:
+ Amazon SageMaker Studio Klassisch
+ Code Editor, basierend auf Code-OSS, Visual Studio Code – Open Source
+ JupyterLab
+ Amazon SageMaker Leinwand
+ RStudio
+ *Amazon SageMaker Studio Classic*: Ermöglicht das Erstellen, Trainieren, Debuggen, Bereitstellen und Überwachen Ihrer Machine-Learning-Modelle.
+ *Amazon SageMaker Notebook Instances*: Ermöglicht die Vorbereitung und Verarbeitung von Daten sowie das Trainieren und Bereitstellen von Modellen für maschinelles Lernen von einer Recheninstanz aus, auf der die Jupyter Notebook-Anwendung ausgeführt wird.
+ *Amazon SageMaker Studio Lab*: Studio Lab ist ein kostenloser Service, der Ihnen Zugriff auf AWS Rechenressourcen in einer Open-Source-Umgebung bietet JupyterLab, ohne dass ein AWS Konto erforderlich ist.
+ *Amazon SageMaker Canvas*: Bietet Ihnen die Möglichkeit, maschinelles Lernen zu verwenden, um Vorhersagen zu generieren, ohne programmieren zu müssen.
+ *Amazon SageMaker Geospatial*: Bietet Ihnen die Möglichkeit, Geodatenmodelle zu erstellen, zu trainieren und bereitzustellen.
+ *RStudio auf Amazon SageMaker AI*: RStudio ist eine IDE für [R](https://aws.amazon.com/blogs/opensource/getting-started-with-r-on-amazon-web-services/) mit einer Konsole, einem Syntaxhervorhebungseditor, der die direkte Codeausführung unterstützt, und Tools für Plotten, Verlauf, Debugging und Workspace-Management.
+ *SageMaker HyperPod*: SageMaker HyperPod ermöglicht die Bereitstellung robuster Cluster für die Ausführung von Workloads für maschinelles Lernen (ML) und die Entwicklung von state-of-the-art Modellen wie großen Sprachmodellen (LLMs), Diffusionsmodellen und Basismodellen (). FMs
Um diese Machine-Learning-Umgebungen nutzen zu können, müssen Sie oder der Administrator Ihrer Organisation eine Amazon SageMaker AI-Domain erstellen. Die Ausnahmen sind Studio Lab, SageMaker Notebook-Instances und SageMaker HyperPod.
Anstatt Ressourcen manuell bereitzustellen und Berechtigungen für Sie und Ihre Benutzer zu verwalten, können Sie eine DataZone Amazon-Domain erstellen. Beim Erstellen einer DataZone Amazon-Domain wird eine entsprechende Amazon SageMaker AI-Domain mit AWS Glue oder Amazon Redshift-Datenbanken für Ihre ETL-Workflows erstellt. Die Einrichtung einer Domain über Amazon DataZone reduziert den Zeitaufwand für die Einrichtung von SageMaker KI-Umgebungen für Ihre Benutzer. Weitere Informationen zur Einrichtung einer Amazon SageMaker AI-Domain innerhalb von Amazon DataZone finden Sie unter[SageMaker Assets einrichten (Administratorhandbuch)](sm-assets-set-up.md).
Benutzer innerhalb der DataZone Amazon-Domain haben Berechtigungen für alle Amazon SageMaker AI-Aktionen, aber ihre Berechtigungen sind auf Ressourcen innerhalb der DataZone Amazon-Domain beschränkt.
Die Erstellung einer DataZone Amazon-Domain vereinfacht die Erstellung einer Domain, die es Ihren Benutzern ermöglicht, Daten und Modelle miteinander zu teilen. Informationen darüber, wie sie Daten und Modelle gemeinsam nutzen können, finden Sie unter [Kontrollierter Zugriff auf Ressourcen mit Amazon SageMaker Assets](sm-assets.md).
**Topics**
+ [Amazon SageMaker Studio](studio-updated.md)
+ [SageMaker JupyterLab](studio-updated-jl.md)
+ [SageMaker Amazon-Notebook-Instanzen](nbi.md)
+ [Amazon SageMaker Studio-Labor](studio-lab.md)
+ [Amazon SageMaker Leinwand](canvas.md)
+ [SageMaker Geospatial-Funktionen von Amazon](geospatial.md)
+ [RStudio auf Amazon SageMaker AI](rstudio.md)
+ [Code-Editor in Amazon SageMaker Studio](code-editor.md)
+ [Amazon SageMaker HyperPod](sagemaker-hyperpod.md)
+ [Generative KI in Notebook-Umgebungen SageMaker](jupyterai.md)
+ [Amazon Q Developer](studio-updated-amazon-q.md)
+ [Überblick über die KI-Apps von Amazon SageMaker Partner](partner-apps.md)
# Amazon SageMaker Studio
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich auf die Verwendung der aktualisierten Studio-Erfahrung. Informationen zur Verwendung der Studio-Classic-Anwendung finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
Amazon SageMaker Studio ist das neueste webbasierte Erlebnis für die Ausführung von ML-Workflows. Studio bietet eine Suite integrierter Entwicklungsumgebungen (IDEs). Dazu gehören der auf Code-OSS basierende Code Editor, Visual Studio Code — Open Source, eine neue JupyterLab Anwendung RStudio, und Amazon SageMaker Studio Classic. Weitere Informationen finden Sie unter [In Amazon SageMaker Studio unterstützte Anwendungen](studio-updated-apps.md).
Die neue webbasierte Benutzeroberfläche in Studio ist schneller und bietet Zugriff auf alle SageMaker KI-Ressourcen, einschließlich Jobs und Endpunkte, in einer Oberfläche. ML-Anwender können auch ihre bevorzugte IDE auswählen, um die ML-Entwicklung zu beschleunigen. Ein Datenwissenschaftler kann JupyterLab damit Daten untersuchen und Modelle optimieren. Darüber hinaus kann ein Ingenieur für maschinelles Lernen (MLOps) den Code-Editor mit dem Pipelines-Tool in Studio verwenden, um Modelle in der Produktion bereitzustellen und zu überwachen.
Das vorherige Studio-Erlebnis wird weiterhin als Amazon SageMaker Studio Classic unterstützt. Studio Classic ist die Standardkonfiguration für Bestandskunden und ist als Anwendung in Studio verfügbar. Weitere Informationen über Studio Classic finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md). Weitere Informationen zur Migration von Studio Classic zu Studio finden Sie unter [Migration von Amazon SageMaker Studio Classic](studio-updated-migrate.md).
Studio bietet die folgenden Vorteile:
+ Eine neue JupyterLab Anwendung, die eine schnellere Startzeit hat und zuverlässiger ist als die bestehende Studio Classic-Anwendung. Weitere Informationen finden Sie unter [SageMaker JupyterLab](studio-updated-jl.md).
+ Eine Suite IDEs davon wird auf einer separaten Registerkarte geöffnet, einschließlich des neuen Code-Editors, der auf der Open-Source-Anwendung Code-OSS, Visual Studio Code, basiert. Benutzer können mit dem Support IDEs im Vollbildmodus interagieren. Weitere Informationen finden Sie unter [In Amazon SageMaker Studio unterstützte Anwendungen](studio-updated-apps.md).
+ Zugriff auf all Ihre SageMaker KI-Ressourcen von einem Ort aus. Studio zeigt laufende Instances in all Ihren Anwendungen an.
+ Zugriff auf alle Schulungsjobs in einer einzigen Ansicht, unabhängig davon, ob sie von Notebooks aus geplant oder von Amazon initiiert wurden SageMaker JumpStart.
+ Vereinfachte Workflows für die Modellbereitstellung sowie Endpunktverwaltung und -überwachung direkt aus Studio heraus. Sie müssen nicht auf die SageMaker AI-Konsole zugreifen.
+ Automatische Erstellung aller konfigurierten Anwendungen, wenn Sie einer Domain beitreten. Informationen zum Onboarding bei einer Domain finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
+ Ein verbessertes JumpStart Erlebnis, bei dem Sie ein Basismodell entdecken, importieren, registrieren, optimieren und bereitstellen können. Weitere Informationen finden Sie unter [SageMaker JumpStart vortrainierte Modelle](studio-jumpstart.md).
**Topics**
+ [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md)
+ [Überblick über die Amazon SageMaker Studio-Benutzeroberfläche](studio-updated-ui.md)
+ [Automatisches Mounten von Amazon EFS in Studio](studio-updated-automount.md)
+ [Herunterfahren im Leerlauf](studio-updated-idle-shutdown.md)
+ [In Amazon SageMaker Studio unterstützte Anwendungen](studio-updated-apps.md)
+ [Connect Sie Ihre Remote-IDE mit SageMaker Räumen mit Fernzugriff](remote-access.md)
+ [Bring Your Own Image (BYOI)](studio-updated-byoi.md)
+ [Lebenszykluskonfigurationen in Amazon SageMaker Studio](studio-lifecycle-configurations.md)
+ [Amazon SageMaker Studio-Räume](studio-updated-spaces.md)
+ [Weitergabe vertrauenswürdiger Identitäten mit Studio](trustedidentitypropagation.md)
+ [Ausführung häufiger Benutzeroberflächen-Aufgaben](studio-updated-common.md)
+ [NVMe Geschäfte mit Amazon SageMaker Studio](studio-updated-nvme.md)
+ [Unterstützung für den lokalen Modus in Amazon SageMaker Studio](studio-updated-local.md)
+ [Anzeigen Ihrer laufenden Studio-Instances, -Anwendungen und -Bereiche](studio-updated-running.md)
+ [Stoppen und Löschen Ihrer laufenden Studio-Anwendungen und -Bereiche](studio-updated-running-stop.md)
+ [SageMaker Richtlinie zur Unterstützung von Studio-Images](sagemaker-distribution.md)
+ [Amazon SageMaker Studio-Preise](studio-updated-cost.md)
+ [Fehlerbehebung](studio-updated-troubleshooting.md)
+ [Migration von Amazon SageMaker Studio Classic](studio-updated-migrate.md)
+ [Amazon SageMaker Studio Klassisch](studio.md)
# Starten Sie Amazon SageMaker Studio
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich auf die Verwendung der aktualisierten Studio-Erfahrung. Informationen zur Verwendung der Studio-Classic-Anwendung finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
Die Themen dieser Seite zeigen, wie Sie Amazon SageMaker Studio über die Amazon SageMaker AI-Konsole und die AWS Command Line Interface (AWS CLI) starten.
**Topics**
+ [Voraussetzungen](#studio-updated-launch-prereq)
+ [Von der Amazon SageMaker AI-Konsole aus starten](#studio-updated-launch-console)
+ [Starten Sie mit dem AWS CLI](#studio-updated-launch-cli)
## Voraussetzungen
Stellen Sie vor Beginn sicher, dass die folgenden Voraussetzungen erfüllt sind:
+ Integrieren Sie eine SageMaker KI-Domain mit Studio-Zugriff. Wenn Sie nicht berechtigt sind, Studio als Standardkonfiguration für Ihre Domain festzulegen, wenden Sie sich an Ihren Administrator. Weitere Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
+ Aktualisieren Sie die, AWS CLI indem Sie den Schritten unter [Installation der aktuellen AWS CLI Version](https://docs.aws.amazon.com//cli/latest/userguide/install-cliv1.html#install-tool-bundled) folgen.
+ Führen Sie `aws configure` von Ihrem lokalen Rechner aus und geben Sie Ihre AWS -Anmeldedaten ein. Informationen zu AWS Anmeldeinformationen finden Sie unter [AWS Anmeldeinformationen verstehen und abrufen](https://docs.aws.amazon.com//general/latest/gr/aws-sec-cred-types.html).
## Von der Amazon SageMaker AI-Konsole aus starten
Gehen Sie wie folgt vor, um Studio von der Amazon SageMaker AI-Konsole aus zu starten.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich Studio aus.
1. Wählen Sie auf der Studio-Landingpage die Domain und das Benutzerprofil aus, um Studio zu starten.
1. Wählen Sie **Open Studio**.
1. Um Studio zu starten, wählen Sie **Personal Studio starten** aus.
## Starten Sie mit dem AWS CLI
In diesem Abschnitt wird gezeigt, wie Sie Studio mit dem starten AWS CLI. Das Verfahren für den Zugriff auf Studio mithilfe AWS CLI von hängt davon ab, ob die Domäne die AWS Identity and Access Management (IAM-) Authentifizierung oder AWS IAM Identity Center Authentifizierung verwendet. Sie können das verwenden, um Studio AWS CLI zu starten, indem Sie eine vorsignierte Domain-URL erstellen, wenn Ihre Domain die IAM-Authentifizierung verwendet. Weitere Informationen zum Starten von Studio mit der Authentifizierung von IAM Identity Center finden Sie unter [Benutzerdefiniertes Setup für Amazon SageMaker AI verwenden](onboard-custom.md).
### Starten, wenn Studio die Standardkonfiguration ist
Der folgende Codeausschnitt zeigt, wie mithilfe einer vorsignierten Domain-URL von der AWS CLI aus gestartet wird, wenn Studio die Standardkonfiguration ist. Weitere Informationen finden Sie unter [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html).
```
aws sagemaker create-presigned-domain-url \
--region region \
--domain-id domain-id \
--user-profile-name user-profile-name \
--session-expiration-duration-in-seconds 43200
```
### Starten Sie, wenn Amazon SageMaker Studio Classic Ihr Standarderlebnis ist
Der folgende Codeausschnitt zeigt, wie mithilfe einer vorsignierten Domain-URL von der AWS CLI aus gestartet wird, wenn Studio Classic die Standardkonfiguration ist. Weitere Informationen finden Sie unter [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html).
```
aws sagemaker create-presigned-domain-url \
--region region \
--domain-id domain-id \
--user-profile-name user-profile-name \
--session-expiration-duration-in-seconds 43200 \
--landing-uri studio::
```
# Überblick über die Amazon SageMaker Studio-Benutzeroberfläche
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich auf die Verwendung der aktualisierten Studio-Erfahrung. Informationen zur Verwendung der Studio-Classic-Anwendung finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
Die Amazon SageMaker Studio-Benutzeroberfläche ist in drei verschiedene Teile aufgeteilt. Diese Seite enthält Informationen über die verschiedenen Bereiche und ihre Komponenten.
+ **Navigationsleiste**: Dieser Abschnitt der Benutzeroberfläche enthält die URL, Breadcrumbs, Benachrichtigungen und Benutzeroptionen.
+ **Navigationsbereich**: Dieser Abschnitt der Benutzeroberfläche enthält eine Liste der Anwendungen, die in Studio unterstützt werden, sowie Optionen für die wichtigsten Workflows in Studio.
+ **Inhaltsbereich**: Der Hauptarbeitsbereich, in dem die aktuelle Seite der Studio-Benutzeroberfläche angezeigt wird, die Sie geöffnet haben.
![\[Amazon SageMaker Studio-Startseite mit Navigationsbereich und Inhaltsbereich (Hauptarbeitsbereich).\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/monarch/studio-updated-ui.png)
**Topics**
+ [Amazon SageMaker Studio-Navigationsleiste](#studio-updated-ui-top)
+ [Amazon SageMaker Studio-Navigationsbereich](#studio-updated-ui-left)
+ [Inhaltsbereich von Studio](#studio-updated-ui-working)
## Amazon SageMaker Studio-Navigationsleiste
Die Navigationsleiste der Studio-Benutzeroberfläche enthält die URL, Breadcrumbs, Benachrichtigungen und Benutzeroptionen.
**URL-Struktur**
Die URL von Studio ändert sich, wenn Sie auf der Benutzeroberfläche navigieren. Wenn Sie zu einer anderen Seite in der Benutzeroberfläche navigieren, ändert sich die URL entsprechend dieser Seite. Mit der aktualisierten URL können Sie jede Seite in der Studio-Benutzeroberfläche direkt öffnen, ohne zuerst zur Landingpage zu navigieren.
**Brotkrumen**
Während Sie durch die Studio-Benutzeroberfläche navigieren, verfolgen die Breadcrumbs die übergeordneten Seiten der aktuellen Seite. Wenn Sie einen dieser Breadcrumbs auswählen, können Sie zu den übergeordneten Seiten in der Benutzeroberfläche navigieren.
**Benachrichtigungen**
Der Benachrichtigungsbereich der Benutzeroberfläche enthält Informationen zu wichtigen Änderungen an Studio, Aktualisierungen von Anwendungen und zu lösenden Problemen.
**Benutzeroptionen**
Wählen Sie das Symbol für Benutzeroptionen (![\[User icon with a circular avatar placeholder and a downward-pointing arrow.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/monarch/user-settings.png)) aus, um Informationen über das Benutzerprofil abzurufen, das Studio derzeit verwendet. Hier können Sie sich außerdem von Studio abmelden.
## Amazon SageMaker Studio-Navigationsbereich
**Navigationsbereich**
Der Navigationsbereich der Benutzeroberfläche enthält eine Liste der Anwendungen, die in Studio unterstützt werden. Er bietet auch Optionen für die wichtigsten Workflows in Studio.
Dieser Abschnitt der Benutzeroberfläche kann im erweiterten oder minimierten Zustand verwendet werden. Um zu ändern, ob der Abschnitt erweitert oder minimiert ist, wählen Sie das Symbol **Minimieren** (![\[Square icon with "ID" text representing an identity or identification concept.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/monarch/collapse-ui.png)) aus.
**Anwendungen**
Im Abschnitt „Anwendungen“ sind die in Studio verfügbaren Anwendungen aufgelistet. Wenn Sie einen der Anwendungstypen auswählen, werden Sie zur Landingpage für diese Anwendung weitergeleitet.
**Arbeitsabläufe**
Die Liste der Workflows enthält alle verfügbaren Aktionen, die Sie in Studio ausführen können. Wählen Sie eine der Optionen aus, um zur Landingpage für diesen Workflow zu navigieren. Wenn für diese Option mehrere Workflows verfügbar sind, wird bei Auswahl der Option ein Dropdown-Menü geöffnet, in dem Sie die gewünschte Landingpage auswählen können.
In der folgenden Liste werden die Optionen beschrieben und ein Link mit weiteren Informationen wird bereitgestellt.
+ **Home**: Die Haupt-Landingpage mit einer Übersicht, den ersten Schritten und Neuigkeiten.
+ **Laufende Instances**: Alle Instances, die derzeit in Studio ausgeführt werden. Weitere Informationen finden Sie unter [Anzeigen Ihrer laufenden Studio-Instances, -Anwendungen und -Bereiche](studio-updated-running.md).
+ **Daten**: Optionen zur Datenaufbereitung, mit denen Sie gemeinsam Ihre Daten speichern, untersuchen, aufbereiten, transformieren und freigeben können.
+ Weitere Informationen zu Amazon SageMaker Data Wrangler finden Sie unter. [Datenaufbereitung](canvas-data-prep.md)
+ Weitere Informationen zum Amazon SageMaker Feature Store finden Sie unter[Erstellen, Speichern und Teilen von Features mit Feature Store](feature-store.md).
+ Weitere Informationen zu Amazon-EMR-Clustern finden Sie unter [Datenaufbereitung mit Amazon EMR](studio-notebooks-emr-cluster.md).
+ **Auto ML**: Erstellen, trainieren, und optimieren Sie Machine-Learning-Modelle (ML) und stellen Sie sie bereit – alles automatisch. Weitere Informationen finden Sie unter [Amazon SageMaker Leinwand](canvas.md).
+ **Experimente**: Erstellen, verwalten, analysieren und vergleichen Sie Ihre Machine-Learning-Experimente mit Amazon SageMaker Experiments. Weitere Informationen finden Sie unter [SageMaker Amazon-Experimente in Studio Classic](experiments.md).
+ **Aufträge**: In Studio erstellte Aufträge anzeigen.
+ Weitere Informationen zum Training finden Sie unter [Modelltrainings](train-model.md).
+ Weitere Informationen zur Modellbewertung finden Sie unter [Erfahren Sie mehr über die Optionen für die Bewertung großer Sprachmodelle mit SageMaker Clarify](clarify-foundation-model-evaluate.md).
+ **Pipelines** — Automatisieren Sie Ihren ML-Workflow mit Amazon SageMaker Pipelines, das Ressourcen bereitstellt, mit denen Sie Ihre Pipeline-Ressourcen erstellen, verfolgen und verwalten können. Weitere Informationen finden Sie unter [Pipelines](pipelines.md).
+ **Modelle**: Organisieren Sie Ihre Modelle in Gruppen und Sammlungen in der Model Registry, wo Sie Modellversionen verwalten, Metadaten anzeigen und Modelle in der Produktion bereitstellen können. Weitere Informationen finden Sie unter [Bereitstellung von Modellregistrierung mit Model Registry](model-registry.md).
+ **JumpStart**— Amazon SageMaker JumpStart bietet vortrainierte Open-Source-Modelle für eine Vielzahl von Problemtypen, um Ihnen den Einstieg in maschinelles Lernen zu erleichtern. Weitere Informationen finden Sie unter. [SageMaker JumpStart vortrainierte Modelle](studio-jumpstart.md)
+ **Bereitstellungen**: Setzen Sie Ihre Machine-Learning-Modelle (ML) für die Inferenz ein.
+ Weitere Informationen zu Amazon SageMaker Inference Recommender finden Sie unter. [Amazon SageMaker Inference Recommender](inference-recommender.md)
+ Weitere Informationen zu Endpunkten finden Sie unter [Modelle für Inference einsetzen](deploy-model.md).
## Inhaltsbereich von Studio
Der Hauptarbeitsbereich wird auch als Inhaltsbereich bezeichnet. Es zeigt die aktuelle Seite der Studio-Benutzeroberfläche an, die Sie geöffnet haben.
**Studio-Startseite**
Die Studio-Startseite ist die primäre Landingpage im Hauptarbeitsbereich. Die Startseite umfasst zwei unterschiedliche Registerkarten. Es gibt eine Registerkarte **Übersicht** und eine Registerkarte **Erste Schritte**.
**Übersicht**
Die Registerkarte **Übersicht** enthält Optionen zum Starten von Bereichen für beliebte Anwendungstypen, zum Einstieg in vorgefertigte und automatisierte Lösungen für ML-Workflows sowie Links zu häufigen Aufgaben in der Studio-Benutzeroberfläche.
**Erste Schritte**
Die Registerkarte **Erste Schritte** enthält Informationen, Anleitungen und Ressourcen zu den ersten Schritten mit Studio. Dazu gehören eine geführte Tour durch die Studio-Benutzeroberfläche, ein Link zur Dokumentation über Studio und eine Auswahl an Kurztipps.
# Automatisches Mounten von Amazon EFS in Studio
Amazon SageMaker AI unterstützt das automatische Mounten eines Ordners in einem Amazon EFS-Volume für jeden Benutzer in einer Domain. Mithilfe dieses Ordners können Benutzer Daten zwischen ihren eigenen privaten Bereichen austauschen. Benutzer können jedoch keine Daten mit anderen Benutzern in der Domain teilen. Benutzer haben nur Zugriff auf ihren eigenen Ordner.
Auf den Ordner des Benutzers kann über einen Ordner mit dem Namen `user-default-efs` zugegriffen werden. Dieser Ordner befindet sich im `$HOME`-Verzeichnis der Studio-Anwendung.
Informationen zum Deaktivieren vom automatischen Mounting von Amazon EFS finden Sie unter [Deaktivieren des automatischen Mountings von Amazon EFS](studio-updated-automount-optout.md).
Die automatische Bereitstellung von Amazon EFS erleichtert auch die Migration von Daten von Studio Classic zu Studio. Weitere Informationen finden Sie unter [(Optional) Migrieren von Daten von Studio Classic zu Studio](studio-updated-migrate-data.md).
**Informationen zum Zugangspunkt**
Wenn die automatische Installation aktiviert ist, verwendet SageMaker AI einen Amazon EFS-Zugriffspunkt, um den Zugriff auf die Daten im Amazon EFS-Volume zu erleichtern. Weitere Informationen zu Access Points finden Sie unter [Arbeiten mit Amazon EFS-Zugriffspunkten](https://docs.aws.amazon.com/efs/latest/ug/efs-access-points.html) SageMaker KI erstellt bei der Erstellung eines Benutzerprofils oder bei der Anwendungserstellung für ein vorhandenes Benutzerprofil einen eindeutigen Zugriffspunkt für jedes Benutzerprofil in der Domain. Der POSIX-Benutzerwert des Access Points entspricht dem `HomeEfsFileSystemUid` Wert des Benutzerprofils, für das SageMaker AI den Access Point erstellt. Informationen zum Abrufen des Benutzerwerts finden Sie unter [DescribeUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeUserProfile.html#sagemaker-DescribeUserProfile-response-HomeEfsFileSystemUid). Der Stammverzeichnispfad ist ebenfalls auf denselben Wert wie der POSIX-Benutzerwert gesetzt.
SageMaker AI legt die Berechtigungen des neuen Verzeichnisses auf die folgenden Werte fest:
+ Benutzer-ID des Eigentümers: `POSIX user value`
+ Gruppen-ID des Eigentümers: `0`
+ Berechtigungen `700`
Der Zugangspunkt ist für den Zugriff auf das Amazon-EFS-Volume erforderlich. Daher können Sie den Zugangspunkt nicht löschen oder aktualisieren, ohne den Zugriff auf das Amazon-EFS-Volume zu verlieren.
**Fehlerbehebung**
Wenn SageMaker AI beim automatischen Mounten des Amazon EFS-Benutzerordners während der Anwendungserstellung auf ein Problem stößt, wird die Anwendung trotzdem erstellt. In diesem Fall erstellt SageMaker AI jedoch eine Datei mit dem Namen, `error.txt` anstatt den Amazon EFS-Ordner zu mounten. In dieser Datei werden der aufgetretene Fehler sowie die Schritte zu seiner Behebung beschrieben. SageMaker AI erstellt die `error.txt` Datei in dem `user-default-efs` Ordner, der sich im `$HOME` Verzeichnis der Anwendung befindet.
# Deaktivieren des automatischen Mountings von Amazon EFS
Sie können die automatische Bereitstellung von Amazon EFS-Benutzerordnern durch Amazon SageMaker AI während der Erstellung von Domänen und Benutzerprofilen oder für ein vorhandenes Domain- oder Benutzerprofil deaktivieren.
## Abmeldung während der Domainerstellung
Sie können das automatische Mounting von Amazon EFS deaktivieren, wenn Sie eine Domain entweder über die Konsole oder die AWS Command Line Interface erstellen.
### Konsole
Gehen Sie wie folgt vor, um das automatische Mounting von Amazon EFS zu deaktivieren, wenn Sie eine Domain über die Konsole erstellen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Führen Sie die Schritte unter [Benutzerdefiniertes Setup für Amazon SageMaker AI verwenden](onboard-custom.md) mit der folgenden Änderung durch, um eine Domain einzurichten.
+ Deaktivieren Sie im Schritt **Speicher konfigurieren** die Option **EFS-Speicher und Daten automatisch mounten**.
### AWS CLI
Verwenden Sie den folgenden Befehl, um das automatische Mounting von Amazon EFS während der Domainerstellung mithilfe der AWS CLI zu deaktivieren. Weitere Informationen zum Erstellen einer Domain mit dem AWS CLI finden Sie unter[Benutzerdefiniertes Setup für Amazon SageMaker AI verwenden](onboard-custom.md).
```
aws --region region sagemaker create-domain \
--domain-name "my-domain-$(date +%s)" \
--vpc-id default-vpc-id \
--subnet-ids subnet-ids \
--auth-mode IAM \
--default-user-settings "ExecutionRole=execution-role-arn,AutoMountHomeEFS=Disabled" \
--default-space-settings "ExecutionRole=execution-role-arn"
```
## Deaktivieren für eine bestehende Domain
Sie können das automatische Mounting von Amazon EFS für eine bestehende Domain über die Konsole oder die AWS CLI deaktivieren.
### Konsole
Gehen Sie wie folgt vor, um das automatische Mounting von Amazon EFS zu deaktivieren, wenn Sie eine Domain über die Konsole aktualisieren.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich unter **Admin-Konfigurationen** die Option **Domains** aus.
1. Wählen Sie auf der Seite **Domains** die Domain aus, für die Sie das automatische Mounting von Amazon EFS deaktivieren möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Domaineinstellungen** aus.
1. Navigieren Sie zum Abschnitt **Speicherkonfigurationen**.
1. Wählen Sie **Bearbeiten** aus.
1. Deaktivieren Sie auf der Seite **Speichereinstellungen bearbeiten** die Option **EFS-Speicher und -Daten automatisch mounten**.
1. Wählen Sie **Absenden** aus.
### AWS CLI
Verwenden Sie den folgenden Befehl, um das automatische Mounting von Amazon EFS während der Aktualisierung einer bestehenden Domain mithilfe der AWS CLI zu deaktivieren.
```
aws --region region sagemaker update-domain \
--domain-id domain-id \
--default-user-settings "AutoMountHomeEFS=Disabled"
```
## Deaktivieren während der Erstellung des Benutzerprofils
Sie können das automatische Mounting von Amazon EFS deaktivieren, wenn Sie ein Benutzerprofil entweder über die Konsole oder die AWS CLI erstellen.
### Konsole
Gehen Sie wie folgt vor, um das automatische Mounting von Amazon EFS zu deaktivieren, wenn Sie ein Benutzerprofil über die Konsole erstellen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Führen Sie die Schritte unter [Benutzerprofil hinzufügen](domain-user-profile-add.md) mit der folgenden Änderung durch, um ein Benutzerprofil einzurichten.
+ Deaktivieren Sie im Schritt **Daten und Speicher** die Option **Einstellungen von Domain übernehmen**. Dadurch kann der Benutzer einen anderen Wert als die Standardeinstellungen verwenden, die für die Domain festgelegt sind.
+ Deaktivieren Sie die Option **EFS-Speicher und -Daten automatisch mounten**.
### AWS CLI
Verwenden Sie den folgenden Befehl, um das automatische Mounting von Amazon EFS während der Erstellung des Benutzerprofils mithilfe der AWS CLI zu deaktivieren. Weitere Informationen zum Erstellen eines Benutzerprofils mit dem AWS CLI finden Sie unter[Benutzerprofil hinzufügen](domain-user-profile-add.md).
```
aws --region region sagemaker create-user-profile \
--domain-id domain-id \
--user-profile-name "user-profile-$(date +%s)" \
--user-settings "ExecutionRole=arn:aws:iam::account-id:role/execution-role-name,AutoMountHomeEFS=Enabled/Disabled/DefaultAsDomain"
```
## Deaktivieren für ein vorhandenes Benutzerprofil
Sie können das automatische Mounting von Amazon EFS für ein bestehendes Benutzerprofil über die Konsole oder die AWS CLI deaktivieren.
### Konsole
Gehen Sie wie folgt vor, um das automatische Mounting von Amazon EFS zu deaktivieren, wenn Sie ein Benutzerprofil über die Konsole aktualisieren.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich unter **Admin-Konfigurationen** die Option **Domains** aus.
1. Wählen Sie auf der Seite **Domains** die Domain mit dem Benutzerprofil aus, für die Sie das automatische Mounting von Amazon EFS deaktivieren möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Benutzerprofile** aus.
1. Wählen Sie das zu aktualisierende Benutzerprofil aus.
1. Navigieren Sie auf der Registerkarte **Benutzerdetails** zum Abschnitt **AutoMountHomeEFS**.
1. Wählen Sie **Bearbeiten** aus.
1. Deaktivieren Sie auf der Seite **Speichereinstellungen bearbeiten** die Option **Einstellungen von Domain übernehmen**. Dadurch kann der Benutzer einen anderen Wert als die Standardeinstellungen verwenden, die für die Domain festgelegt sind.
1. Deaktivieren Sie die Option **EFS-Speicher und -Daten automatisch mounten**.
1. Wählen Sie **Absenden** aus.
### AWS CLI
Verwenden Sie den folgenden Befehl, um das automatische Mounting von Amazon EFS zu deaktivieren und gleichzeitig ein vorhandenes Benutzerprofil mithilfe der AWS CLI zu aktualisieren.
```
aws --region region sagemaker update-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings "AutoMountHomeEFS=DefaultAsDomain"
```
# Herunterfahren im Leerlauf
Amazon SageMaker AI unterstützt das Herunterfahren ungenutzter Ressourcen, um Kosten zu verwalten und Kostenüberschreitungen aufgrund von Kosten zu vermeiden, die durch ungenutzte, abrechnungsfähige Ressourcen entstehen. Dies wird erreicht, indem der Leerlaufzustand einer App erkannt und die App heruntergefahren wird, wenn die Kriterien für den Leerlaufzustand erfüllt sind.
SageMaker AI unterstützt das Herunterfahren im Leerlauf für die folgenden Anwendungen. Das Herunterfahren im Leerlauf muss für jeden Anwendungstyp unabhängig eingestellt werden.
+ JupyterLab
+ Code Editor, basierend auf Code-OSS, Visual Studio Code – Open Source
Das Herunterfahren im Leerlauf kann entweder auf Domain- oder Benutzerprofilebene festgelegt werden. Wenn das Herunterfahren im Leerlauf auf Domainebene festgelegt ist, gelten die Einstellungen für das Herunterfahren im Leerlauf für alle in der Domain erstellten Anwendungen. Wenn die Einstellungen für das Herunterfahren im Leerlauf auf Benutzerprofilebene festgelegt sind, gelten sie nur für die spezifischen Benutzer, für die sie festgelegt sind. Benutzerprofileinstellungen überschreiben die Einstellungen auf Domainebene.
**Anmerkung**
Für das Herunterfahren im Leerlauf muss das Image von `SageMaker-distribution` (SMD) mit Version 2.0 oder neuer verwendet werden. Domains mit einer älteren SMD-Version können das Feature nicht verwenden. Diese Benutzer müssen stattdessen ein LCC verwenden, um das automatische Herunterfahren zu verwalten.
## Definition von Leerlauf
Die Einstellungen für das Herunterfahren im Leerlauf gelten nur, wenn die Anwendung inaktiv ist und keine Aufträge ausgeführt werden. SageMaker KI startet das Timing für das Herunterfahren im Leerlauf erst, wenn die Instance inaktiv wird. Die Definition von Idle unterscheidet sich je nachdem, ob es sich bei dem Anwendungstyp um einen Code Editor handeltJupyterLab .
Bei JupyterLab Anwendungen gilt die Instanz als inaktiv, wenn die folgenden Bedingungen erfüllt sind:
+ Keine aktiven Jupyter-Kernelsitzungen
+ Keine aktiven Jupyter-Terminalsitzungen
Für Code-Editor-Anwendungen gilt die Instance als inaktiv, wenn die folgenden Bedingungen erfüllt sind:
+ Keine Änderungen an Textdateien oder Notebooks
+ Es werden keine Dateien angezeigt
+ Keine Interaktion mit dem Terminal
# Einrichten des Herunterfahrens im Leerlauf
In den folgenden Abschnitten wird gezeigt, wie Sie das Herunterfahren im Leerlauf entweder über die Konsole oder über die AWS CLI einrichten. Das Herunterfahren im Leerlauf kann entweder auf Domain- oder Benutzerprofilebene festgelegt werden.
## Voraussetzungen
Um das Herunterfahren im Leerlauf mit Ihrer Anwendung zu verwenden, müssen Sie die folgenden Voraussetzungen erfüllen.
+ Stellen Sie sicher, dass Ihre Anwendung die SageMaker Distribution (SMD) Version 2.0 verwendet. Sie können diese Version bei der Erstellung der Anwendung auswählen oder die Image-Version der Anwendung nach der Erstellung aktualisieren. Weitere Informationen finden Sie unter [Aktualisieren Sie das SageMaker Vertriebsimage](studio-updated-jl-update-distribution-image.md).
+ Bei Anwendungen, die mit benutzerdefinierten Images erstellt wurden, wird das Herunterfahren im Leerlauf unterstützt, wenn Ihr benutzerdefiniertes Image mit SageMaker Distribution (SMD) Version 2.0 oder höher als Basisimage erstellt wurde. Wenn das benutzerdefinierte Image mit einem anderen Basis-Image erstellt wird, müssen Sie die Erweiterung [jupyter-activity-monitor-extension >= 0.3.1](https://anaconda.org/conda-forge/jupyter-activity-monitor-extension) auf dem Image installieren und das Image an Ihre Amazon SageMaker AI-Domain für JupyterLab Anwendungen anhängen. Weitere Informationen zu benutzerdefinierten Images finden Sie unter [Bring Your Own Image (BYOI)](studio-updated-byoi.md).
## Über die Konsole
In den folgenden Abschnitten wird gezeigt, wie Sie das Herunterfahren im Leerlauf über die Konsole aktivieren.
### Hinzufügen, wenn Sie eine Domain erstellen
1. Erstellen Sie eine Domain, indem Sie die Schritte unter [Benutzerdefiniertes Setup für Amazon SageMaker AI verwenden](onboard-custom.md) ausführen.
1. Navigieren Sie bei der Konfiguration der Anwendungseinstellungen in der Domain entweder zum Code-Editor oder JupyterLab zum Abschnitt.
1. Wählen Sie **Herunterfahren im Leerlauf aktivieren** aus.
1. Geben Sie eine Standardzeit für das Herunterfahren im Leerlauf in Minuten ein. Dieser Wert ist standardmäßig auf `10,080` eingestellt, wenn kein Wert eingegeben wird.
1. (Optional) Wählen Sie **Benutzern erlauben, eine benutzerdefinierte Zeit für das Herunterfahren im Leerlauf festzulegen**, damit Benutzer die Zeit für das Herunterfahren im Leerlauf ändern können.
+ Geben Sie einen Höchstwert ein, auf den Benutzer die Standardzeit für das Herunterfahren des Leerlaufs festlegen können. Sie müssen einen Höchstwert eingeben. Der Mindestwert wird von Amazon SageMaker AI festgelegt und muss sein`60`.
### Hinzufügen zu einer vorhandenen Domain
**Anmerkung**
Wenn während der Ausführung von Anwendungen das Herunterfahren im Leerlauf aktiviert ist, müssen sie neu gestartet werden, damit die Einstellungen für das Herunterfahren im Leerlauf wirksam werden.
1. Navigieren Sie zur Domain.
1. Wechseln Sie zur Registerkarte **App-Konfiguration**.
1. Navigieren Sie auf der Registerkarte **App-Konfigurationen** entweder zum Code-Editor oder zum JupyterLab Abschnitt.
1. Wählen Sie **Bearbeiten** aus.
1. Wählen Sie **Herunterfahren im Leerlauf aktivieren** aus.
1. Geben Sie eine Standardzeit für das Herunterfahren im Leerlauf in Minuten ein. Dieser Wert ist standardmäßig auf `10,080` eingestellt, wenn kein Wert eingegeben wird.
1. (Optional) Wählen Sie **Benutzern erlauben, eine benutzerdefinierte Zeit für das Herunterfahren im Leerlauf festzulegen**, damit Benutzer die Zeit für das Herunterfahren im Leerlauf ändern können.
+ Geben Sie einen Höchstwert ein, auf den Benutzer die Standardzeit für das Herunterfahren des Leerlaufs festlegen können. Sie müssen einen Höchstwert eingeben. Der Mindestwert wird von Amazon SageMaker AI festgelegt und muss sein`60`.
1. Wählen Sie **Absenden** aus.
### Hinzufügen, wenn Sie ein neues Benutzerprofil erstellen
1. Fügen Sie ein Benutzerprofil hinzu, indem Sie den Schritten unter [Benutzerprofil hinzufügen](domain-user-profile-add.md) folgen.
1. Navigieren Sie bei der Konfiguration der Anwendungseinstellungen für das Benutzerprofil entweder zum Code-Editor oder zum JupyterLab Abschnitt.
1. Wählen Sie **Herunterfahren im Leerlauf aktivieren** aus.
1. Geben Sie eine Standardzeit für das Herunterfahren im Leerlauf in Minuten ein. Dieser Wert ist standardmäßig auf `10,080` eingestellt, wenn kein Wert eingegeben wird.
1. (Optional) Wählen Sie **Benutzern erlauben, eine benutzerdefinierte Zeit für das Herunterfahren im Leerlauf festzulegen**, damit Benutzer die Zeit für das Herunterfahren im Leerlauf ändern können.
+ Geben Sie einen Höchstwert ein, auf den Benutzer die Standardzeit für das Herunterfahren des Leerlaufs festlegen können. Sie müssen einen Höchstwert eingeben. Der Mindestwert wird von Amazon SageMaker AI festgelegt und muss sein`60`.
1. Wählen Sie „Änderungen speichern“ aus.
### Hinzufügen zu einem vorhandenen Benutzerprofil
Hinweis: Wenn während der Ausführung von Anwendungen das Herunterfahren im Leerlauf aktiviert ist, müssen sie neu gestartet werden, damit die Einstellungen für das Herunterfahren im Leerlauf wirksam werden.
1. Navigieren Sie zum Benutzerprofil.
1. Wechseln Sie zur Registerkarte **App-Konfiguration**.
1. Navigieren Sie auf der Registerkarte ****App-Konfigurationen**** entweder zum Code-Editor oder zum JupyterLab Abschnitt.
1. Wählen Sie **Bearbeiten** aus.
1. In den Einstellungen für das Herunterfahren im Leerlauf werden standardmäßig die Domaineinstellungen angezeigt, sofern sie für die Domain konfiguriert sind.
1. Wählen Sie **Herunterfahren im Leerlauf aktivieren** aus.
1. Geben Sie eine Standardzeit für das Herunterfahren im Leerlauf in Minuten ein. Dieser Wert ist standardmäßig auf `10,080` eingestellt, wenn kein Wert eingegeben wird.
1. (Optional) Wählen Sie **Benutzern erlauben, eine benutzerdefinierte Zeit für das Herunterfahren im Leerlauf festzulegen**, damit Benutzer die Zeit für das Herunterfahren im Leerlauf ändern können.
+ Geben Sie einen Höchstwert ein, auf den Benutzer die Standardzeit für das Herunterfahren des Leerlaufs festlegen können. Sie müssen einen Höchstwert eingeben. Der Mindestwert wird von Amazon SageMaker AI festgelegt und muss sein`60`.
1. Wählen Sie **Änderungen speichern** aus.
## Aus dem AWS CLI
In den folgenden Abschnitten wird gezeigt, wie Sie das Herunterfahren im Leerlauf mithilfe der AWS CLI aktivieren.
**Anmerkung**
Um einen bestimmten Timeout-Wert für zu erzwingen AWS CLI, müssen Sie `IdleTimeoutInMinutes``MaxIdleTimeoutInMinutes`, und `MinIdleTimeoutInMinutes` auf denselben Wert setzen.
### Domain
Der folgende Befehl zeigt, wie das Herunterfahren im Leerlauf aktiviert wird, wenn eine bestehende Domain aktualisiert wird. Verwenden Sie stattdessen den `create-domain`-Befehl, um das Herunterfahren im Leerlauf für eine neue Domain hinzuzufügen.
**Anmerkung**
Wenn während der Ausführung von Anwendungen das Herunterfahren im Leerlauf aktiviert ist, müssen sie neu gestartet werden, damit die Einstellungen für das Herunterfahren im Leerlauf wirksam werden.
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings file://default-user-settings.json
## default-user-settings.json example for enforcing the default timeout
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120
}
}
}
## default-user-settings.json example for letting users customize the default timeout, between 2-5 hours
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 300
}
}
}
```
### Benutzerprofil
Der folgende Befehl zeigt, wie das Herunterfahren im Leerlauf aktiviert wird, wenn ein bestehendes Benutzerprofil aktualisiert wird. Verwenden Sie stattdessen den `create-user-profile`-Befehl, um das Herunterfahren im Leerlauf für ein neues Benutzerprofil hinzuzufügen.
**Anmerkung**
Wenn während der Ausführung von Anwendungen das Herunterfahren im Leerlauf aktiviert ist, müssen sie neu gestartet werden, damit die Einstellungen für das Herunterfahren im Leerlauf wirksam werden.
```
aws sagemaker update-user-profile --region region --domain-id domain-id \
--user-profile-name user-profile-name --user-settings file://user-settings.json
## user-settings.json example for enforcing the default timeout
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120
}
}
}
## user-settings.json example for letting users customize the default timeout, between 2-5 hours
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 300
}
}
}
```
# Aktualisieren der Standardeinstellungen für das Herunterfahren im Leerlauf
Sie können die Standardeinstellungen für das Herunterfahren im Leerlauf entweder auf Domain- oder Benutzerprofilebene aktualisieren.
**Anmerkung**
Wenn während der Ausführung von Anwendungen das Herunterfahren im Leerlauf aktiviert ist, müssen sie neu gestartet werden, damit die Einstellungen für das Herunterfahren im Leerlauf wirksam werden.
## Aktualisieren von Domaineinstellungen
1. Navigieren Sie zur Domain.
1. Wechseln Sie zur Registerkarte **App-Konfiguration**.
1. Navigieren Sie auf der Registerkarte **App-Konfigurationen** entweder zum Code-Editor oder zum JupyterLab Abschnitt.
1. Wählen Sie im Abschnitt für die Anwendung, für die Sie das Zeitlimit für das Herunterfahren im Leerlauf ändern möchten, die Option **Bearbeiten** aus.
1. Aktualisieren Sie die Einstellungen für das Herunterfahren im Leerlauf für die Domain.
1. Wählen Sie **Änderungen speichern** aus.
## Aktualisieren der Benutzerprofileinstellungen
1. Navigieren Sie zur Domain.
1. Wählen Sie die Registerkarte **Benutzerprofile** aus.
1. Wählen Sie auf der Registerkarte **Benutzerprofile** das Benutzerprofil aus, das Sie bearbeiten möchten.
1. Wählen Sie auf der Seite **Benutzerprofil** die Registerkarte **Anwendungen** aus.
1. Navigieren Sie auf der Registerkarte **Anwendungen** entweder zum Code-Editor oder zum JupyterLab Abschnitt.
1. Wählen Sie im Abschnitt für die Anwendung, für die Sie das Zeitlimit für das Herunterfahren im Leerlauf ändern möchten, die Option **Bearbeiten** aus.
1. Aktualisieren Sie die Einstellungen für das Herunterfahren im Leerlauf für das Benutzerprofil.
1. Wählen Sie **Änderungen speichern** aus.
# Ändern des Zeitlimits für das Herunterfahren im Leerlauf
Benutzer können das Zeitlimit für das Herunterfahren im Leerlauf möglicherweise ändern, wenn der Administrator beim Hinzufügen von Unterstützung für das Herunterfahren im Leerlauf Zugriff gewährt. Wenn Unterstützung für das Herunterfahren im Leerlauf hinzugefügt wird, kann es sein, dass die maximale Zeit für das Herunterfahren im Leerlauf begrenzt wird. Ein Benutzer kann den Wert irgendwo zwischen dem unteren und dem oberen Grenzwert festlegen.
1. Starten Sie Amazon SageMaker Studio, indem Sie den Schritten unter folgen[Starten Sie Amazon SageMaker Studio](studio-updated-launch.md).
1. Wählen Sie im Abschnitt **Anwendungen** den Anwendungstyp aus, für den die Zeit zum Herunterfahren im Leerlauf aktualisiert werden soll.
1. Wählen Sie den Bereich aus, der aktualisiert werden soll.
1. Aktualisieren Sie **Herunterfahren im Leerlauf (Minuten)** mit dem gewünschten Wert.
**Anmerkung**
Wenn während der Ausführung von Anwendungen das Herunterfahren im Leerlauf aktiviert ist, müssen sie neu gestartet werden, damit die Einstellungen für das Herunterfahren im Leerlauf wirksam werden.
# In Amazon SageMaker Studio unterstützte Anwendungen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich auf die Verwendung der aktualisierten Studio-Erfahrung. Informationen zur Verwendung der Studio-Classic-Anwendung finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
Amazon SageMaker Studio unterstützt die folgenden Anwendungen:
+ **Der auf Code-OSS basierende Code Editor Visual Studio Code – Open Source**: Code Editor bietet eine schlanke und leistungsstarke integrierte Entwicklungsumgebung (IDE) mit vertrauten Tastenkombinationen, Terminal, erweiterten Debugging-Funktionen und Refactoring-Tools. Es handelt sich um eine vollständig verwaltete, browserbasierte Anwendung in Studio. Weitere Informationen finden Sie unter [Code-Editor in Amazon SageMaker Studio](code-editor.md).
+ **Amazon SageMaker Studio Classic** — Amazon SageMaker Studio Classic ist eine webbasierte IDE für maschinelles Lernen. Studio Classic ermöglicht das Erstellen, Trainieren, Debuggen, Bereitstellen und Überwachen Ihrer Machine-Learning-Modelle. Weitere Informationen finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
+ **JupyterLab**— JupyterLab bietet eine Reihe von Funktionen, die das Angebot an vollständig verwalteten Notebooks erweitern. Es umfasst Kernel, die innerhalb von Sekunden starten, eine vorkonfigurierte Laufzeitumgebung mit gängigen Datenwissenschafts- und Machine-Learning-Frameworks sowie einen leistungsstarken Blockspeicher. Weitere Informationen finden Sie unter [SageMaker JupyterLab](studio-updated-jl.md).
+ **Amazon SageMaker Canvas** — Mit SageMaker Canvas können Sie maschinelles Lernen nutzen, um Vorhersagen zu generieren, ohne Code schreiben zu müssen. Mit Canvas können Sie mit beliebten großen Sprachmodellen (LLMs) chatten, auf ready-to-use Modelle zugreifen oder ein benutzerdefiniertes Modell erstellen, das auf Ihren Daten trainiert wird. Weitere Informationen finden Sie unter [Amazon SageMaker Leinwand](canvas.md).
+ **RStudio**— RStudio ist eine integrierte Entwicklungsumgebung für R. Sie beinhaltet eine Konsole und einen Syntaxhervorhebungseditor, der die direkte Ausführung von Code unterstützt. Sie enthält außerdem Tools für Plotten, Verlauf, Debugging und Workspace-Management. Weitere Informationen finden Sie unter [RStudio auf Amazon SageMaker AI](rstudio.md).
# Connect Sie Ihre Remote-IDE mit SageMaker Räumen mit Fernzugriff
Sie können von Ihrer Remote IDE aus eine Remoteverbindung zu Amazon SageMaker Studio Spaces herstellen. Sie können Ihr benutzerdefiniertes lokales IDE-Setup, einschließlich KI-gestützter Entwicklungstools und benutzerdefinierter Erweiterungen, mit den skalierbaren Rechenressourcen in Amazon SageMaker AI verwenden. Dieses Handbuch enthält Konzepte und Anleitungen zur Einrichtung für Administratoren und Benutzer.
Eine Remote-IDE-Verbindung stellt eine sichere Verbindung zwischen Ihrer lokalen IDE und SageMaker Spaces her. Mit dieser Verbindung können Sie:
+ **Zugriff auf SageMaker KI-Rechenressourcen** — Führen Sie Code in Ihrer lokalen Umgebung auf einer skalierbaren SageMaker KI-Infrastruktur aus
+ **Halten Sie Sicherheitsgrenzen** ein — Arbeiten Sie innerhalb desselben Sicherheitsrahmens wie SageMaker KI
+ **Behalten Sie Ihre gewohnte IDE-Erfahrung** bei — Verwenden Sie kompatible lokale Erweiterungen, Designs und Konfigurationen, die die Remote-Entwicklung unterstützen
**Anmerkung**
Nicht alle IDE-Erweiterungen sind mit der Remote-Entwicklung kompatibel. Erweiterungen, die lokale GUI-Komponenten erfordern, Architektur-Abhängigkeiten aufweisen oder spezifische Client-Server-Interaktionen benötigen, funktionieren in der Remote-Umgebung möglicherweise nicht ordnungsgemäß. Stellen Sie vor der Verwendung sicher, dass Ihre benötigten Erweiterungen die Fernentwicklung unterstützen.
**Topics**
+ [Die wichtigsten Konzepte](#remote-access-key-concepts)
+ [Verbindungsmethoden](#remote-access-connection-methods)
+ [Unterstützt IDEs](#remote-access-supported-ides)
+ [Anforderungen an die IDE-Version](#remote-access-ide-version-requirements)
+ [Anforderungen an Betriebssysteme](#remote-access-os-requirements)
+ [Voraussetzungen für den lokalen Computer](#remote-access-local-prerequisites)
+ [Anforderungen an Images](#remote-access-image-requirements)
+ [Instance-Anforderungen](#remote-access-instance-requirements)
+ [Einrichten des Remotezugriffs](remote-access-remote-setup.md)
+ [Richten Sie Remote IDE ein](remote-access-local-ide-setup.md)
+ [Unterstützte AWS Regionen](remote-access-supported-regions.md)
## Die wichtigsten Konzepte
+ **Fernverbindung** — Ein sicherer Tunnel zwischen Ihrer Remote-IDE und einem SageMaker Space. Diese Verbindung ermöglicht interaktive Entwicklung und Codeausführung mithilfe von SageMaker KI-Rechenressourcen.
+ [https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-spaces.html](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-spaces.html) — Eine spezielle Umgebung innerhalb von Amazon SageMaker Studio, in der Sie Ihren Speicher und Ihre Ressourcen für Ihre Studio-Anwendungen verwalten können.
+ **Deep Link** — Eine Schaltfläche (direkte URL) von der SageMaker Benutzeroberfläche aus, die eine Remote-Verbindung zu Ihrer lokalen IDE herstellt.
## Verbindungsmethoden
Es gibt drei Hauptmethoden, um Ihre Remote-IDE mit SageMaker Spaces zu verbinden:
+ **Deep-Link-Zugriff** — Sie können eine direkte Verbindung zu einem bestimmten Bereich herstellen, indem Sie die in SageMaker AI verfügbare Schaltfläche „**Space öffnen mit**“ verwenden. Dabei werden URL-Muster verwendet, um eine Fernverbindung herzustellen und Ihren SageMaker Bereich in Ihrer Remote-IDE zu öffnen.
+ [https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/welcome.html](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/welcome.html): Sie können sich mit AWS Toolkit for Visual Studio Code authentifizieren. Auf diese Weise können Sie von Ihrer Remote-IDE aus eine Verbindung zu Spaces herstellen und ein per Fernzugriff verbundenes Fenster öffnen.
+ **SSH-Terminalverbindung**: Sie können mithilfe der SSH-Konfiguration eine Verbindung über die Befehlszeile herstellen.
## Unterstützt IDEs
Die Remoteverbindung zu Studio-Bereichen unterstützt:
+ [Visual Studio Code](https://code.visualstudio.com/)
+ [Kiro](https://kiro.dev/)
+ [Mauszeiger](https://cursor.com/home)
## Anforderungen an die IDE-Version
In der folgenden Tabelle sind die Mindestversionsanforderungen für jede unterstützte Remote-IDE aufgeführt.
| IDE | Mindestversion |
| --- | --- |
| Visual Studio Code | [v1.90](https://code.visualstudio.com/updates/v1_90) oder höher. Wir empfehlen die Verwendung der [neuesten stabilen Version](https://code.visualstudio.com/updates). |
| Kiro | v0.10.78 oder höher |
| Cursor | v2.6.18 oder höher |
Die AWS Toolkit-Erweiterung ist erforderlich, um Ihre Remote IDE mit Studio Spaces zu verbinden. Für Kiro und Cursor ist die AWS Toolkit-Erweiterungsversion v3.100 oder höher erforderlich.
## Anforderungen an Betriebssysteme
Sie benötigen eines der folgenden Betriebssysteme, um eine Remoteverbindung zu Studio-Bereichen herzustellen:
+ macOS 13\$1
+ Windows 10
+ [Die Unterstützung für Windows 10 endet am 14. Oktober 2025](https://support.microsoft.com/en-us/windows/windows-10-support-ends-on-october-14-2025-2ca8b313-1946-43d3-b55c-2b95b107f281)
+ Windows 11
+ Linux
+ Installieren Sie für VS Code den offiziellen [Microsoft VS Code für Linux](https://code.visualstudio.com/docs/setup/linux), keine Open-Source-Version
## Voraussetzungen für den lokalen Computer
Bevor Sie Ihre Remote-IDE mit Studio Spaces verbinden, stellen Sie sicher, dass Ihr lokaler Computer über die erforderlichen Abhängigkeiten und den erforderlichen Netzwerkzugriff verfügt.
**Wichtig**
Umgebungen mit Einschränkungen bei der Softwareinstallation können Benutzer daran hindern, die erforderlichen Abhängigkeiten zu installieren. Der sucht beim Initiieren von Remoteverbindungen AWS Toolkit for Visual Studio Code automatisch nach diesen Abhängigkeiten und fordert Sie zur Installation auf, falls keine vorhanden sind. Stimmen Sie sich mit Ihrer IT-Abteilung ab, um sicherzustellen, dass diese Komponenten verfügbar sind.
**Erforderliche lokale Abhängigkeiten**
Auf Ihrem lokalen Computer müssen die folgenden Komponenten installiert sein:
+ **[Remote-SSH-Erweiterung](https://code.visualstudio.com/docs/remote/ssh)** — Remote-Entwicklungserweiterung für Ihre IDE (im Erweiterungs-Marketplace für VS Code, Kiro und Cursor erhältlich)
+ **[Session Manager-Plugin](https://docs.aws.amazon.com/systems-manager/latest/userguide/session-manager-working-with-install-plugin.html)** — Erforderlich für sicheres Sitzungsmanagement
+ **SSH-Client** — Standardkomponente auf den meisten Maschinen ([OpenSSH wird für Windows empfohlen](https://learn.microsoft.com/en-us/windows-server/administration/openssh/openssh_install_firstuse))
+ **IDE-CLI-Befehl** — Normalerweise in der IDE-Installation enthalten (z. B. `code` für VS Code, `kiro` für Kiro, `cursor` für Cursor)
**Plattformspezifische Anforderungen**
+ **Windows-Benutzer** — PowerShell 5.1 oder höher ist für SSH-Terminalverbindungen erforderlich
**Anforderungen an die Netzwerkkonnektivität**
Ihr lokaler Computer muss Netzwerkzugriff auf die [Session Manager-Endpunkte](https://docs.aws.amazon.com/general/latest/gr/ssm.html) haben. In USA Ost (Nord-Virginia) (us-east-1) können dies beispielsweise sein:
+ ssm.us-east-1.amazonaws.com
+ ssm.us-east-1.api.aws
+ ssmmessages.us-east-1.amazonaws.com
+ ec2messages.us-east-1.amazonaws.com
## Anforderungen an Images
**SageMaker Bilder verteilen**
Wenn Sie SageMaker Distribution mit Fernzugriff verwenden, verwenden Sie [SageMaker Distribution](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-distribution.html) Version 2.7 oder höher.
**Benutzerdefinierte Bilder**
Wenn Sie [Bring Your Own Image (BYOI)](studio-updated-byoi.md) über Fernzugriff verfügen, stellen Sie sicher, dass Sie die [Spezifikationen für benutzerdefinierte Images](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-byoi-specs.html) einhalten und dass die folgenden Abhängigkeiten installiert sind:
+ `curl`oder `wget` — Erforderlich für das Herunterladen von AWS CLI Komponenten
+ `unzip`— Erforderlich für das Extrahieren von AWS CLI Installationsdateien
+ `tar`— Für das Extrahieren von Archiven erforderlich
+ `gzip`— Erforderlich für die Handhabung komprimierter Dateien
## Instance-Anforderungen
+ **Arbeitsspeicher**: 8 GB oder mehr
+ **Instance-Typen**: Verwenden Sie Instances mit mindestens 8 GB Arbeitsspeicher. Die folgenden Instance-Typen werden aufgrund unzureichenden Speichers (weniger als 8 GB) *nicht* unterstützt: `ml.t3.medium`, `ml.c7i.large`, `ml.c6i.large`, `ml.c6id.large` und `ml.c5.large`. Eine vollständigere Liste der Instance-Typen finden Sie auf der Seite [On-Demand-Preise für Amazon EC2](https://aws.amazon.com/ec2/pricing/on-demand/).
**Topics**
+ [Die wichtigsten Konzepte](#remote-access-key-concepts)
+ [Verbindungsmethoden](#remote-access-connection-methods)
+ [Unterstützt IDEs](#remote-access-supported-ides)
+ [Anforderungen an die IDE-Version](#remote-access-ide-version-requirements)
+ [Anforderungen an Betriebssysteme](#remote-access-os-requirements)
+ [Voraussetzungen für den lokalen Computer](#remote-access-local-prerequisites)
+ [Anforderungen an Images](#remote-access-image-requirements)
+ [Instance-Anforderungen](#remote-access-instance-requirements)
+ [Einrichten des Remotezugriffs](remote-access-remote-setup.md)
+ [Richten Sie Remote IDE ein](remote-access-local-ide-setup.md)
+ [Unterstützte AWS Regionen](remote-access-supported-regions.md)
# Einrichten des Remotezugriffs
Bevor Benutzer ihre Remote-IDE mit Studio Spaces verbinden können, muss der Administrator Berechtigungen konfigurieren. Dieser Abschnitt enthält Anweisungen für Administratoren zur Einrichtung ihrer Amazon SageMaker AI-Domain mit Fernzugriff.
Verschiedene Verbindungsmethoden erfordern unterschiedliche IAM-Berechtigungen. Konfigurieren Sie die entsprechenden Berechtigungen – je nachdem, wie Ihre Benutzer eine Verbindung herstellen werden. Verwenden Sie den folgenden Workflow zusammen mit den Berechtigungen, die auf die Verbindungsmethode abgestimmt sind.
**Wichtig**
Derzeit werden IDE-Remoteverbindungen mit IAM-Anmeldeinformationen authentifiziert, nicht mit IAM Identity Center. Dies gilt für Domains, die die [Authentifizierungsmethode](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-custom.html#onboard-custom-authentication-details) IAM Identity Center verwenden, damit Ihre Benutzer auf die Domain zugreifen. Wenn Sie die IAM-Authentifizierung für Remoteverbindungen lieber nicht verwenden, können Sie sich abmelden, indem Sie diese Funktion mithilfe des bedingten `RemoteAccess`-Schlüssels in Ihren IAM-Richtlinien deaktivieren. Weitere Informationen finden Sie unter [Durchsetzung des Remotezugriffs](remote-access-remote-setup-abac.md#remote-access-remote-setup-abac-remote-access-enforcement). Wenn Sie IAM-Anmeldeinformationen verwenden, können Remote-IDE-Verbindungen aktive Sitzungen aufrechterhalten, auch wenn Sie sich von Ihrer IAM Identity Center-Sitzung abmelden. Manchmal können diese Remote-IDE-Verbindungen bis zu 12 Stunden bestehen bleiben. Um die Sicherheit Ihrer Umgebung zu gewährleisten, müssen Administratoren nach Möglichkeit die Einstellungen für die Sitzungsdauer überprüfen und vorsichtig sein, wenn Sie gemeinsam genutzte Arbeitsstationen oder öffentliche Netzwerke verwenden.
1. Wählen Sie eine der folgenden Berechtigungen für Verbindungsmethoden aus, die auf die [Verbindungsmethoden](remote-access.md#remote-access-connection-methods) Ihrer Benutzer abgestimmt sind.
1. [Erstellen Sie eine benutzerdefinierte IAM-Richtlinie](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html) auf der Grundlage der Verbindungsmethodenberechtigung.
**Topics**
+ [Schritt 1: Konfigurieren von Sicherheit und Berechtigungen](#remote-access-remote-setup-permissions)
+ [Schritt 2: Aktivieren des Remotezugriffs für Ihren Bereich](#remote-access-remote-setup-enable)
+ [Erweiterte Zugriffssteuerung](remote-access-remote-setup-abac.md)
+ [Einrichten von Studio für die Ausführung mit Subnetzen ohne Internetzugang innerhalb einer VPC](remote-access-remote-setup-vpc-subnets-without-internet-access.md)
+ [Richten Sie die automatische Speicherplatzfilterung in Studio ein, wenn Sie das AWS Toolkit verwenden](remote-access-remote-setup-filter.md)
## Schritt 1: Konfigurieren von Sicherheit und Berechtigungen
**Topics**
+ [Methode 1: Deep-Link-Berechtigungen](#remote-access-remote-setup-method-1-deep-link-permissions)
+ [Methode 2: AWS Toolkit-Berechtigungen](#remote-access-remote-setup-method-2-aws-toolkit-permissions)
+ [Methode 3: SSH-Terminalberechtigungen](#remote-access-remote-setup-method-3-ssh-terminal-permissions)
**Wichtig**
Die Verwendung umfassender Berechtigungen für`sagemaker:StartSession`, insbesondere mit einer Wildcard-Ressource, `*` birgt das Risiko, dass jeder Benutzer mit dieser Berechtigung eine Sitzung mit einer beliebigen SageMaker Space-App im Konto initiieren kann. Dies kann dazu führen, dass Datenwissenschaftler ungewollt auf die Spaces anderer Nutzer SageMaker zugreifen. In Produktionsumgebungen sollten Sie diese Berechtigungen auf bestimmte Bereiche beschränken, ARNs um das Prinzip der geringsten Rechte durchzusetzen. Beispiele [Erweiterte Zugriffssteuerung](remote-access-remote-setup-abac.md) für detailliertere Berechtigungsrichtlinien unter Verwendung von Ressourcen- ARNs, Tags- und netzwerkbasierten Einschränkungen finden Sie unter.
### Methode 1: Deep-Link-Berechtigungen
Verwenden Sie für Benutzer, die über Deeplinks von der SageMaker Benutzeroberfläche aus eine Verbindung herstellen, die folgende Berechtigung und fügen Sie sie Ihrer SageMaker [AI-Space-Ausführungsrolle](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role-space) oder [Domain-Ausführungsrolle](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role) hinzu. Wenn die Bereichsausführungsrolle nicht konfiguriert ist, wird standardmäßig die Domainausführungsrolle verwendet.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "RestrictStartSessionOnSpacesToUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:StartSession"
],
"Resource": "arn:*:sagemaker:*:*:space/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:ResourceTag/sagemaker:user-profile-arn": "arn:aws:sagemaker:*:*:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
}
}
}
]
}
```
------
### Methode 2: AWS Toolkit-Berechtigungen
Fügen Sie für Benutzer, die eine Verbindung über die AWS Toolkit for Visual Studio Code Erweiterung herstellen, die folgende Richtlinie einer der folgenden Richtlinien bei:
+ Fügen Sie für die IAM-Authentifizierung diese Richtlinie dem IAM-Benutzer oder der IAM-Rolle an.
+ Fügen Sie für die IdC-Authentifizierung diese Richtlinie den vom IdC verwalteten [Berechtigungssätzen](https://docs.aws.amazon.com/singlesignon/latest/userguide/permissionsetsconcept.html) hinzu.
Informationen dazu, wie nur Leerzeichen angezeigt werden, die für den authentifizierten Benutzer relevant sind, finden Sie unter[Überblick über die Filterung](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-overview).
**Wichtig**
Die folgende Richtlinie, die `*` als Ressourcenbeschränkung verwendet, wird nur für schnelle Testzwecke empfohlen. In Produktionsumgebungen sollten Sie diese Berechtigungen auf einen bestimmten Bereich beschränken, ARNs um das Prinzip der geringsten Rechte durchzusetzen. Beispiele [Erweiterte Zugriffssteuerung](remote-access-remote-setup-abac.md) für detailliertere Berechtigungsrichtlinien unter Verwendung von Ressourcen- ARNs, Tags- und netzwerkbasierten Einschränkungen finden Sie unter.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:ListSpaces",
"sagemaker:DescribeSpace",
"sagemaker:ListApps",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:UpdateSpace",
"sagemaker:CreateApp",
"sagemaker:DeleteApp",
"sagemaker:AddTags"
],
"Resource": "*"
},
{
"Sid": "AllowStartSessionOnSpaces",
"Effect": "Allow",
"Action": "sagemaker:StartSession",
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-1",
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-2"
]
}
]
}
```
------
### Methode 3: SSH-Terminalberechtigungen
Bei SSH-Terminalverbindungen wird die `StartSession` API mit dem unten stehenden SSH-Proxy-Befehlsskript unter Verwendung der lokalen Anmeldeinformationen aufgerufen. AWS Informationen und Anweisungen [AWS CLI zum Einrichten der](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html) lokalen AWS Anmeldeinformationen des Benutzers finden Sie unter Konfiguration der. So nutzen Sie diese Berechtigungen:
1. Fügen Sie diese Richtlinie dem IAM-Benutzer oder der Rolle zu, die den lokalen AWS -Anmeldeinformationen zugeordnet ist.
1. Wenn Sie ein benanntes Anmeldeinformationsprofil verwenden, ändern Sie den Proxy-Befehl in Ihrer SSH-Konfiguration:
```
ProxyCommand '/home/user/sagemaker_connect.sh' '%h' YOUR_CREDENTIAL_PROFILE_NAME
```
**Anmerkung**
Die Richtlinie muss an die IAM-Identität (Benutzer/Rolle) angehängt werden, die in Ihrer Konfiguration der lokalen AWS Anmeldeinformationen verwendet wurde, nicht an die Amazon SageMaker AI-Domänenausführungsrolle.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowStartSessionOnSpecificSpaces",
"Effect": "Allow",
"Action": "sagemaker:StartSession",
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-1",
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-2"
]
}
]
}
```
------
Nach der Einrichtung können Benutzer `ssh my_studio_space_abc` ausführen, um den Bereich zu starten. Weitere Informationen finden Sie unter [Methode 3: Herstellen einer Verbindung vom Terminal über SSH-CLI](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-3-connect-from-the-terminal-via-ssh-cli).
## Schritt 2: Aktivieren des Remotezugriffs für Ihren Bereich
Nachdem Sie die Berechtigungen eingerichtet haben, müssen Sie **Remote Access** aktivieren und Ihren Bereich in Studio starten, bevor der Benutzer mit seiner Remote-IDE eine Verbindung herstellen kann. Diese Einrichtung muss nur einmal durchgeführt werden.
**Anmerkung**
Wenn Ihre Benutzer eine Verbindung herstellen[Methode 2: AWS Toolkit-Berechtigungen](#remote-access-remote-setup-method-2-aws-toolkit-permissions), ist dieser Schritt nicht unbedingt erforderlich. AWS Toolkit for Visual Studio Benutzer können den Fernzugriff über das Toolkit aktivieren.
**Aktivieren des Remotezugriffs für Ihren Studio-Bereich**
1. [Starten Sie Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html#studio-updated-launch-console).
1. Öffnen Sie die Studio-Benutzeroberfläche.
1. Navigieren Sie zu Ihrem Bereich.
1. Wechseln Sie in den Bereichsdetails zur Option **Remotezugriff**.
1. Wählen Sie **Bereich ausführen** aus.
# Erweiterte Zugriffssteuerung
Amazon SageMaker AI unterstützt die [attributebasierte Zugriffskontrolle (ABAC), um mithilfe von ABAC-Richtlinien](https://docs.aws.amazon.com/IAM/latest/UserGuide/introduction_attribute-based-access-control.html) eine differenzierte Zugriffskontrolle für Remote-IDE-Verbindungen zu erreichen. Im Folgenden finden Sie Beispiele für ABAC-Richtlinien für Remote-IDE-Verbindungen.
**Topics**
+ [Durchsetzung des Remotezugriffs](#remote-access-remote-setup-abac-remote-access-enforcement)
+ [Tag-basierte Zugriffskontrolle](#remote-access-remote-setup-abac-tag-based-access-control)
## Durchsetzung des Remotezugriffs
Steuern Sie den Zugriff auf Ressourcen mithilfe des `sagemaker:RemoteAccess`-Bedingungsschlüssels. Dies wird sowohl von als auch `CreateSpace` unterstützt. `UpdateSpace` APIs Im folgenden Beispiel wird `CreateSpace` verwendet.
Sie können sicherstellen, dass Benutzer keine Bereiche erstellen können, wenn der Remotezugriff aktiviert ist. Dies trägt zur Aufrechterhaltung der Sicherheit bei, indem standardmäßig die Einstellungen für eingeschränkteren Zugriff verwendet werden. Die folgende Richtlinie stellt sicher, dass Benutzer:
+ neue Studio-Bereiche erstellen können, in denen der Remotezugriff ausdrücklich deaktiviert ist.
+ neue Studio-Bereiche erstellen können, ohne Einstellungen für den Remotezugriff anzugeben.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "DenyCreateSpaceRemoteAccessEnabled",
"Effect": "Deny",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace"
],
"Resource": "arn:aws:sagemaker:*:*:space/*",
"Condition": {
"StringEquals": {
"sagemaker:RemoteAccess": [
"ENABLED"
]
}
}
},
{
"Sid": "AllowCreateSpace",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace"
],
"Resource": "arn:aws:sagemaker:*:*:space/*"
}
]
}
```
------
## Tag-basierte Zugriffskontrolle
Implementieren Sie eine [Tag-basierte](https://docs.aws.amazon.com/whitepapers/latest/tagging-best-practices/what-are-tags.html) Zugriffskontrolle, um Verbindungen auf der Grundlage von Ressourcen- und Prinzipal-Tags einzuschränken.
Sie können sicherstellen, dass Benutzer nur auf Ressourcen zugreifen können, die für ihre Rollen- und Projektzuweisungen geeignet sind. Sie können die folgende Richtlinie für Folgendes verwenden:
+ Erlauben Sie Benutzern, sich nur mit Bereichen zu verbinden, die ihrem zugewiesenen Team, ihrer Umgebung und ihrer Kostenstelle entsprechen.
+ Implementieren Sie differenzierte Zugriffskontrolle auf der Grundlage der Organisationsstruktur.
Im folgenden Beispiel wird der Bereich wie folgt gekennzeichnet:
```
{ "Team": "ML", "Environment": "Production", "CostCenter": "12345" }
```
Sie können über eine Rolle verfügen, die die folgende Richtlinie zum Abgleichen von Ressourcen- und Prinzipal-Tags enthält:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "RestrictStartSessionOnTaggedSpacesInDomain",
"Effect": "Allow",
"Action": [
"sagemaker:StartSession"
],
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/*"
],
"Condition": {
"StringEquals": {
"aws:ResourceTag/Team": "${aws:PrincipalTag/Team}",
"aws:ResourceTag/Environment": "${aws:PrincipalTag/Environment}",
"aws:ResourceTag/CostCenter": "${aws:PrincipalTag/CostCenter}",
"aws:ResourceTag/IDC_UserName": "${aws:PrincipalTag/IDC_UserName}"
}
}
}
]
}
```
------
Wenn die Tags der Rolle übereinstimmen, ist der Benutzer berechtigt, die Sitzung zu starten und eine Remoteverbindung zu seinem Bereich herzustellen. Weitere Informationen finden Sie unter [Steuerung des Zugriffs auf AWS -Ressourcen mithilfe von Tags](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_tags.html).
# Einrichten von Studio für die Ausführung mit Subnetzen ohne Internetzugang innerhalb einer VPC
Diese Anleitung zeigt Ihnen, wie Sie von Ihrer Remote-IDE aus eine Verbindung zu Amazon SageMaker Studio-Bereichen herstellen, wenn Ihre Amazon SageMaker AI-Domain in privaten Subnetzen ohne Internetzugang läuft. Sie erfahren mehr über die Konnektivitätsanforderungen und Einrichtungsoptionen, um sichere Remoteverbindungen in isolierten Netzwerkumgebungen herzustellen.
Sie können Amazon SageMaker Studio so konfigurieren, dass es nur im VPC-Modus mit Subnetzen ohne Internetzugang läuft. Diese Einrichtung verbessert die Sicherheit Ihrer Machine-Learning-Workloads, indem sie in einer isolierten Netzwerkumgebung arbeitet, in der der gesamte Datenverkehr über die VPC fließt. Um externe Kommunikation zu ermöglichen und gleichzeitig die Sicherheit aufrechtzuerhalten, verwenden Sie VPC-Endpunkte für AWS Dienste und konfigurieren Sie VPC PrivateLink für die erforderlichen Abhängigkeiten. AWS
**IDE-Unterstützung für private Subnetzverbindungen**
Die folgende Tabelle zeigt die unterstützten Verbindungsmethoden für jede Remote-IDE, wenn eine Verbindung zu Studio-Bereichen in privaten Subnetzen ohne Internetzugang hergestellt wird.
| Verbindungsmethode | VS Code | Kiro | Cursor |
| --- | --- | --- | --- |
| HTTP-Proxy-Unterstützung | Unterstützt | Unterstützt | Nicht unterstützt |
| Vorgefertigte Remoteserver und Erweiterungen | Unterstützt | Nicht unterstützt | Nicht unterstützt |
**Wichtig**
Der Cursor wird für die Verbindung zu Studio-Bereichen in privaten Subnetzen ohne ausgehenden Internetzugang nicht unterstützt.
**Topics**
+ [Netzwerkanforderungen für den Remotezugriff in Studio](#remote-access-remote-setup-vpc-subnets-without-internet-access-network-requirements)
+ [Einrichten des Studio-Remotezugriffsnetzwerks](#remote-access-remote-setup-vpc-subnets-without-internet-access-setup)
## Netzwerkanforderungen für den Remotezugriff in Studio
**Einschränkungen des VPC-Modus** Studio im VPC-Modus unterstützt nur private Subnetze. Studio kann nicht mit Subnetzen arbeiten, die direkt mit einem Internet-Gateway (IGW) verbunden sind. IDE-Remoteverbindungen haben dieselben Einschränkungen wie SageMaker KI. Weitere Informationen finden Sie unter [Verbinden von Studio-Notebooks in einer VPC mit externen Ressourcen](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-and-internet-access.html).
### VPC-Anforderungen PrivateLink
Wenn SageMaker KI in privaten Subnetzen ausgeführt wird, konfigurieren Sie diese SSM-VPC-Endpunkte zusätzlich zu den Standard-VPC-Endpunkten, für die erforderlich sind. SageMaker Weitere Informationen finden Sie unter [Verbinden von Studio über einen VPC-Endpunkt](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-interface-endpoint.html).
+ `com.amazonaws.REGION.ssm`
+ `com.amazonaws.REGION.ssmmessages`
**Richtlinienempfehlungen für VPC-Endgeräte**
Im Folgenden finden Sie die empfohlenen VPC-Endpunktrichtlinien, die die erforderlichen Aktionen für den Fernzugriff ermöglichen und gleichzeitig die `aws:PrincipalIsAWSService` Bedingung verwenden, dass nur AWS Dienste wie Amazon SageMaker AI die Anrufe tätigen können. Weitere Informationen zum `aws:PrincipalIsAWSService` Bedingungsschlüssel finden Sie in [der Dokumentation](https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_condition-keys.html#condition-keys-principalisawsservice).
**SSM-Endpunktrichtlinie**
Verwenden Sie die folgende Richtlinie für den `com.amazonaws.REGION.ssm` Endpunkt:
```
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": "*",
"Action": [
"ssm:CreateActivation",
"ssm:RegisterManagedInstance",
"ssm:DeleteActivation",
"ssm:DeregisterManagedInstance",
"ssm:AddTagsToResource",
"ssm:UpdateInstanceInformation",
"ssm:UpdateInstanceAssociationStatus",
"ssm:DescribeInstanceInformation",
"ssm:ListInstanceAssociations",
"ssm:ListAssociations",
"ssm:GetDocument",
"ssm:PutInventory"
],
"Resource": "*",
"Condition": {
"BoolIfExists": {
"aws:PrincipalIsAWSService": "true"
}
}
}
]
}
```
**Endpunktrichtlinie für SSM-Nachrichten**
Verwenden Sie die folgende Richtlinie für den `com.amazonaws.REGION.ssmmessages` Endpunkt:
```
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": "*",
"Action": [
"ssmmessages:CreateControlChannel",
"ssmmessages:CreateDataChannel",
"ssmmessages:OpenControlChannel",
"ssmmessages:OpenDataChannel"
],
"Resource": "*",
"Condition": {
"BoolIfExists": {
"aws:PrincipalIsAWSService": "true"
}
}
}
]
}
```
**Spezifische Netzwerkanforderungen für VS Code**
Die Remoteverbindung mit VS Code erfordert die Remote-Entwicklung mit VS Code, wofür ein bestimmter Netzwerkzugang erforderlich ist, um den Remoteserver und die Erweiterungen zu installieren. Vollständige Netzwerkanforderungen finden Sie in den [häufig gestellten Fragen zur Remote-Entwicklung](https://code.visualstudio.com/docs/remote/faq) in der Visual Studio Code-Dokumentation. Im Folgenden finden Sie eine Zusammenfassung der Anforderungen:
+ Für die Installation und Aktualisierung des VS-Code-Remoteservers ist der Zugriff auf die Server-Endpunkte von Microsoft VS Code erforderlich.
+ Für die Installation von VS Code-Erweiterungen über das Erweiterungsfenster ist der Zugriff auf den Visual Studio Marketplace und die zugehörigen CDN-Endpunkte erforderlich (alternativ können Erweiterungen auch manuell mithilfe von VSIX-Dateien ohne Internetverbindung installiert werden).
+ Einige Erweiterungen benötigen möglicherweise Zugriff auf zusätzliche Endpunkte, um ihre spezifischen Abhängigkeiten herunterzuladen. Die spezifischen Konnektivitätsanforderungen finden Sie in der Dokumentation der Erweiterung.
**Spezifische Netzwerkanforderungen für Kiro**
Für die Fernverbindung mit Kiro ist die Entwicklung per Fernzugriff erforderlich. Für die Installation des Remote-Servers und der Erweiterungen ist ein spezieller Netzwerkzugriff erforderlich. Informationen zur Konfiguration von Firewall und Proxyserver finden Sie unter Firewall-Konfiguration [von Kiro](https://kiro.dev/docs/privacy-and-security/firewalls/). Die Anforderungen ähneln denen von VS Code:
+ Für die Installation und Aktualisierung des Kiro-Remote-Servers ist Zugriff auf Kiro-Serverendpunkte erforderlich.
+ Für die Installation von Kiro-Erweiterungen über das Erweiterungspanel ist Zugriff auf den Extension Marketplace und die zugehörigen CDN-Endpunkte erforderlich.
+ Einige Erweiterungen benötigen möglicherweise Zugriff auf zusätzliche Endpunkte, um ihre spezifischen Abhängigkeiten herunterzuladen. Die spezifischen Konnektivitätsanforderungen finden Sie in der Dokumentation der Erweiterung.
## Einrichten des Studio-Remotezugriffsnetzwerks
Sie haben die folgenden Optionen, um Ihre Remote-IDE mit Studio-Bereichen in privaten Subnetzen zu verbinden:
+ HTTP-Proxy (unterstützt für VS Code und Kiro)
+ Vorgefertigte Remoteserver und Erweiterungen (nur VS Code)
### Einrichten eines HTTP-Proxys mit kontrollierter Zulassungsliste
Wenn sich Ihr Studio-Bereich hinter einer Firewall oder einem Proxy befindet, erlauben Sie den Zugriff auf Ihren IDE-Server und Ihre Endpunkte im Zusammenhang mit Erweiterungen CDNs .
1. Richten Sie ein öffentliches Subnetz ein, um den HTTP-Proxy (z. B. Squid) auszuführen, in dem Sie konfigurieren können, welche Websites zugelassen werden sollen. Stellen Sie sicher, dass der HTTP-Proxy über Leerzeichen zugänglich ist. SageMaker
1. Das öffentliche Subnetz kann sich in derselben VPC befinden, die vom Studio verwendet wird, oder in einer separaten VPC, die mit allen von Amazon VPCs verwendeten AI-Domänen per Peering verbunden ist. SageMaker
### Richten Sie vorgefertigte Remoteserver und Erweiterungen ein (nur VS Code)
**Anmerkung**
Diese Option ist nur für Visual Studio Code verfügbar. Kiro und Cursor unterstützen kein vorkonfiguriertes Remote-Server-Setup.
Wenn Ihre Studio-Bereiche keinen Zugriff auf externe Endpunkte haben, um den VS-Code-Remoteserver und Erweiterungen herunterzuladen, können Sie diese vorab paketieren. Bei diesem Ansatz exportieren Sie einen Tarball, der das `.VS Code-server`-Verzeichnis für eine bestimmte Version von VS Code enthält. Anschließend verwenden Sie ein LCC-Skript ( SageMaker AI Lifecycle Configuration), um den Tarball in das Home-Verzeichnis (`/home/sagemaker-user`) der Studio-Bereiche zu kopieren und zu extrahieren. Diese LCC-basierte Lösung funktioniert sowohl mit bereitgestellten als auch mit benutzerdefinierten Images AWS. Selbst wenn Sie keine privaten Subnetze verwenden, beschleunigt dieser Ansatz die Einrichtung des VS-Code-Remoteservers und der vorinstallierten Erweiterungen.
**Anweisungen zum Vorverpacken Ihres VS-Code-Remoteservers und der Erweiterungen**
1. Installieren Sie VS Code auf Ihrem lokalen Computer.
1. Starten Sie einen Linux-basierten (x64) Docker-Container mit aktiviertem SSH, entweder lokal oder über einen Studio-Bereich mit Internetzugang. Wir empfehlen, der Einfachheit halber einen temporären Studio-Bereich mit Remotezugriff und Internetverbindung zu nutzen.
1. Verbinden Sie Ihren installierten VS Code über Remote SSH mit dem lokalen Docker-Container oder verbinden Sie sich über das VS-Code-Remotefeature von Studio mit dem Studio-Bereich. VS Code installiert den Remoteserver während der Verbindung im `.VS Code-server` im Stammverzeichnis des Remote-Containers. Weitere Informationen finden Sie unter [Beispiel für die Verwendung von Dockerfile für das Vorverpacken Ihres Remoteservers von VS Code und der Erweiterungen](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-dockerfile).
1. Stellen Sie nach der Remoteverbindung sicher, dass Sie das VS-Code-Standardprofil verwenden.
1. Installieren Sie die erforderlichen VS-Code-Erweiterungen und überprüfen Sie deren Funktionalität. Erstellen Sie beispielsweise ein Notebook und führen Sie es aus, um Jupyter-Notebook-bezogene Erweiterungen auf dem VS-Code-Remoteserver zu installieren.
Stellen Sie sicher, dass Sie [die AWS Toolkit for Visual Studio Code Erweiterung installieren](https://docs.aws.amazon.com/toolkit-for-visual-studio/latest/user-guide/setup.html), nachdem Sie eine Verbindung zum Remote-Container hergestellt haben.
1. Archivieren Sie das `$HOME/.VS Code-server`-Verzeichnis (z. B. `VS Code-server-with-extensions-for-1.100.2.tar.gz`) entweder im lokalen Docker-Container oder im Terminal des Studio-Bereichs mit Remoteverbindung.
1. Laden Sie den Tarball auf Amazon S3 hoch.
1. Erstellen Sie ein [LCC-Skript](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lifecycle-configurations.html) ([Beispiel für ein LCC-Skript (LCC-install-VS C ode-server-v 1.100.2)](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-lcc)), das:
+ das spezifische Archiv von Amazon S3 herunterlädt.
+ es in das Stammverzeichnis extrahiert, wenn ein Studio-Bereich in einem privaten Subnetz gestartet wird.
1. (Optional) Erweitern Sie das LCC-Skript, um benutzerspezifische Server-Tarballs von VS Code zu unterstützen, die in benutzerspezifischen Amazon-S3-Ordnern gespeichert sind.
1. (Optional) Verwenden Sie versionsspezifische LCC-Skripte ([Beispiel für ein LCC-Skript (LCC-install-VS C ode-server-v 1.100.2)](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-lcc)), die Sie an Ihre Bereiche anhängen können, um die Kompatibilität zwischen Ihrem lokalen VS-Code-Client und dem Remoteserver sicherzustellen.
# Richten Sie die automatische Speicherplatzfilterung in Studio ein, wenn Sie das AWS Toolkit verwenden
Benutzer können Bereiche im AWS Toolkit for Visual Studio Code Explorer filtern, um nur relevante Bereiche anzuzeigen. Dieser Abschnitt enthält Informationen zur Filterung und zur Einrichtung der automatisierten Filterung.
Dieses Setup gilt nur, wenn Sie die [Methode 2: AWS Toolkit in der Remote-IDE](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code) Methode verwenden, um eine Verbindung von Ihrer Remote-IDE zu Amazon SageMaker Studio Spaces herzustellen. Weitere Informationen finden Sie unter [Einrichten des Remotezugriffs](remote-access-remote-setup.md).
**Topics**
+ [Überblick über die Filterung](#remote-access-remote-setup-filter-overview)
+ [Einrichten bei der Verbindung mit IAM-Anmeldeinformationen](#remote-access-remote-setup-filter-set-up-iam-credentials)
## Überblick über die Filterung
Durch **manuelles Filtern** können Benutzer über die AWS Toolkit-Oberfläche manuell auswählen, für welche Benutzerprofile Leerzeichen angezeigt werden sollen. Diese Methode funktioniert für alle Authentifizierungstypen und hat Vorrang vor der automatisierten Filterung. Informationen zum manuellen Filtern finden Sie unter [Manuelle Filterung](remote-access-local-ide-setup-filter.md#remote-access-local-ide-setup-filter-manual).
Bei der **automatisierten Filterung** werden automatisch nur Bereiche angezeigt, die für den authentifizierten Benutzer relevant sind. Dieses Filterverhalten hängt von der Authentifizierungsmethode bei der Anmeldung ab. Weitere Informationen finden Sie [im Toolkit for VS Code Code-Benutzerhandbuch unter Herstellen einer Verbindung](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html#connect-to-aws) zum Toolkit. AWS Nachfolgend sind die Anmeldeoptionen aufgeführt.
+ **Mit SSO authentifizieren und verbinden**: Die automatische Filterung funktioniert standardmäßig.
+ **Mit IAM-Anmeldeinformationen authentifizieren und verbinden**: Für die automatische Filterung ist eine **Administratorkonfiguration** für die folgenden IAM-Anmeldeinformationen erforderlich. Ohne dieses Setup kann AWS Toolkit nicht erkennen, welche Leerzeichen dem Benutzer gehören, sodass standardmäßig alle Leerzeichen angezeigt werden.
+ **Verwenden von Anmeldeinformationen von IAM-Benutzern**
+ **Verwenden von Anmeldeinformationen für eine angenommene IAM-Rollensitzung**
## Einrichten bei der Verbindung mit IAM-Anmeldeinformationen
**Beim Verwenden von Anmeldeinformationen von IAM-Benutzern**
Das Toolkit für VS Code kann Bereiche zuordnen, die zu Benutzerprofilen gehören, die mit dem authentifizierten IAM-Benutzernamen oder dem Namen der angenommenen Rollensitzung beginnen. So funktioniert die Einrichtung:
**Anmerkung**
Administratoren müssen die Namen der Studio-Benutzerprofile so konfigurieren, dass sie dieser Namenskonvention entsprechen, damit die automatische Filterung ordnungsgemäß funktioniert.
+ Administratoren müssen sicherstellen, dass die Namen der Studio-Benutzerprofile der Namenskonvention entsprechen:
+ Für IAM-Benutzer: Präfix mit `IAM-user-name-`
+ Für angenommene Rollen: Präfix mit `assumed-role-session-name-`
+ `aws sts get-caller-identity` gibt die für den Abgleich verwendeten Identitätsinformationen zurück
+ Bereiche, die zu den passenden Benutzerprofilen gehören, werden im Toolkit für VS Code automatisch gefiltert
**Bei Verwendung von Sitzungsanmeldedaten für die angenommene** IAM-Rolle Zusätzlich zu den oben genannten Einstellungen müssen Sie sicherstellen, dass die Sitzung Benutzer-IDs als übereinstimmende Präfixe ARNs enthält. Sie können Vertrauensrichtlinien konfigurieren, die sicherstellen, dass die Sitzung Benutzer-IDs als Präfixe ARNs enthält. [Erstellen Sie eine Vertrauensrichtlinie](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html) und fügen Sie sie der angenommenen Rolle hinzu, die für die Authentifizierung verwendet wird.
Diese Einrichtung ist für direkte Anmeldeinformationen von IAM-Benutzer oder die IdC-Authentifizierung nicht erforderlich.
**Beispiel für die Einrichtung einer Vertrauensrichtlinie für Anmeldeinformationen für IAM-Rollensitzungen** Erstellen Sie eine Vertrauensrichtlinie, die vorschreibt, dass Rollensitzungen den IAM-Benutzernamen enthalten müssen. Folgendes ist eine Beispielrichtlinie:
```
{
"Statement": [
{
"Sid": "RoleTrustPolicyRequireUsernameForSessionName",
"Effect": "Allow",
"Action": "sts:AssumeRole",
"Principal": {"AWS": "arn:aws:iam::ACCOUNT:root"},
"Condition": {
"StringLike": {"sts:RoleSessionName": "${aws:username}"}
}
}
]
}
```
# Richten Sie Remote IDE ein
Nachdem die Administratoren die Anweisungen unter abgeschlossen haben[Connect Sie Ihre Remote-IDE mit SageMaker Räumen mit Fernzugriff](remote-access.md), können Sie Ihre Remote-IDE mit Ihren SageMaker Remote-Spaces verbinden.
**Topics**
+ [Einrichten Ihrer lokalen Umgebung](#remote-access-local-ide-setup-local-environment)
+ [Connect zu Ihrer Remote IDE her](#remote-access-local-ide-setup-local-vs-code)
+ [Verbindung zu VPC mit Subnetzen ohne Internetzugang herstellen](remote-access-local-ide-setup-vpc-no-internet.md)
+ [Filtern der Studio-Bereiche](remote-access-local-ide-setup-filter.md)
## Einrichten Ihrer lokalen Umgebung
Installieren Sie Ihre bevorzugte Remote-IDE auf Ihrem lokalen Computer:
+ [Visual Studio Code](https://code.visualstudio.com/)
+ [Kiro](https://kiro.dev/)
+ [Mauszeiger](https://cursor.com/home)
Informationen zu den Versionsanforderungen finden Sie unter[Anforderungen an die IDE-Version](remote-access.md#remote-access-ide-version-requirements).
## Connect zu Ihrer Remote IDE her
Bevor Sie eine Verbindung von Ihrer Remote-IDE zu Ihren SageMaker Remote-Spaces herstellen können, muss Ihr Administrator dies tun[Einrichten des Remotezugriffs](remote-access-remote-setup.md). Ihr Administrator richtet eine bestimmte Methode ein, mit der Sie eine Verbindung herstellen können. Wählen Sie die Methode aus, die für Sie eingerichtet wurde.
**Topics**
+ [Methode 1: Deep-Link von der Studio-Benutzeroberfläche](#remote-access-local-ide-setup-local-vs-code-method-1-deep-link-from-studio-ui)
+ [Methode 2: AWS Toolkit in der Remote-IDE](#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code)
+ [Methode 3: Herstellen einer Verbindung vom Terminal über SSH-CLI](#remote-access-local-ide-setup-local-vs-code-method-3-connect-from-the-terminal-via-ssh-cli)
### Methode 1: Deep-Link von der Studio-Benutzeroberfläche
Gehen Sie wie folgt vor, um per Deep-Link eine Verbindung herzustellen.
1. [Starten Sie Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html#studio-updated-launch-console).
1. Navigieren Sie in der Studio-Benutzeroberfläche zu Ihrem Bereich.
1. Wählen Sie „**In VS Code** **öffnen“, „In Kiro** öffnen“ oder „**In Cursortaste öffnen**“ für Ihre bevorzugte IDE. Stellen Sie sicher, dass Ihre bevorzugte IDE bereits auf Ihrem lokalen Computer installiert ist.
1. Bestätigen Sie, dass Sie Ihre IDE öffnen möchten, wenn Sie dazu aufgefordert werden. Ihre IDE wird mit einem weiteren Popup-Fenster zur Bestätigung geöffnet. Sobald der Vorgang abgeschlossen ist, wird die Fernverbindung hergestellt.
### Methode 2: AWS Toolkit in der Remote-IDE
Gehen Sie wie folgt vor, um eine Verbindung mithilfe des AWS Toolkit for Visual Studio Code herzustellen. Diese Methode ist für VS Code, Kiro und Cursor verfügbar.
1. Öffnen Sie Ihre Remote-IDE (VS Code, Kiro oder Cursor).
1. Öffnen Sie die AWS Toolkit-Erweiterung.
1. [Verbinden mit AWS](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html).
1. Erweitern Sie im AWS Explorer **SageMaker AI** und dann **Studio**.
1. Suchen Sie Ihren Studio-Bereich.
1. Wählen Sie das Symbol **Verbinden** neben Ihrem Bereich aus, um ihn zu starten.
**Anmerkung**
Beenden Sie den Service und starten Sie ihn erneut im Toolkit für Visual Studio, um den Remotezugriff zu aktivieren, falls noch keine Verbindung besteht.
Wenn der Bereich keine unterstützte [Instance-Größe](https://docs.aws.amazon.com/sagemaker/latest/dg/remote-access.html#remote-access-instance-requirements) verwendet, werden Sie aufgefordert, die Instance zu ändern.
### Methode 3: Herstellen einer Verbindung vom Terminal über SSH-CLI
Wählen Sie eine der folgenden Plattformoptionen, um das Verfahren zum Herstellen einer Verbindung mithilfe der SSH-CLI anzuzeigen.
**Anmerkung**
Stellen Sie sicher, dass Sie die neuesten Versionen von [Voraussetzungen für den lokalen Computer](remote-access.md#remote-access-local-prerequisites) installiert haben, bevor Sie die folgenden Anweisungen befolgen.
Falls ja[Bring Your Own Image (BYOI)](studio-updated-byoi.md), stellen Sie sicher, dass Sie die unter aufgeführten erforderlichen Abhängigkeiten installiert haben, [Anforderungen an Images](remote-access.md#remote-access-image-requirements) bevor Sie fortfahren
------
#### [ Linux/macOS ]
Erstellen Sie ein Shell-Skript (zum Beispiel `/home/user/sagemaker_connect.sh`):
```
#!/bin/bash
# Disable the -x option if printing each command is not needed.
set -exuo pipefail
SPACE_ARN="$1"
AWS_PROFILE="${2:-}"
# Validate ARN and extract region
if [[ "$SPACE_ARN" =~ ^arn:aws[-a-z]*:sagemaker:([a-z0-9-]+):[0-9]{12}:space\/[^\/]+\/[^\/]+$ ]]; then
AWS_REGION="${BASH_REMATCH[1]}"
else
echo "Error: Invalid SageMaker Studio Space ARN format."
exit 1
fi
# Optional profile flag
PROFILE_ARG=()
if [[ -n "$AWS_PROFILE" ]]; then
PROFILE_ARG=(--profile "$AWS_PROFILE")
fi
# Start session
START_SESSION_JSON=$(aws sagemaker start-session \
--resource-identifier "$SPACE_ARN" \
--region "${AWS_REGION}" \
"${PROFILE_ARG[@]}")
# Extract fields using grep and sed
SESSION_ID=$(echo "$START_SESSION_JSON" | grep -o '"SessionId": "[^"]*"' | sed 's/.*: "//;s/"$//')
STREAM_URL=$(echo "$START_SESSION_JSON" | grep -o '"StreamUrl": "[^"]*"' | sed 's/.*: "//;s/"$//')
TOKEN=$(echo "$START_SESSION_JSON" | grep -o '"TokenValue": "[^"]*"' | sed 's/.*: "//;s/"$//')
# Validate extracted values
if [[ -z "$SESSION_ID" || -z "$STREAM_URL" || -z "$TOKEN" ]]; then
echo "Error: Failed to extract session information from sagemaker start session response."
exit 1
fi
# Call session-manager-plugin
session-manager-plugin \
"{\"streamUrl\":\"$STREAM_URL\",\"tokenValue\":\"$TOKEN\",\"sessionId\":\"$SESSION_ID\"}" \
"$AWS_REGION" "StartSession"
```
1. Machen Sie das Skript ausführbar:
```
chmod +x /home/user/sagemaker_connect.sh
```
1. Konfigurieren Sie `$HOME/.ssh/config`, um den folgenden Eintrag hinzuzufügen:
```
Host space-name
HostName 'arn:PARTITION:sagemaker:us-east-1:111122223333:space/domain-id/space-name'
ProxyCommand '/home/user/sagemaker_connect.sh' '%h'
ForwardAgent yes
AddKeysToAgent yes
StrictHostKeyChecking accept-new
```
Die `PARTITION` kann beispielsweise `aws` sein.
Wenn Sie ein [benanntes AWS Anmeldeinformationsprofil](https://docs.aws.amazon.com/cli/v1/userguide/cli-configure-files.html#cli-configure-files-using-profiles) verwenden müssen, ändern Sie den Proxybefehl wie folgt:
```
ProxyCommand '/home/user/sagemaker_connect.sh' '%h' YOUR_CREDENTIAL_PROFILE_NAME
```
+ Verbinden Sie sich über SSH oder führen Sie den SCP-Befehl aus:
```
ssh space-name
scp file_abc space-name:/tmp/
```
------
#### [ Windows ]
**Voraussetzungen für Windows:**
+ PowerShell 5.1 oder höher
+ SSH-Client (OpenSSH empfohlen)
Erstellen Sie ein PowerShell Skript (zum Beispiel): `C:\Users\user-name\sagemaker_connect.ps1`
```
# sagemaker_connect.ps1
param(
[Parameter(Mandatory=$true)]
[string]$SpaceArn,
[Parameter(Mandatory=$false)]
[string]$AwsProfile = ""
)
# Enable error handling
$ErrorActionPreference = "Stop"
# Validate ARN and extract region
if ($SpaceArn -match "^arn:aws[-a-z]*:sagemaker:([a-z0-9-]+):[0-9]{12}:space\/[^\/]+\/[^\/]+$") {
$AwsRegion = $Matches[1]
} else {
Write-Error "Error: Invalid SageMaker Studio Space ARN format."
exit 1
}
# Build AWS CLI command
$awsCommand = @("sagemaker", "start-session", "--resource-identifier", $SpaceArn, "--region", $AwsRegion)
if ($AwsProfile) {
$awsCommand += @("--profile", $AwsProfile)
}
try {
# Start session and capture output
Write-Host "Starting SageMaker session..." -ForegroundColor Green
$startSessionOutput = & aws @awsCommand
# Try to parse JSON response
try {
$sessionData = $startSessionOutput | ConvertFrom-Json
} catch {
Write-Error "Failed to parse JSON response: $_"
Write-Host "Raw response was:" -ForegroundColor Yellow
Write-Host $startSessionOutput
exit 1
}
$sessionId = $sessionData.SessionId
$streamUrl = $sessionData.StreamUrl
$token = $sessionData.TokenValue
# Validate extracted values
if (-not $sessionId -or -not $streamUrl -or -not $token) {
Write-Error "Error: Failed to extract session information from sagemaker start session response."
Write-Host "Parsed response was:" -ForegroundColor Yellow
Write-Host ($sessionData | ConvertTo-Json)
exit 1
}
Write-Host "Session started successfully. Connecting..." -ForegroundColor Green
# Create session manager plugin command
$sessionJson = @{
streamUrl = $streamUrl
tokenValue = $token
sessionId = $sessionId
} | ConvertTo-Json -Compress
# Escape the JSON string
$escapedJson = $sessionJson -replace '"', '\"'
# Call session-manager-plugin
& session-manager-plugin "$escapedJson" $AwsRegion "StartSession"
} catch {
Write-Error "Failed to start session: $_"
exit 1
}
```
+ Konfigurieren Sie `C:\Users\user-name\.ssh\config`, um den folgenden Eintrag hinzuzufügen:
```
Host space-name
HostName "arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name"
ProxyCommand "C:\WINDOWS\System32\WindowsPowerShell\v1.0\powershell.exe" -ExecutionPolicy RemoteSigned -File "C:\\Users\\user-name\\sagemaker_connect.ps1" "%h"
ForwardAgent yes
AddKeysToAgent yes
User sagemaker-user
StrictHostKeyChecking accept-new
```
------
# Verbindung zu VPC mit Subnetzen ohne Internetzugang herstellen
Bevor Sie Ihre Remote-IDE mit Studio-Spaces in privaten Subnetzen ohne Internetzugang verbinden, stellen Sie sicher, dass Ihr Administrator dies getan hat[Einrichten von Studio für die Ausführung mit Subnetzen ohne Internetzugang innerhalb einer VPC](remote-access-remote-setup-vpc-subnets-without-internet-access.md).
Sie haben die folgenden Optionen, um Ihre Remote-IDE mit Studio-Bereichen in privaten Subnetzen zu verbinden:
+ Richten Sie einen HTTP-Proxy ein (unterstützt für VS Code und Kiro)
+ Vorgefertigte Remoteserver und Erweiterungen (nur VS Code)
**Wichtig**
Der Cursor wird für die Verbindung zu Studio-Bereichen in privaten Subnetzen ohne ausgehenden Internetzugang nicht unterstützt.
**Topics**
+ [HTTP-Proxy mit kontrollierter Zulassungsliste](#remote-access-local-ide-setup-vpc-no-internet-http-proxy-with-controlled-allow-listing)
+ [Vorkonfigurierte Remoteserver und Erweiterungen (nur VS Code)](#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions)
## HTTP-Proxy mit kontrollierter Zulassungsliste
Wenn sich Ihr Studio-Bereich hinter einer Firewall oder einem Proxy befindet, bitten Sie Ihren Administrator, den Zugriff auf Ihren IDE-Server und Ihre Endpunkte im Zusammenhang mit Erweiterungen CDNs zu gewähren. Weitere Informationen finden Sie unter [Einrichten eines HTTP-Proxys mit kontrollierter Zulassungsliste](remote-access-remote-setup-vpc-subnets-without-internet-access.md#remote-access-remote-setup-vpc-subnets-without-internet-access-setup-http-proxy-with-controlled-allow-listing).
------
#### [ VS Code ]
Konfigurieren Sie den HTTP-Proxy für die Fernentwicklung mit VS Code, indem Sie die Proxy-URL mit der Einstellung `remote.SSH.httpProxy` oder `remote.SSH.httpsProxy` angeben.
**Anmerkung**
Erwägen Sie, „Remote.ssh: Use Curl And Wget Configuration Files“ zu aktivieren, um die Konfiguration aus den Dateien und Dateien der Remote-Umgebung zu verwenden. `curlrc` `wgetrc` Auf diese Weise können die `wgetrc` Dateien `curlrc` und, die sich an ihren jeweiligen Standardspeicherorten im SageMaker Space befinden, zur Aktivierung bestimmter Fälle verwendet werden.
------
#### [ Kiro ]
Konfigurieren Sie den HTTP-Proxy für die Fernentwicklung mit Kiro, indem Sie die `aws.sagemaker.ssh.kiro.httpsProxy` Einstellung auf Ihren HTTP- oder HTTPS-Proxyendpunkt setzen.
Wenn Sie MCP-Server (Model Context Protocol) in Kiro verwenden, müssen Sie Ihrer MCP-Serverkonfiguration auch die Proxy-Umgebungsvariablen hinzufügen:
```
"env": {
"http_proxy": "${http_proxy}",
"https_proxy": "${https_proxy}"
}
```
------
Diese Option funktioniert, wenn Sie einen HTTP-Proxy einrichten dürfen, und ermöglicht Ihnen die flexible Installation zusätzlicher Erweiterungen, da einige Erweiterungen einen öffentlichen Endpunkt erfordern.
## Vorkonfigurierte Remoteserver und Erweiterungen (nur VS Code)
**Anmerkung**
Diese Option ist nur für Visual Studio Code verfügbar. Kiro und Cursor unterstützen kein vorkonfiguriertes Remote-Server-Setup.
Wenn Ihre Studio-Bereiche keinen Zugriff auf externe Endpunkte haben, um den VS-Code-Remoteserver und Erweiterungen herunterzuladen, können Sie diese vorab paketieren. Bei diesem Ansatz kann Ihr Administrator einen Tarball exportieren, der das `.VS Code-server`-Verzeichnis für eine bestimmte Version von VS Code enthält. Anschließend verwendet der Administrator ein SageMaker AI Lifecycle Configuration (LCC) -Skript, um den Tarball in Ihr Home-Verzeichnis () zu kopieren und zu extrahieren. `/home/sagemaker-user` Weitere Informationen finden Sie unter [Richten Sie vorgefertigte Remoteserver und Erweiterungen ein (nur VS Code)](remote-access-remote-setup-vpc-subnets-without-internet-access.md#remote-access-remote-setup-vpc-subnets-without-internet-access-setup-pre-packaged-vs-code-remote-server-and-extensions).
**Anweisungen zum Vorverpacken Ihres VS-Code-Remoteservers und der Erweiterungen**
1. Installieren Sie VS Code auf Ihrem lokalen Computer.
1. Wenn Sie eine Verbindung zum Space herstellen: SageMaker
+ Verwenden Sie das Standardprofil, um die Kompatibilität mit vorkonfigurierten Erweiterungen sicherzustellen. Andernfalls müssen Sie Erweiterungen mithilfe heruntergeladener VSIX-Dateien installieren, nachdem Sie eine Verbindung zum Studio-Bereich hergestellt haben.
+ Wählen Sie ein für die VS-Code-Version spezifisches LCC-Skript aus, das beim Starten des Bereichs an den Bereich angehängt werden soll.
### Beispiel für die Verwendung von Dockerfile für das Vorverpacken Ihres Remoteservers von VS Code und der Erweiterungen
Im Folgenden finden Sie ein Beispiel für eine Dockerfile-Datei zum Starten eines lokalen Containers mit vorinstalliertem SSH-Server, falls es nicht möglich ist, einen Bereich mit Remotezugriff und Internetverbindung einzurichten.
**Anmerkung**
In diesem Beispiel erfordert der SSH-Server keine Authentifizierung und wird nur zum Exportieren des VS-Code-Remoteservers verwendet.
Der Container sollte auf einer x64-Architektur erstellt und ausgeführt werden.
```
FROM amazonlinux:2023
# Install OpenSSH server and required tools
RUN dnf install -y \
openssh-server \
shadow-utils \
passwd \
sudo \
tar \
gzip \
&& dnf clean all
# Create a user with no password
RUN useradd -m -s /bin/bash sagemaker-user && \
passwd -d sagemaker-user
# Add sagemaker-user to sudoers via wheel group
RUN usermod -aG wheel sagemaker-user && \
echo 'sagemaker-user ALL=(ALL) NOPASSWD:ALL' > /etc/sudoers.d/sagemaker-user && \
chmod 440 /etc/sudoers.d/sagemaker-user
# Configure SSH to allow empty passwords and password auth
RUN sed -i 's/^#\?PermitEmptyPasswords .*/PermitEmptyPasswords yes/' /etc/ssh/sshd_config && \
sed -i 's/^#\?PasswordAuthentication .*/PasswordAuthentication yes/' /etc/ssh/sshd_config
# Generate SSH host keys
RUN ssh-keygen -A
# Expose SSH port
EXPOSE 22
WORKDIR /home/sagemaker-user
USER sagemaker-user
# Start SSH server
CMD ["bash"]
```
Verwenden Sie die folgenden Befehle, um den Container zu erstellen und auszuführen:
```
# Build the image
docker build . -t remote_server_export
# Run the container
docker run --rm -it -d \
-v /tmp/remote_access/.VS Code-server:/home/sagemaker-user/.VS Code-server \
-p 2222:22 \
--name remote_server_export \
remote_server_export
# change the permisson for the mounted folder
docker exec -i remote_server_export \
bash -c 'sudo chown sagemaker-user:sagemaker-user ~/.VS Code-server'
# start the ssh server in the container
docker exec -i remote_server_export bash -c 'sudo /usr/sbin/sshd -D &'
```
Stellen Sie mit dem folgenden Befehl eine Verbindung her:
```
ssh sagemaker-user@localhost -p 2222
```
Bevor dieser Container verbunden werden kann, konfigurieren Sie in der `.ssh/config`-Datei Folgendes. Danach können Sie den `remote_access_export` als Hostnamen im Remote-SSH-Seitenbereich sehen, wenn Sie eine Verbindung herstellen. Beispiel:
```
Host remote_access_export
HostName localhost
User=sagemaker-user
Port 2222
ForwardAgent yes
```
Archivieren Sie `/tmp/remote_access/.VS Code-server` und folgen Sie den Schritten in den vorgefertigten VS-Code-Remoteservern und Erweiterungen, um eine Verbindung herzustellen und die Erweiterung zu installieren. Stellen Sie nach dem Entpacken sicher, dass der `.VS Code-server`-Ordner als übergeordneter Ordner angezeigt wird.
```
cd /tmp/remote_access/
sudo tar -czvf VS Code-server-with-extensions-for-1.100.2.tar.gz .VS Code-server
```
### Beispiel für ein LCC-Skript (LCC-install-VS C ode-server-v 1.100.2)
Im Folgenden finden Sie ein Beispiel für die Installation einer bestimmten Version des VS-Code-Remoteservers.
```
#!/bin/bash
set -x
remote_server_file=VS Code-server-with-extensions-for-1.100.2.tar.gz
if [ ! -d "${HOME}/.VS Code-server" ]; then
cd /tmp
aws s3 cp s3://S3_BUCKET/remote_access/${remote_server_file} .
tar -xzvf ${remote_server_file}
mv .VS Code-server "${HOME}"
rm ${remote_server_file}
else
echo "${HOME}/.VS Code-server already exists, skipping download and install."
fi
```
# Filtern der Studio-Bereiche
Sie können die Filterung verwenden, um nur die relevanten Amazon SageMaker AI-Bereiche im AWS Toolkit for Visual Studio Code Explorer anzuzeigen. Im Folgenden finden Sie Informationen zur manuellen und automatisierten Filterung. Weitere Informationen zu den Definitionen der manuellen und automatischen Filterung finden Sie unter [Überblick über die Filterung](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-overview).
Dieses Setup gilt nur, wenn Sie die [Methode 2: AWS Toolkit in der Remote-IDE](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code) Methode verwenden, um eine Verbindung von Ihrer Remote-IDE zu Amazon SageMaker Studio Spaces herzustellen. Weitere Informationen finden Sie unter [Einrichten des Remotezugriffs](remote-access-remote-setup.md).
**Topics**
+ [Manuelle Filterung](#remote-access-local-ide-setup-filter-manual)
+ [Automatische Filtereinrichtung bei Verwendung von IAM-Anmeldeinformationen für die Anmeldung](#remote-access-local-ide-setup-filter-automatic-IAM-credentials)
## Manuelle Filterung
So filtern Sie angezeigte Bereiche manuell:
+ Öffnen Sie Ihre Remote IDE und navigieren Sie zum Toolkit for VS Code in der Seitenleiste des Explorers
+ Suchen Sie den **SageMaker AI-Bereich**
+ Wählen Sie das Filtersymbol rechts neben der Kopfzeile des SageMaker AI-Abschnitts. Es wird ein Dropdown-Menü geöffnet.
+ Wählen Sie im Dropdown-Menü die Benutzerprofile aus, für die Sie Bereiche anzeigen möchten.
## Automatische Filtereinrichtung bei Verwendung von IAM-Anmeldeinformationen für die Anmeldung
Die automatische Filterung hängt von der Authentifizierungsmethode bei der Anmeldung ab. Weitere Informationen finden Sie unter [Herstellen einer Verbindung zum Toolkit](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html#connect-to-aws) im Toolkit for VS Code-Benutzerhandbuch. AWS
Wenn Sie sich mit **IAM-Anmeldeinformationen** authentifizieren und eine Verbindung herstellen, erfordert eine automatische Filterung [Einrichten bei der Verbindung mit IAM-Anmeldeinformationen](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-set-up-iam-credentials). Ohne diese Einrichtung werden keine Bereiche angezeigt, wenn Benutzer die Identitätsfilterung aktivieren.
Sobald das oben genannte eingerichtet ist, sucht AWS Toolkit nach Leerzeichen, die zu Benutzerprofilen gehören, die mit dem authentifizierten IAM-Benutzernamen oder dem angenommenen Rollensitzungsnamen beginnen.
Die automatische Filterung ist für Benutzer optional:
+ Öffnen Sie Ihre Remote IDE-Einstellungen
+ Navigieren Sie zur **AWS -Toolkit**-Erweiterung.
+ Suchen Sie nach **Identitätsfilterung aktivieren**.
+ Aktivieren Sie die automatische Filterung von Bereichen auf Grundlage Ihrer AWS -Identität.
# Unterstützte AWS Regionen
In der folgenden Tabelle sind die AWS Regionen aufgeführt, in denen Remote-IDE-Verbindungen zu Studio-Bereichen unterstützt werden, sowie die Regionen, die in den einzelnen Regionen IDEs verfügbar sind.
| AWS Region | VS Code | Kiro | Cursor |
| --- | --- | --- | --- |
| us-east-1 | Unterstützt | Unterstützt | Unterstützt |
| us-east-2 | Unterstützt | Unterstützt | Unterstützt |
| us-west-1 | Unterstützt | Unterstützt | Unterstützt |
| us-west-2 | Unterstützt | Unterstützt | Unterstützt |
| af-south-1 | Unterstützt | Unterstützt | Unterstützt |
| ap-east-1 | Unterstützt | Unterstützt | Unterstützt |
| ap-south-1 | Unterstützt | Unterstützt | Unterstützt |
| ap-northeast-1 | Unterstützt | Unterstützt | Unterstützt |
| ap-northeast-2 | Unterstützt | Unterstützt | Unterstützt |
| ap-northeast-3 | Unterstützt | Unterstützt | Unterstützt |
| ap-southeast-1 | Unterstützt | Unterstützt | Unterstützt |
| ap-southeast-2 | Unterstützt | Unterstützt | Unterstützt |
| ap-southeast-3 | Unterstützt | Unterstützt | Unterstützt |
| ap-southeast-5 | Unterstützt | Unterstützt | Unterstützt |
| ca-central-1 | Unterstützt | Unterstützt | Unterstützt |
| eu-central-1 | Unterstützt | Unterstützt | Unterstützt |
| eu-central-2 | Unterstützt | Unterstützt | Unterstützt |
| eu-north-1 | Unterstützt | Unterstützt | Unterstützt |
| eu-south-1 | Unterstützt | Unterstützt | Unterstützt |
| eu-south-2 | Unterstützt | Unterstützt | Unterstützt |
| eu-west-1 | Unterstützt | Unterstützt | Unterstützt |
| eu-west-2 | Unterstützt | Unterstützt | Unterstützt |
| eu-west-3 | Unterstützt | Unterstützt | Unterstützt |
| il-central-1 | Unterstützt | Unterstützt | Unterstützt |
| me-central-1 | Unterstützt | Nicht unterstützt | Nicht unterstützt |
| me-south-1 | Unterstützt | Nicht unterstützt | Nicht unterstützt |
| sa-east-1 | Unterstützt | Unterstützt | Unterstützt |
# Bring Your Own Image (BYOI)
Ein Image ist eine Datei, die die Kernel, Sprachpakete und andere Abhängigkeiten identifiziert, die zum Ausführen Ihrer Anwendungen erforderlich sind. Sie umfasst:
+ Programmiersprachen (wie Python oder R)
+ Kernel
+ Bibliotheken und Pakete
+ Andere notwendige Software
Amazon SageMaker Distribution (`sagemaker-distribution`) ist eine Reihe von Docker-Images, die beliebte Frameworks und Pakete für maschinelles Lernen, Datenwissenschaft und Visualisierung enthalten. Weitere Informationen finden Sie unter [SageMaker Richtlinie zur Unterstützung von Studio-Images](sagemaker-distribution.md).
Wenn Sie andere Funktionen benötigen, können Sie Ihr eigenes benutzerdefinierten Image (BYOI) mitbringen. Sie möchten möglicherweise ein benutzerdefiniertes Image erstellen, wenn:
+ Sie eine bestimmte Version einer Programmiersprache oder Bibliothek benötigen.
+ Sie benutzerdefinierte Tools oder Pakete einbinden möchten
+ Sie mit spezieller Software arbeiten, die in den Standard-Images nicht verfügbar ist
## Wichtige Begriffe
Im folgenden Abschnitt werden die wichtigsten Begriffe für die Verwendung Ihres eigenen Images mit SageMaker KI definiert.
+ **Dockerfile:** Ein textbasiertes Dokument mit Anweisungen zum Erstellen eines Docker-Images. Sie identifiziert die Sprachpakete und andere Abhängigkeiten für Ihr Docker-Image.
+ **Docker-Image:** Ein Paket aus Software und Abhängigkeiten, das aus einer Dockerfile erstellt wurde.
+ **SageMaker AI-Bildspeicher:** Eine Speicherung Ihrer benutzerdefinierten Bilder in SageMaker KI.
**Topics**
+ [Wichtige Begriffe](#studio-updated-byoi-basics)
+ [Benutzerdefinierte Image-Daten](studio-updated-byoi-specs.md)
+ [So funktioniert Bring Your Own Image](studio-updated-byoi-how-to.md)
+ [Starten eines benutzerdefinierten Images in Studio](studio-updated-byoi-how-to-launch.md)
+ [Anzeigen Ihrer benutzerdefinierten Image-Details](studio-updated-byoi-view-images.md)
+ [Beschleunigen Sie den Container-Start mit SOCI](soci-indexing.md)
+ [Trennen und Bereinigen von benutzerdefinierten Image-Ressourcen](studio-updated-byoi-how-to-detach-from-domain.md)
# Benutzerdefinierte Image-Daten
Das Image, das Sie in Ihrer Dockerfile-Datei angeben, muss den Spezifikationen in den folgenden Abschnitten entsprechen, damit das Image erfolgreich erstellt werden kann.
**Topics**
+ [Das Image wird ausgeführt](#studio-updated-byoi-specs-run)
+ [Spezifikationen für den Benutzer und das Dateisystem](#studio-updated-byoi-specs-user-and-filesystem)
+ [Zustandsprüfung und URL für Anwendungen](#studio-updated-byoi-specs-app-healthcheck)
+ [Dockerfile-Beispiele](#studio-updated-byoi-specs-dockerfile-templates)
## Das Image wird ausgeführt
Die folgenden Konfigurationen können vorgenommen werden, indem Sie Ihre [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html) aktualisieren. Ein Beispiel finden Sie unter [Aktualisieren der Container-Konfiguration](studio-updated-byoi-how-to-container-configuration.md).
+ `Entrypoint`: Sie können `ContainerEntrypoint` und `ContainerArguments` konfigurieren, die zur Laufzeit an den Container übergeben werden. Wir empfehlen, Ihren Einstiegspunkt mithilfe der `ContainerConfig` zu konfigurieren. Ein Beispiel finden Sie unter dem obigen Link.
+ `EnvVariables`: Wenn Sie Studio verwenden, können Sie benutzerdefinierte `ContainerEnvironment`-Variablen für Ihren Container festlegen. Sie können Ihre Umgebungsvariablen optional mit `ContainerConfig` aktualisieren. Ein Beispiel finden Sie unter dem obigen Link.
SageMaker KI-spezifische Umgebungsvariablen haben Vorrang und überschreiben alle Variablen mit demselben Namen. SageMaker KI stellt beispielsweise automatisch Umgebungsvariablen mit dem Präfix `AWS_` und bereit, `SAGEMAKER_` um eine korrekte Integration mit AWS Diensten und SageMaker KI-Funktionen sicherzustellen. Im Folgenden finden Sie einige Beispiele für SageMaker KI-spezifische Umgebungsvariablen:
+ `AWS_ACCOUNT_ID`
+ `AWS_REGION`
+ `AWS_DEFAULT_REGION`
+ `AWS_CONTAINER_CREDENTIALS_RELATIVE_URI`
+ `SAGEMAKER_SPACE_NAME`
+ `SAGEMAKER_APP_TYPE`
## Spezifikationen für den Benutzer und das Dateisystem
+ `WorkingDirectory`: Das Amazon-EBS-Volume für Ihren Bereich ist unter dem Pfad `/home/sagemaker-user` gemountet. Sie können den Mount-Pfad nicht ändern. Verwenden Sie die `WORKDIR`-Anleitung, um das Arbeitsverzeichnis Ihres Images auf einen Ordner innerhalb von `/home/sagemaker-user` festzulegen.
+ `UID`: Die Benutzer-ID des Docker-Containers. UID=1000 ist ein unterstützter Wert. Sie können Ihren Benutzern sudo-Zugriff hinzufügen. Sie IDs werden neu zugeordnet, um zu verhindern, dass ein im Container ausgeführter Prozess mehr Rechte als nötig hat.
+ `GID`: Die Gruppen-ID des Docker-Containers. GID=100 ist ein unterstützter Wert. Sie können Ihren Benutzern sudo-Zugriff hinzufügen. Sie IDs werden neu zugeordnet, um zu verhindern, dass ein im Container ausgeführter Prozess mehr Rechte als nötig hat.
+ Metadaten-Verzeichnisse — Die `/opt/ml` Verzeichnisse `/opt/.sagemakerinternal` und, die von AWS verwendet werden. Die Metadatendatei in `/opt/ml` enthält Metadaten zu Ressourcen wie `DomainId`.
Verwenden Sie den folgenden Befehl, um den Inhalt des Dateisystems anzuzeigen:
```
cat /opt/ml/metadata/resource-metadata.json
```
+ Protokollverzeichnisse: `/var/log/studio` sind für die Protokollverzeichnisse Ihrer Anwendungen und die damit verbundenen Erweiterungen reserviert. Es wird empfohlen, diese Ordner nicht bei der Erstellung Ihres Images zu verwenden.
## Zustandsprüfung und URL für Anwendungen
Die Zustandsprüfung und die URL hängen von den Anwendungen ab. Wählen Sie den folgenden Link aus, der mit der Anwendung verknüpft ist, für die Sie das Image erstellen.
+ [Zustandsprüfung und URL für Anwendungen](code-editor-custom-images.md#code-editor-custom-images-app-healthcheck) für Code Editor
+ [Zustandsprüfung und URL für Anwendungen](studio-updated-jl-admin-guide-custom-images.md#studio-updated-jl-admin-guide-custom-images-app-healthcheck) für JupyterLab
## Dockerfile-Beispiele
Dockerfile-Beispiele, die sowohl die Anforderungen auf dieser Seite als auch Ihre spezifischen Anwendungsanforderungen erfüllen, finden Sie unter den Beispiel-Dockerfiles im Abschnitt der jeweiligen Anwendung. Die folgenden Optionen beinhalten Amazon SageMaker Studio-Anwendungen.
+ [Dockerfile-Beispiele](code-editor-custom-images.md#code-editor-custom-images-dockerfile-templates) für Code Editor
+ [Dockerfile-Beispiele](studio-updated-jl-admin-guide-custom-images.md#studio-updated-jl-custom-images-dockerfile-templates)für JupyterLab
**Anmerkung**
Wenn Sie Ihr eigenes Image in SageMaker Unified Studio verwenden, müssen Sie die [Dockerfile-Spezifikationen](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) im *Amazon SageMaker Unified Studio-Benutzerhandbuch* befolgen.
`Dockerfile`Beispiele für SageMaker Unified Studio finden Sie im [Dockerfile-Beispiel](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) im *Amazon SageMaker Unified Studio-Benutzerhandbuch*.
# So funktioniert Bring Your Own Image
Auf den folgenden Seiten finden Sie Anweisungen zum Einbinden Ihres eigenen benutzerdefinierten Images. Stellen Sie sicher, dass die folgenden Voraussetzungen erfüllt sind, bevor Sie fortfahren.
## Voraussetzungen
Sie müssen die folgenden Voraussetzungen erfüllen, um Ihr eigenes Image auf Amazon SageMaker AI zu übertragen.
+ Richten Sie die Docker-Anwendung ein. Weitere Informationen finden Sie unter [Erste Schritte](https://docs.docker.com/get-started/) in der *Docker-Dokumentation*.
+ Installieren Sie die neueste Version, AWS CLI indem Sie die Schritte unter [Erste Schritte mit dem AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html) im *AWS Command Line Interface Benutzerhandbuch für Version 2 befolgen*.
+ Berechtigungen für den Zugriff auf den Service Amazon Elastic Container Registry (Amazon ECR). Weitere Informationen finden Sie unter [Amazon-ECR-verwaltete Richtlinien](https://docs.aws.amazon.com/AmazonECR/latest/userguide/ecr_managed_policies.html) im *Benutzerhandbuch für Amazon ECR*.
+ Eine AWS Identity and Access Management Rolle, der die [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)Richtlinie angehängt ist.
**Topics**
+ [Voraussetzungen](#studio-updated-byoi-how-to-prerequisites)
+ [Erstellen eines benutzerdefinierten Images und Übertragen auf Amazon ECR](studio-updated-byoi-how-to-prepare-image.md)
+ [Anfügen Ihres benutzerdefinierten Images an Ihre Domain](studio-updated-byoi-how-to-attach-to-domain.md)
+ [Aktualisieren der Container-Konfiguration](studio-updated-byoi-how-to-container-configuration.md)
# Erstellen eines benutzerdefinierten Images und Übertragen auf Amazon ECR
Diese Seite enthält Anweisungen zum Erstellen einer lokalen Dockerfile, zum Erstellen des Container-Images und zum Hinzufügen zu Amazon Elastic Container Registry (Amazon ECR).
**Anmerkung**
In den folgenden Beispielen werden die Tags nicht angegeben und das Tag `latest` wird standardmäßig angewendet. Wenn Sie ein Tag angeben möchten, müssen Sie `:tag` an das Ende der Image-Namen anhängen. Weitere Informationen finden Sie unter [Docker-Image-Tag](https://docs.docker.com/reference/cli/docker/image/tag/) in der *Docker-Dokumentation*.
**Topics**
+ [Erstellen einer Dockerfile und Erstellen des Container-Images](#studio-updated-byoi-how-to-create-local-dockerfile)
+ [Hinzufügen eines Docker-Images zu Amazon ECR](#studio-updated-byoi-add-container-image)
## Erstellen einer Dockerfile und Erstellen des Container-Images
Verwenden Sie folgende Anweisungen zum Erstellen einer Dockerfile mit der gewünschten Software und den gewünschten Abhängigkeiten.
**So erstellen Sie die Dockerfile**
1. Stellen Sie zunächst Ihre Variablen für die folgenden AWS CLI Befehle ein.
```
LOCAL_IMAGE_NAME=local-image-name
```
`local-image-name` ist der Name des Container-Images auf Ihrem lokalen Gerät, das Sie hier definieren.
1. Erstellen Sie ein textbasiertes Dokument mit Namen `Dockerfile`, das den Spezifikationen unter [Benutzerdefinierte Image-Daten](studio-updated-byoi-specs.md) entspricht.
`Dockerfile`-Beispiele für unterstützte Anwendungen finden Sie unter [Dockerfile-Beispiele](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
**Anmerkung**
Wenn Sie Ihr eigenes Image in SageMaker Unified Studio verwenden, müssen Sie die [Dockerfile-Spezifikationen](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) im *Amazon SageMaker Unified Studio-Benutzerhandbuch* befolgen.
`Dockerfile`Beispiele für SageMaker Unified Studio finden Sie im [Dockerfile-Beispiel](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) im *Amazon SageMaker Unified Studio-Benutzerhandbuch*.
1. Erstellen Sie in dem Verzeichnis, das Ihre `Dockerfile` enthält, das Docker-Image mit dem folgenden Befehl. Der Punkt (`.`) gibt an, dass sich die `Dockerfile` im Kontext des Build-Befehls befinden sollte.
```
docker build -t ${LOCAL_IMAGE_NAME} .
```
Nach Abschluss des Builds können Sie die Informationen zu Ihrem Container-Image mit dem folgenden Befehl auflisten.
```
docker images
```
1. (Optional) Sie können Ihr Image mit dem folgenden Befehl testen.
```
docker run -it ${LOCAL_IMAGE_NAME}
```
In der Ausgabe werden Sie feststellen, dass Ihr Server unter einer URL wie `http://127.0.0.1:8888/...` läuft. Sie können das Image testen, indem Sie die URL in den Browser kopieren.
Sollte dies nicht funktionieren, müssen Sie möglicherweise `-p port:port` in den Befehl „docker run“ einfügen. Diese Option ordnet den freigegebenen Port auf dem Container einem Port auf dem Hostsystem zu. Weitere Informationen zur Docker-Ausführung finden Sie unter [Ausführen von Containern](https://docs.docker.com/engine/containers/run/) in der *Docker-Dokumentation*.
Nachdem Sie überprüft haben, dass der Server ordnungsgemäß funktioniert, können Sie den Server anhalten und alle Kernel herunterfahren, bevor Sie fortfahren. Die Anweisungen sind in der Ausgabe sichtbar.
## Hinzufügen eines Docker-Images zu Amazon ECR
Um ein Container-Image zu Amazon ECR hinzuzufügen, müssen Sie die folgenden Schritte ausführen.
+ Erstellen Sie ein Amazon-ECR-Repository.
+ Melden Sie sich bei Ihrem Standard-Registry an.
+ Übertragen Sie das Image in das Amazon-ECR-Repository.
**Anmerkung**
Das Amazon ECR-Repository muss sich in derselben AWS-Region Domain befinden, an die Sie das Bild anhängen.
**So erstellen Sie ein Container-Image und übertragen es an Amazon ECR**
1. Stellen Sie zunächst Ihre Variablen für die folgenden AWS CLI Befehle ein.
```
ACCOUNT_ID=account-id
REGION=aws-region
ECR_REPO_NAME=ecr-repository-name
```
+ `account-id` ist Ihre Konto-ID. Sie finden dies oben rechts auf jeder AWS Konsolenseite. Zum Beispiel die [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker).
+ `aws-region`ist die AWS-Region Ihrer Amazon SageMaker AI-Domain. Sie finden dies oben rechts auf jeder AWS Konsolenseite.
+ `ecr-repository-name` ist der Name Ihres Repositorys von Amazon Elastic Container Registry, den Sie hier definieren. Ihre Amazon-ECR-Repositorys finden Sie in der [Amazon-ECR-Konsole](https://console.aws.amazon.com/ecr).
1. Melden Sie sich bei Amazon ECR und dann bei Docker an.
```
aws ecr get-login-password \
--region ${REGION} | \
docker login \
--username AWS \
--password-stdin ${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com
```
Bei erfolgreicher Authentifizierung erhalten Sie eine Meldung über die erfolgreiche Anmeldung.
**Wichtig**
Bei einem Fehler müssen Sie möglicherweise die neueste AWS CLI-Version installieren bzw. auf diese aktualisieren. Weitere Informationen finden Sie unter [Installieren der AWS Command Line Interface](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html) im *AWS Command Line Interface -Benutzerhandbuch*.
1. Markieren Sie das Image in einem mit Amazon ECR kompatiblen Format, um es in Ihr Repository zu übertragen.
```
docker tag \
${LOCAL_IMAGE_NAME} \
${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com/${ECR_REPO_NAME}
```
1. Erstellen Sie ein Amazon ECR-Repository unter Verwendung des AWS CLI. Informationen zum Erstellen des Repositorys mithilfe der Amazon-ECR-Konsole finden Sie unter [Erstellen eines privaten Amazon-ECR-Repositorys zum Speichern von Images](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--region ${REGION} \
--repository-name ${ECR_REPO_NAME}
```
1. Übertragen Sie das Image in Ihr Amazon-ECR-Repository: Sie können das Docker-Image auch markieren.
```
docker push ${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com/${ECR_REPO_NAME}
```
Sobald das Image erfolgreich zu Ihrem Amazon-ECR-Repository hinzugefügt wurde, können Sie es in der [Amazon-ECR-Konsole](https://console.aws.amazon.com/ecr) anzeigen.
# Anfügen Ihres benutzerdefinierten Images an Ihre Domain
Diese Seite enthält Anweisungen zum Anhängen Ihres benutzerdefinierten Images an Ihre Domain. Gehen Sie wie folgt vor, um mit der Amazon SageMaker AI-Konsole zu Ihrer Domain zu navigieren und den Vorgang **Bild anhängen** zu starten.
Bei den folgenden Anweisungen wird davon ausgegangen, dass Sie ein Bild in ein Amazon ECR-Repository in derselben Domain AWS-Region wie Ihre Domain übertragen haben. Falls dies noch nicht geschehen ist, finden Sie weitere Informationen unter [Erstellen eines benutzerdefinierten Images und Übertragen auf Amazon ECR](studio-updated-byoi-how-to-prepare-image.md).
Wenn Sie ein Image anhängen möchten, haben Sie zwei Möglichkeiten:
+ Ein **neues Bild** anhängen: Mit dieser Option werden ein Bild und eine Image-Version in Ihrem SageMaker AI-Image-Speicher erstellt und dann an Ihre Domain angehängt.
**Anmerkung**
Wenn Sie den BYOI-Prozess fortsetzen möchten, verwenden Sie von [Erstellen eines benutzerdefinierten Images und Übertragen auf Amazon ECR](studio-updated-byoi-how-to-prepare-image.md) aus die Option **Neues Image**.
+ Ein **vorhandenes Bild** anhängen: Wenn Sie Ihr gewünschtes benutzerdefiniertes Bild bereits im SageMaker AI-Bildspeicher erstellt haben, verwenden Sie diese Option. Durch diese Option wird ein vorhandenes benutzerdefiniertes Image an Ihre Domain angehängt. Informationen zum Anzeigen Ihrer benutzerdefinierten Bilder im SageMaker AI-Bildspeicher finden Sie unter[Anzeigen von benutzerdefinierten Image-Details (Konsole)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
------
#### [ New image ]
**So fügen Sie ein neues Image an die Domain an**
1. Öffnen Sie die [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker).
1. Erweitern Sie den Abschnitt **Admin-Konfigurationen**, falls dies noch nicht geschehen ist.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der **Domains** die Domain aus, an die das Image angehängt werden soll.
**Anmerkung**
Wenn Sie das Image an ein SageMaker Unified Studio-Projekt anhängen und weitere Informationen zur zu verwendenden Domain benötigen, finden Sie weitere Informationen unter [Anzeigen der mit Ihrem Projekt verknüpften SageMaker KI-Domänendetails](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain).
1. Öffnen Sie die Registerkarte **Umgebung**.
1. Wählen Sie im Abschnitt **Benutzerdefinierte Images für persönliche Studio-Apps** die Option **Image anhängen** aus.
1. Wählen Sie als **Image-Quelle** die Option **Neues Image** aus.
1. Fügen Sie die URI des Amazon-ECR-Images ein. Das Format lautet wie folgt.
```
account-id.dkr.ecr.aws-region.amazonaws.com/repository-name:tag
```
1. Um die URI Ihres Amazon-ECR-Images zu erhalten, navigieren Sie zu Ihrer Seite mit den privaten [Amazon-ECR-Repositorys](https://console.aws.amazon.com/ecr/private-registry/repositories).
1. Wählen Sie den Link mit dem Repository-Namen aus.
1. Wählen Sie das Symbol **URI kopieren** aus, das Ihrer Image-Version entspricht (**Image-Tag**).
1. Befolgen Sie die weiteren Anweisungen, um Ihr individuelles Image hinzuzufügen.
**Anmerkung**
Stellen Sie sicher, dass Sie den Anwendungstyp verwenden, der Ihrer `Dockerfile` entspricht. Weitere Informationen finden Sie unter [Dockerfile-Beispiele](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
Sobald das Image erfolgreich an Ihre Domain angefügt wurde, können Sie es auf der Registerkarte **Umgebung** anzeigen.
------
#### [ Existing image ]
**So fügen Sie ein bestehendes Image an Ihre Domain an**
1. Öffnen Sie die [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker).
1. Erweitern Sie den Abschnitt **Admin-Konfigurationen**, falls dies noch nicht geschehen ist.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der **Domains** die Domain aus, an die das Image angehängt werden soll.
**Anmerkung**
Wenn Sie das Image an ein SageMaker Unified Studio-Projekt anhängen und weitere Informationen zur zu verwendenden Domain benötigen, finden Sie weitere Informationen unter [Anzeigen der mit Ihrem Projekt verknüpften SageMaker KI-Domänendetails](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain).
1. Öffnen Sie die Registerkarte **Umgebung**.
1. Wählen Sie im Abschnitt **Benutzerdefinierte Images für persönliche Studio-Apps** die Option **Image anhängen** aus.
1. Wählen Sie als **Image-Quelle** die Option **Bestehendes Image** aus.
1. Wählen Sie ein vorhandenes Image und eine Image-Version aus dem SageMaker AI-Imagespeicher aus.
Wenn Sie Ihre Image-Version nicht anzeigen können, müssen Sie möglicherweise eine erstellen. Weitere Informationen finden Sie unter [Anzeigen von benutzerdefinierten Image-Details (Konsole)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
1. Befolgen Sie die weiteren Anweisungen, um Ihr individuelles Image hinzuzufügen.
**Anmerkung**
Stellen Sie sicher, dass Sie den Anwendungstyp verwenden, der Ihrer `Dockerfile` entspricht. Weitere Informationen finden Sie unter [Dockerfile-Beispiele](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
Sobald das Image erfolgreich an Ihre Domain angefügt wurde, können Sie es auf der Registerkarte **Umgebung** anzeigen.
------
Sobald Ihr Image erfolgreich an Ihre Domain angefügt wurde, können die Domain-Benutzer das Image für ihre Anwendung auswählen. Weitere Informationen finden Sie unter [Starten eines benutzerdefinierten Images in Studio](studio-updated-byoi-how-to-launch.md).
**Anmerkung**
Wenn Sie Ihrem SageMaker Unified Studio-Projekt ein benutzerdefiniertes Image angehängt haben, müssen Sie die Anwendung von SageMaker Unified Studio aus starten. Weitere Informationen finden Sie unter [Starten Ihres benutzerdefinierten Images](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-launch-custom-image.html) im *Amazon SageMaker Unified Studio-Benutzerhandbuch*.
# Aktualisieren der Container-Konfiguration
Sie können benutzerdefinierte Docker-Images in Ihre Workflows für Machine Learning integrieren. Ein wichtiger Aspekt bei der Anpassung dieser Images ist die Konfiguration der Container-Konfigurationen oder [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html). Die folgende Seite enthält ein Beispiel für die Konfiguration der `ContainerConfig`.
Ein Einstiegspunkt ist der Befehl oder das Skript, der bzw. das ausgeführt wird, wenn der Container gestartet wird. Mit benutzerdefinierten Einstiegspunkten können Sie Ihre Umgebung einrichten, Services initialisieren oder alle erforderlichen Einstellungen vornehmen, bevor Ihre Anwendung gestartet wird.
Dieses Beispiel enthält Anweisungen zur Konfiguration eines benutzerdefinierten Einstiegspunkts für Ihre JupyterLab Anwendung mithilfe von. AWS CLI In diesem Beispiel wird davon ausgegangen, dass Sie bereits ein benutzerdefiniertes Image und eine Domain erstellt haben. Detaillierte Anweisungen finden Sie unter [Anfügen Ihres benutzerdefinierten Images an Ihre Domain](studio-updated-byoi-how-to-attach-to-domain.md).
1. Stellen Sie zunächst Ihre Variablen für die folgenden AWS CLI Befehle ein.
```
APP_IMAGE_CONFIG_NAME=app-image-config-name
ENTRYPOINT_FILE=entrypoint-file-name
ENV_KEY=environment-key
ENV_VALUE=environment-value
REGION=aws-region
DOMAIN_ID=domain-id
IMAGE_NAME=custom-image-name
IMAGE_VERSION=custom-image-version
```
+ `app-image-config-name` ist der Name Ihrer Anwendungs-Image-Konfiguration.
+ `entrypoint-file-name` ist der Name des Einstiegspunkt-Skripts Ihres Containers. Beispiel, `entrypoint.sh`.
+ `environment-key` ist der Name der Umgebungsvariable.
+ `environment-value` ist der Wert, der Ihrer Umgebungsvariablen zugewiesen ist.
+ `aws-region`ist die AWS-Region Ihrer Amazon SageMaker AI-Domain. Sie finden dies oben rechts auf jeder AWS Konsolenseite.
+ `domain-id` ist Ihre Domain-ID. Informationen zur Anzeige Ihrer Domains finden Sie unter [Anzeigen von Domains](domain-view.md).
+ `custom-image-name` ist der Name Ihres benutzerdefinierten Images. Informationen zu Ihren benutzerdefinierten Images finden Sie unter [Anzeigen von benutzerdefinierten Image-Details (Konsole)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
Wenn Sie die Anweisungen unter [Anfügen Ihres benutzerdefinierten Images an Ihre Domain](studio-updated-byoi-how-to-attach-to-domain.md) befolgt haben, möchten Sie möglicherweise denselben Image-Namen verwenden, den Sie bei diesem Vorgang verwendet haben.
+ `custom-image-version` ist die Versionsnummer Ihres benutzerdefinierten Images. Dies sollte eine ganze Zahl sein, die die Version Ihres Images angibt. Informationen zu Ihren benutzerdefinierten Images finden Sie unter [Anzeigen von benutzerdefinierten Image-Details (Konsole)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
1. Verwenden Sie die [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html)-API, um eine Image-Konfiguration zu erstellen.
```
aws sagemaker create-app-image-config \
--region ${REGION} \
--app-image-config-name "${APP_IMAGE_CONFIG_NAME}" \
--jupyter-lab-app-image-config "ContainerConfig = {
ContainerEntrypoint = "${ENTRYPOINT_FILE}",
ContainerEnvironmentVariables = {
"${ENV_KEY}"="${ENV_VALUE}"
}
}"
```
1. Verwenden Sie die [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)-API, um die Standardeinstellungen für Ihre Domain zu aktualisieren. Dadurch werden das benutzerdefinierte Image sowie die Konfiguration des Anwendungs-Images angefügt.
```
aws sagemaker update-domain \
--region ${REGION} \
--domain-id "${DOMAIN_ID}" \
--default-user-settings "{
\"JupyterLabAppSettings\": {
\"CustomImages\": [
{
\"ImageName\": \"${IMAGE_NAME}\",
\"ImageVersionNumber\": ${IMAGE_VERSION},
\"AppImageConfigName\": \"${APP_IMAGE_CONFIG_NAME}\"
}
]
}
}"
```
# Starten eines benutzerdefinierten Images in Studio
Nachdem Sie ein benutzerdefiniertes Bild an Ihre Amazon SageMaker AI-Domain angehängt haben, steht das Bild den Benutzern in der Domain zur Verfügung. Befolgen Sie die folgenden Anweisungen, um eine Anwendung mit dem benutzerdefinierten Image zu starten.
**Anmerkung**
Wenn Sie Ihrem SageMaker Unified Studio-Projekt ein benutzerdefiniertes Image angehängt haben, müssen Sie die Anwendung von SageMaker Unified Studio aus starten. Weitere Informationen finden Sie unter [Starten Ihres benutzerdefinierten Images](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-launch-custom-image.html) im *Amazon SageMaker Unified Studio-Benutzerhandbuch*.
1. Starten Sie Amazon SageMaker Studio. Detaillierte Anweisungen finden Sie unter [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md).
1. Falls Sie dies noch nicht getan haben, erweitern Sie den Abschnitt **Anwendungen**.
1. Wählen Sie im Abschnitt **Anwendungen** die Anwendung aus. Sollten Sie die Anwendung nicht sehen, ist sie möglicherweise für Sie ausgeblendet. Wenden Sie sich in diesem Fall an Ihren Administrator.
1. Um einen Bereich zu erstellen, wählen Sie **\$1 *application* Bereich erstellen** und folgen Sie den Anweisungen, um den Bereich zu erstellen.
Um einen vorhandenen Bereich auszuwählen, wählen Sie den Linknamen des Bereichs aus, den Sie öffnen möchten.
1. Wählen Sie unter **Image** das Image aus, das Sie verwenden möchten.
Wenn das Dropdown-Menü **Image** nicht verfügbar ist, müssen Sie möglicherweise Ihren Bereich stoppen. Wählen Sie dazu **Bereich stoppen** aus.
1. Bestätigen Sie die Einstellungen für den Bereich und wählen Sie **Bereich ausführen** aus.
# Anzeigen Ihrer benutzerdefinierten Image-Details
Auf der folgenden Seite finden Sie Anweisungen zum Anzeigen Ihrer benutzerdefinierten Bilddetails im SageMaker AI-Bildspeicher.
## Anzeigen von benutzerdefinierten Image-Details (Konsole)
Im Folgenden finden Sie Anweisungen zum Anzeigen Ihrer benutzerdefinierten Bilder mit der SageMaker AI-Konsole. In diesem Abschnitt können Sie die Image-Details anzeigen und bearbeiten.
**Anzeigen Ihrer benutzerdefinierten Images (Konsole)**
1. Öffnen Sie die [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker).
1. Erweitern Sie den Abschnitt **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** die Option **Images**.
1. Wählen Sie aus der Liste der **benutzerdefinierten Images** den Hyperlink Ihres Image-namens aus.
## Anzeigen von benutzerdefinierten Image-Details (AWS CLI)
Der folgende Abschnitt zeigt ein Beispiel dafür, wie Sie Ihre benutzerdefinierten Images mit der AWS CLI anzeigen können.
```
aws sagemaker list-images \
--region aws-region
```
# Beschleunigen Sie den Container-Start mit SOCI
Die SOCI-Indizierung (Seekable Open Container Initiative) ermöglicht das verzögerte Laden von benutzerdefinierten Container-Images in [Amazon SageMaker Studio](studio-updated.md) oder [Amazon SageMaker ](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/what-is-sagemaker-unified-studio.html) Unified Studio. SOCI reduziert die Startzeiten für Ihre benutzerdefinierten Container erheblich um etwa 30-70%. [Bring Your Own Image (BYOI)](studio-updated-byoi.md) Die Verbesserung der Latenz hängt von der Größe des Images, der Verfügbarkeit der Hosting-Instanz und anderen Anwendungsabhängigkeiten ab. SOCI erstellt einen Index, der es Containern ermöglicht, nur mit den erforderlichen Komponenten zu starten und bei Bedarf zusätzliche Dateien bei Bedarf abzurufen.
SOCI begegnet langsamen Startzeiten von Containern für benutzerdefinierte Images, die die iterativen Entwicklungsworkflows für maschinelles Lernen (ML) unterbrechen. Da ML-Workloads immer komplexer werden, sind Container-Images immer größer geworden, was zu Verzögerungen beim Start führt, die die Entwicklungszyklen behindern.
**Topics**
+ [Wichtigste Vorteile](#soci-indexing-key-benefits)
+ [Wie funktioniert die SOCI-Indizierung](#soci-indexing-how-works)
+ [Architekturkomponenten](#soci-indexing-architecture-components)
+ [Unterstützte Tools](#soci-indexing-supported-tools)
+ [Berechtigungen für die SOCI-Indizierung](soci-indexing-setup.md)
+ [Erstellen Sie SOCI-Indizes mit nerdctl und einem SOCI-CLI-Beispiel](soci-indexing-example-create-indexes.md)
+ [Integrieren Sie sozi-indizierte Bilder in das Studio-Beispiel](soci-indexing-example-integrate-studio.md)
## Wichtigste Vorteile
+ **Schnellere Iterationszyklen**: Je nach Image- und Instanztyp reduzieren Sie den Start von Containern
+ **Universelle Optimierung**: Erweitern Sie die Leistungsvorteile auf alle benutzerdefinierten BYOI-Container in Studio
## Wie funktioniert die SOCI-Indizierung
SOCI erstellt einen speziellen Metadatenindex, der die interne Dateistruktur Ihres Container-Images abbildet. Dieser Index ermöglicht den Zugriff auf einzelne Dateien, ohne das gesamte Bild herunterzuladen. Der SOCI-Index wird als OCI-konformes Artefakt (Open Container Initiative) in [Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/what-is-ecr.html) gespeichert und mit Ihrem ursprünglichen Container-Image verknüpft, sodass die Image-Digests und die Signaturgültigkeit erhalten bleiben.
Wenn Sie einen Container in Studio starten, verwendet das System den SOCI-Index, um nur wichtige Dateien zu identifizieren und herunterzuladen, die für den Start benötigt werden. Zusätzliche Komponenten werden parallel abgerufen, wenn Ihre Anwendung sie benötigt.
## Architekturkomponenten
+ **Originalbild des Containers**: Ihr in Amazon ECR gespeicherter Basiscontainer
+ **SOCI-Index-Artefakt**: Metadaten, die die Dateistruktur Ihres Images abbilden
+ **OCI-Bildindex-Manifest**: Verknüpft Ihr Originalbild und Ihren SOCI-Index
+ **Finch-Container-Laufzeit**: Ermöglicht die Lazy-Loading-Integration mit Studio
## Unterstützte Tools
| Tool | Integration |
| --- | --- |
| nerdctl | Erfordert ein Container-Setup |
| Finch CLI | Native SOCI-Unterstützung |
| Docker\$1SOCI-CLI | Zusätzliche Werkzeuge erforderlich |
**Topics**
+ [Wichtigste Vorteile](#soci-indexing-key-benefits)
+ [Wie funktioniert die SOCI-Indizierung](#soci-indexing-how-works)
+ [Architekturkomponenten](#soci-indexing-architecture-components)
+ [Unterstützte Tools](#soci-indexing-supported-tools)
+ [Berechtigungen für die SOCI-Indizierung](soci-indexing-setup.md)
+ [Erstellen Sie SOCI-Indizes mit nerdctl und einem SOCI-CLI-Beispiel](soci-indexing-example-create-indexes.md)
+ [Integrieren Sie sozi-indizierte Bilder in das Studio-Beispiel](soci-indexing-example-integrate-studio.md)
# Berechtigungen für die SOCI-Indizierung
[Erstellen Sie SOCI-Indizes für Ihre Container-Images und speichern Sie sie in Amazon ECR, bevor Sie die SOCI-Indizierung mit [Amazon SageMaker Studio](studio-updated.md) oder Amazon Unified Studio verwenden. SageMaker ](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/what-is-sagemaker-unified-studio.html)
**Topics**
+ [Voraussetzungen](#soci-indexing-setup-prerequisites)
+ [Erforderliche IAM-Berechtigungen](#soci-indexing-setup-iam-permissions)
## Voraussetzungen
+ AWS-Konto mit einer [AWS Identity and Access Management](https://docs.aws.amazon.com/IAM/latest/UserGuide/getting-started.html)(IAM-) Rolle mit Verwaltungsberechtigungen
+ [Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/what-is-ecr.html)
+ [Amazon SageMaker KI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs.html)
+ [Private Amazon ECR-Repositorys](https://docs.aws.amazon.com/AmazonECR/latest/userguide/Repositories.html) zum Speichern Ihrer Container-Images
+ [AWS CLI Version 2.0\$1](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html), konfiguriert mit entsprechenden Anmeldeinformationen
+ Die folgenden Container-Tools:
+ Erforderlich: [soci-snapshotter](https://github.com/awslabs/soci-snapshotter)
+ Optionen:
+ [nerdctl](https://github.com/containerd/nerdctl)
+ [Fink](https://github.com/runfinch/finch)
## Erforderliche IAM-Berechtigungen
Ihre IAM-Rolle benötigt Berechtigungen für:
+ SageMaker KI-Ressourcen (Domains, Bilder, App-Konfigurationen) erstellen und verwalten.
+ Sie können die [SageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html) AWS verwaltete Richtlinie verwenden. Weitere Informationen zu Berechtigungen finden Sie unter[AWS verwaltete Richtlinie: AmazonSageMakerFullAccess](security-iam-awsmanpol.md#security-iam-awsmanpol-AmazonSageMakerFullAccess).
+ [IAM-Berechtigungen für die Übertragung eines Images in ein privates Amazon ECR-Repository](https://docs.aws.amazon.com/AmazonECR/latest/userguide/image-push-iam.html).
# Erstellen Sie SOCI-Indizes mit nerdctl und einem SOCI-CLI-Beispiel
Die folgende Seite enthält ein Beispiel für die Erstellung von SOCI-Indizes mit nerdctl und SOCI CLI.
**Beispiel für das Erstellen von SOCI-Indizes**
1. Stellen Sie zunächst Ihre Variablen für die folgenden AWS CLI Befehle ein. Im Folgenden finden Sie ein Beispiel für die Einrichtung Ihrer Variablen.
```
ACCOUNT_ID="111122223333"
REGION="us-east-1"
REPOSITORY_NAME="repository-name"
ORIGINAL_IMAGE_TAG="original-image-tag"
SOCI_IMAGE_TAG="soci-indexed-image-tag"
```
Variablendefinitionen:
+ `ACCOUNT_ID`ist deine AWS-Konto ID
+ `REGION`ist das AWS-Region Ihrer privaten Amazon ECR-Registrierung
+ `REPOSITORY_NAME`ist der Name Ihrer privaten Amazon ECR-Registrierung
+ `ORIGINAL_IMAGE_TAG`ist das Tag Ihres Originalbilds
+ `SOCI_IMAGE_TAG`ist das Tag Ihres sozi-indexierten Bildes
1. Installieren Sie die erforderlichen Tools:
```
# Install SOCI CLI, containerd, and nerdctl
sudo yum install soci-snapshotter
sudo yum install containerd jq
sudo systemctl start soci-snapshotter
sudo systemctl restart containerd
sudo yum install nerdctl
```
1. Stellen Sie Ihre Registrierungsvariablen ein:
```
REGISTRY_USER=AWS
REGISTRY="$ACCOUNT_ID.dkr.ecr.$REGION.amazonaws.com"
```
1. Exportieren Sie Ihre Region und authentifizieren Sie sich bei Amazon ECR:
```
export AWS_REGION=$REGION
REGISTRY_PASSWORD=$(/usr/local/bin/aws ecr get-login-password --region $AWS_REGION)
echo $REGISTRY_PASSWORD | sudo nerdctl login -u $REGISTRY_USER --password-stdin $REGISTRY
```
1. Rufen Sie Ihr ursprüngliches Container-Image ab:
```
sudo nerdctl pull $REGISTRY/$REPOSITORY_NAME:$ORIGINAL_IMAGE_TAG
```
1. Erstellen Sie den SOCI-Index:
```
sudo nerdctl image convert --soci $REGISTRY/$REPOSITORY_NAME:$ORIGINAL_IMAGE_TAG $REGISTRY/$REPOSITORY_NAME:$SOCI_IMAGE_TAG
```
1. Push das SOCI-indizierte Bild:
```
sudo nerdctl push --platform linux/amd64 $REGISTRY/$REPOSITORY_NAME:$SOCI_IMAGE_TAG
```
Dieser Prozess erstellt zwei Artefakte für das ursprüngliche Container-Image in Ihrem ECR-Repository:
+ SOCI-Index — Metadaten ermöglichen verzögertes Laden
+ Image-Index-Manifest — OCI-konformes Manifest
# Integrieren Sie sozi-indizierte Bilder in das Studio-Beispiel
Sie müssen auf das Soci-Indexed-Image-Tag verweisen, um mit Soci-Index indizierte Bilder in Studio verwenden zu können, und nicht auf das ursprüngliche Container-Image-Tag. Verwenden Sie das Tag, das Sie bei der SOCI-Konvertierung angegeben haben (z. B. in). `SOCI_IMAGE_TAG` [Erstellen Sie SOCI-Indizes mit nerdctl und einem SOCI-CLI-Beispiel](soci-indexing-example-create-indexes.md)
**Beispiel für die Integration von SOCI-indexierten Bildern**
1. Stellen Sie zuerst Ihre Variablen für die folgenden AWS CLI Befehle ein. Im Folgenden finden Sie ein Beispiel für die Einrichtung Ihrer Variablen.
```
ACCOUNT_ID="111122223333"
REGION="us-east-1"
IMAGE_NAME="sagemaker-image-name"
IMAGE_CONFIG_NAME="sagemaker-image-config-name"
ROLE_ARN="your-role-arn"
DOMAIN_ID="domain-id"
SOCI_IMAGE_TAG="soci-indexed-image-tag"
```
Variablendefinitionen:
+ `ACCOUNT_ID`ist deine AWS-Konto ID
+ `REGION`ist das AWS-Region Ihrer privaten Amazon ECR-Registrierung
+ `IMAGE_NAME`ist der Name Ihres Bildes SageMaker
+ `IMAGE_CONFIG_NAME`ist der Name Ihrer SageMaker Image-Konfiguration
+ `ROLE_ARN`ist der ARN Ihrer Ausführungsrolle mit den unter [Erforderliche IAM-Berechtigungen](soci-indexing-setup.md#soci-indexing-setup-iam-permissions) aufgeführten Berechtigungen
+ `DOMAIN_ID`ist die [Domain-ID](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view.html)
**Anmerkung**
Wenn Sie das Image an ein SageMaker Unified Studio-Projekt anhängen und wissen möchten, welche Domain verwendet werden soll, finden Sie weitere Informationen unter [Anzeigen der mit Ihrem Projekt verknüpften SageMaker KI-Domänendetails](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain).
+ `SOCI_IMAGE_TAG`ist das Tag Ihres von Social indexierten Bildes
1. Exportiere deine Region:
```
export AWS_REGION=$REGION
```
1. Erstelle ein SageMaker Bild:
```
aws sagemaker create-image \
--image-name "$IMAGE_NAME" \
--role-arn "$ROLE_ARN"
```
1. Erstellen Sie eine SageMaker Image-Version mit Ihrem SOCI-Index-URI:
```
IMAGE_INDEX_URI="$ACCOUNT_ID.dkr.ecr.$REGION.amazonaws.com/$IMAGE_NAME:$SOCI_IMAGE_TAG"
aws sagemaker create-image-version \
--image-name "$IMAGE_NAME" \
--base-image "$IMAGE_INDEX_URI"
```
1. Erstellen Sie eine Anwendungs-Image-Konfiguration und aktualisieren Sie Ihre Amazon SageMaker AI-Domain, sodass sie das benutzerdefinierte Image für Ihre App enthält. Sie können dies für den auf Code-OSS basierenden Code-Editor, Visual Studio Code — Open Source (Code-Editor) und JupyterLab Anwendungen tun. Wählen Sie die unten stehende Anwendungsoption, um die Schritte anzuzeigen.
------
#### [ Code Editor ]
Erstellen Sie eine Anwendungs-Image-Konfiguration für den Code-Editor:
```
aws sagemaker create-app-image-config \
--app-image-config-name "$IMAGE_CONFIG_NAME" \
--code-editor-app-image-config '{ "FileSystemConfig": { "MountPath": "/home/sagemaker-user", "DefaultUid": 1000, "DefaultGid": 100 } }'
```
Aktualisieren Sie Ihre Amazon SageMaker AI-Domain, sodass sie das benutzerdefinierte Bild für den Code-Editor enthält:
```
aws sagemaker update-domain \
--domain-id "$DOMAIN_ID" \
--default-user-settings '{
"CodeEditorAppSettings": {
"CustomImages": [{
"ImageName": "$IMAGE_NAME",
"AppImageConfigName": "$IMAGE_CONFIG_NAME"
}]
}
}'
```
------
#### [ JupyterLab ]
Erstellen Sie eine Anwendungs-Image-Konfiguration für JupyterLab:
```
aws sagemaker create-app-image-config \
--app-image-config-name "$IMAGE_CONFIG_NAME" \
--jupyter-lab-app-image-config '{ "FileSystemConfig": { "MountPath": "/home/sagemaker-user", "DefaultUid": 1000, "DefaultGid": 100 } }'
```
Aktualisieren Sie Ihre Amazon SageMaker AI-Domain, sodass sie das benutzerdefinierte Bild enthält für JupyterLab:
```
aws sagemaker update-domain \
--domain-id "$DOMAIN_ID" \
--default-user-settings '{
"JupyterLabAppSettings": {
"CustomImages": [{
"ImageName": "$IMAGE_NAME",
"AppImageConfigName": "$IMAGE_CONFIG_NAME"
}]
}
}'
```
------
1. Nachdem Sie Ihre Domain so aktualisiert haben, dass sie Ihr benutzerdefiniertes Image enthält, können Sie mit Ihrem benutzerdefinierten Image eine Anwendung in Studio erstellen. Wenn Sie [Starten eines benutzerdefinierten Images in Studio](studio-updated-byoi-how-to-launch.md) sicherstellen, dass Sie Ihr benutzerdefiniertes Image verwenden.
# Trennen und Bereinigen von benutzerdefinierten Image-Ressourcen
Auf der folgenden Seite finden Sie Anweisungen zum Trennen Ihrer benutzerdefinierten Bilder und zum Bereinigen der zugehörigen Ressourcen mithilfe der Amazon SageMaker AI-Konsole oder der AWS Command Line Interface (AWS CLI).
**Wichtig**
Sie müssen zuerst Ihr benutzerdefiniertes Bild von Ihrer Domain trennen, bevor Sie das Bild aus dem SageMaker AI-Image-Speicher löschen können. Andernfalls können beim Anzeigen Ihrer Domain-Informationen oder beim Anfügen neuer benutzerdefinierter Images an Ihre Domain Fehler auftreten.
Falls beim Laden eines benutzerdefinierten Images ein Fehler auftritt, finden Sie weitere Informationen unter [Benutzerdefiniertes Image konnte nicht geladen werden](studio-updated-troubleshooting.md#studio-updated-troubleshooting-custom-image).
## Trennen und Löschen benutzerdefinierter Images (Konsole)
Im Folgenden finden Sie Anweisungen, wie Sie Ihre benutzerdefinierten Bilder von SageMaker KI trennen und Ihre benutzerdefinierten Image-Ressourcen mithilfe der Konsole bereinigen können.
**Trennen des benutzerdefinierten Images von der Domain**
1. Öffnen Sie die [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker).
1. Erweitern Sie den Abschnitt **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der **Domains** eine Domain aus.
1. Öffnen Sie die Registerkarte **Umgebung**.
1. Aktivieren Sie für **Benutzerdefinierte Images für persönliche Studio-Apps** die Kontrollkästchen für die Images, die Sie trennen möchten.
1. Wählen Sie **Trennen** aus.
1. Befolgen Sie die Anweisungen zum Trennen.
**Löschen des benutzerdefinierten Images**
1. Öffnen Sie die [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker).
1. Erweitern Sie den Abschnitt **Admin-Konfigurationen**, falls dies noch nicht geschehen ist.
1. Wählen Sie unter **Admin-Konfigurationen** die Option **Images**.
1. Wählen Sie aus der Liste der **Images** ein Image aus, das Sie löschen möchten.
1. Wählen Sie **Löschen** aus.
1. Folgen Sie den Anweisungen, um Ihr Bild und all seine Versionen aus SageMaker AI zu löschen.
**Löschen von benutzerdefinierten Images und Repository aus Amazon ECR**
**Wichtig**
Dadurch werden auch alle Container-Images und Artefakte in diesem Repository gelöscht.
1. Öffnen Sie die [Amazon-ECR-Konsole](https://console.aws.amazon.com/ecr).
1. Erweitern Sie den linken Navigationsbereich, falls dies noch nicht der Fall ist.
1. Wählen Sie unter **Private Registrierung** die Option **Repositorys** aus.
1. Wählen Sie die Repositorys aus, die Sie löschen möchten.
1. Wählen Sie **Löschen** aus.
1. Befolgen Sie die Anweisungen zum Löschen.
## Trennen und Löschen benutzerdefinierter Images (AWS CLI)
Der folgende Abschnitt zeigt ein Beispiel dafür, wie Sie Ihre benutzerdefinierten Images mit der AWS CLI trennen können.
1. Stellen Sie zunächst Ihre Variablen für die folgenden AWS CLI Befehle ein.
```
ACCOUNT_ID=account-id
REGION=aws-region
APP_IMAGE_CONFIG=app-image-config
SAGEMAKER_IMAGE_NAME=custom-image-name
```
+ `aws-region`ist die AWS-Region Ihrer Amazon SageMaker AI-Domain. Sie finden dies oben rechts auf jeder AWS Konsolenseite.
+ `app-image-config` ist der Name Ihrer Anwendungs-Image-Konfiguration. Verwenden Sie den folgenden AWS CLI Befehl, um die Anwendungs-Image-Konfigurationen in Ihrem aufzulisten AWS-Region.
```
aws sagemaker list-app-image-configs \
--region ${REGION}
```
+ `custom-image-name` ist der Name des benutzerdefinierten Images. Verwenden Sie den folgenden AWS CLI Befehl, um die Bilder in Ihrem aufzulisten AWS-Region.
```
aws sagemaker list-images \
--region ${REGION}
```
1. Um das Image und die Image-Versionen mithilfe dieser Anweisungen von Ihrer Domain zu trennen, müssen Sie eine JSON-Datei für die Domainkonfiguration erstellen oder aktualisieren.
**Anmerkung**
Wenn Sie die Anweisungen unter [Anfügen Ihres benutzerdefinierten Images an Ihre Domain](studio-updated-byoi-how-to-attach-to-domain.md) befolgt haben, haben Sie Ihre Domain möglicherweise mithilfe der Datei `update-domain.json` aktualisiert.
Wenn Sie diese Datei nicht haben, können Sie stattdessen eine neue JSON-Datei erstellen.
Erstellen Sie eine Datei mit dem Namen `update-domain.json`, mit der Sie Ihre Domain aktualisieren.
1. Um die benutzerdefinierten Images zu löschen, müssen Sie `CustomImages` leer lassen, sodass es wie folgt aussieht: `"CustomImages": []` Wählen Sie eine der folgenden Optionen, um Beispielkonfigurationsdateien für den Code-Editor oder anzuzeigen JupyterLab.
------
#### [ Code Editor: update domain configuration file example ]
Ein Beispiel für eine Konfigurationsdatei für Code Editor, unter Verwendung von [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CodeEditorAppSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CodeEditorAppSettings.html)
```
{
"DomainId": "domain-id",
"DefaultUserSettings": {
"CodeEditorAppSettings": {
"CustomImages": [
]
}
}
}
```
------
#### [ JupyterLab: update domain configuration file example ]
Ein Beispiel für eine Konfigurationsdatei für JupyterLab die Verwendung von [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_JupyterLabAppSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_JupyterLabAppSettings.html).
```
{
"DomainId": "domain-id",
"DefaultUserSettings": {
"JupyterLabAppSettings": {
"CustomImages": [
]
}
}
}
```
------
`domain-id` ist die Domain-ID, an die Ihr Image angehängt ist. Verwenden Sie den folgenden Befehl, um die Domains aufzulisten.
```
aws sagemaker list-domains \
--region ${REGION}
```
1. Speichern Sie die Datei.
1. Rufen Sie die [Update-Domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) AWS CLI mithilfe der Update-Domain-Konfigurationsdatei auf,. `update-domain.json`
**Anmerkung**
Bevor Sie die benutzerdefinierten Images aktualisieren können, müssen Sie alle **Anwendungen** in Ihrer Domain löschen. Sie müssen **keine** Benutzerprofile oder gemeinsam genutzten Bereiche löschen. Wählen Sie für Anweisungen zum Löschen von Anwendungen eine der folgenden Optionen aus.
Wenn Sie die SageMaker AI-Konsole verwenden möchten, finden Sie weitere Informationen unter. [Fahren Sie die SageMaker KI-Ressourcen in Ihrer Domain herunter](sm-console-domain-resources-shut-down.md)
Wenn Sie die verwenden möchten AWS CLI, verwenden Sie die Schritte 1 bis 3 von[Löschen Sie eine Amazon SageMaker AI-Domain (AWS CLI)](gs-studio-delete-domain.md#gs-studio-delete-domain-cli).
```
aws sagemaker update-domain \
--cli-input-json file://update-domain.json \
--region ${REGION}
```
1. Löschen Sie die App-Image-Konfiguration.
```
aws sagemaker delete-app-image-config \
--app-image-config-name ${APP_IMAGE_CONFIG}
```
1. Löschen Sie das benutzerdefinierte Image. Dadurch werden auch alle Image-Versionen gelöscht. Dadurch werden das Image und die Image-Versionen des Amazon-ECR-Containers nicht gelöscht. Führen Sie dazu die folgenden optionalen Schritte aus.
```
aws sagemaker delete-image \
--image-name ${SAGEMAKER_IMAGE_NAME}
```
1. (Optional) Löschen Sie Ihre Amazon-ECR-Ressourcen. Die folgende Liste enthält AWS CLI Befehle zum Abrufen Ihrer Amazon ECR-Ressourceninformationen für die folgenden Schritte.
1. Stellen Sie Ihre Variablen für die folgenden AWS CLI Befehle ein.
```
ECR_REPO_NAME=ecr-repository-name
```
`ecr-repository-name` ist der Name Ihres Repositorys von Amazon Elastic Container Registry.
Verwenden Sie den folgenden Befehl, um die Details Ihrer Repositorys aufzulisten.
```
aws ecr describe-repositories \
--region ${REGION}
```
1. Löschen Sie das Repository aus Amazon ECR.
**Wichtig**
Dadurch werden auch alle Container-Images und Artefakte in diesem Repository gelöscht.
```
aws ecr delete-repository \
--repository-name ${ECR_REPO_NAME} \
--force \
--region ${REGION}
```
# Lebenszykluskonfigurationen in Amazon SageMaker Studio
Lebenszykluskonfigurationen (LCCs) sind Skripts, mit denen Administratoren und Benutzer die Anpassung der folgenden Anwendungen in Ihrer Amazon SageMaker Studio-Umgebung automatisieren können:
+ Amazon SageMaker KI JupyterLab
+ Code Editor, basierend auf Code-OSS, Visual Studio Code – Open Source
+ Studio Classic
+ Notebook-Instance
Anpassen Ihrer Anwendung umfasst:
+ Installieren von benutzerdefinierten Paketen
+ Konfigurieren von Erweiterungen
+ Vorladen von Datensätzen
+ Einrichten von Quellcode-Repositorys
Benutzer erstellen integrierte Lebenszykluskonfigurationen und fügen sie ihren eigenen Benutzerprofilen hinzu. Administratoren erstellen standardmäßige oder integrierte Lebenszykluskonfigurationen auf Domain-, Bereichs- oder Benutzerprofilebene und fügen sie hinzu.
**Wichtig**
Amazon SageMaker Studio führt zuerst die integrierte Lebenszykluskonfiguration und dann das Standard-LCC aus. Amazon SageMaker AI löst keine Paketkonflikte zwischen dem Benutzer und dem Administrator LCCs. Wenn beispielsweise die integrierte LCC `python3.11` installiert und die Standard-LCC `python3.12` installiert, installiert Studio `python3.12`.
# Erstellen und Anfügen von Lebenszykluskonfigurationen
Sie können Lebenszykluskonfigurationen entweder mit dem AWS-Managementkonsole oder dem erstellen und anhängen AWS Command Line Interface.
**Topics**
+ [Erstellen und Anfügen von Lebenszykluskonfigurationen (AWS CLI)](#studio-lifecycle-configurations-create-cli)
+ [Erstellen und Anfügen von Lebenszykluskonfigurationen (Konsole)](#studio-lifecycle-configurations-create-console)
## Erstellen und Anfügen von Lebenszykluskonfigurationen (AWS CLI)
**Wichtig**
Stellen Sie vor Beginn sicher, dass die folgenden Voraussetzungen erfüllt sind:
Aktualisieren Sie das, AWS CLI indem Sie den Schritten unter [Installation der aktuellen AWS CLI Version](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) folgen.
Führen Sie das Programm von Ihrem lokalen Computer aus `aws configure` und geben Sie Ihre AWS Anmeldeinformationen ein. Informationen zu AWS Anmeldeinformationen finden Sie unter [Ihre AWS Anmeldeinformationen verstehen und abrufen](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
Integrieren Sie die Amazon SageMaker AI-Domain. Weitere konzeptuelle Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md). Eine Schnellstartanleitung finden Sie unter [Verwenden Sie das Schnell-Setup für Amazon SageMaker AI](onboard-quick-start.md).
Das folgende Verfahren zeigt, wie Sie ein Lebenszyklus-Konfigurationsskript erstellen, das `Hello World` im Code-Editor oder gedruckt wird JupyterLab.
**Anmerkung**
Jedes Skript kann bis zu **16.384 Zeichen** enthalten.
1. Erstellen Sie auf Ihrem lokalen Rechner eine Datei namens `my-script.sh` mit folgendem Inhalt:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Gehen Sie wie folgt vor, um Ihre `my-script.sh`-Datei in das base64-Format zu konvertieren. Diese Anforderung verhindert Fehler, die bei der Kodierung von Abständen und Zeilenumbrüchen auftreten.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Erstellen Sie eine Lebenszykluskonfiguration für die Verwendung mit Studio. Der folgende Befehl erstellt eine Lebenszykluskonfiguration, die ausgeführt wird, wenn Sie eine zugehörige `JupyterLab`-Anwendung starten.
```
aws sagemaker create-studio-lifecycle-config \
--region region \
--studio-lifecycle-config-name my-lcc \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type application-type
```
Geben Sie für `studio-lifecycle-config-app-type` entweder *CodeEditor* oder *JupyterLab* an.
**Anmerkung**
Der ARN der neu erstellten Lebenszykluskonfiguration, die zurückgegeben wird. Dieser ARN ist erforderlich, um die Lebenszykluskonfiguration an Ihre Anwendung anzuhängen.
Um sicherzustellen, dass die Umgebungen ordnungsgemäß angepasst sind, verwenden Benutzer und Administratoren unterschiedliche Befehle, um Lebenszykluskonfigurationen anzufügen.
### Anfügen standardmäßiger Lebenszykluskonfigurationen (Administrator)
Um die Lebenszykluskonfiguration anzuhängen, müssen Sie die `UserSettings` für Ihre Domain oder Ihr Benutzerprofil aktualisieren. Skripte zur Lebenszykluskonfiguration, die auf Domainebene verknüpft sind, werden von allen Benutzern übernommen. Skripte, die auf Benutzerprofilebene verknüpft sind, sind jedoch auf einen bestimmten Benutzer beschränkt.
Sie können ein neues Benutzerprofil, eine neue Domain oder einen neuen Bereich mit angefügter Lebenszykluskonfiguration mithilfe der folgenden Befehle erstellen:
+ [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html)
+ [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html)
+ [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html)
Der folgende Befehl erstellt ein Benutzerprofil mit einer Lebenszykluskonfiguration für eine JupyterLab Anwendung. Fügen Sie den ARN für die Lebenszykluskonfiguration aus dem vorangegangenen Schritt zu den `JupyterLabAppSettings` des Benutzers hinzu. Sie können mehrere Lebenszykluskonfigurationen gleichzeitig hinzufügen, indem Sie eine Liste mit diesen übergeben. Wenn ein Benutzer eine JupyterLab Anwendung mit dem startet AWS CLI, kann er eine Lebenszykluskonfiguration angeben, anstatt die Standardkonfiguration zu verwenden. Die Lebenszykluskonfiguration, die der Benutzer übergibt, muss zur Liste der Lebenszykluskonfigurationen in `JupyterLabAppSettings` gehören.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
Der folgende Befehl erstellt ein Benutzerprofil mit einer Lebenszykluskonfiguration für eine Code-Editor-Anwendung. Fügen Sie den ARN für die Lebenszykluskonfiguration aus dem vorangegangenen Schritt zu den `CodeEditorAppSettings` des Benutzers hinzu. Sie können mehrere Lebenszykluskonfigurationen gleichzeitig hinzufügen, indem Sie eine Liste mit diesen übergeben. Wenn ein Benutzer eine Code-Editor-Anwendung mit der AWS CLI startet, kann er eine Lebenszykluskonfiguration angeben, anstatt die Standardkonfiguration zu verwenden. Die Lebenszykluskonfiguration, die der Benutzer übergibt, muss zur Liste der Lebenszykluskonfigurationen in `CodeEditorAppSettings` gehören.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"CodeEditorAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
### Anfügen integrierter Lebenszykluskonfigurationen (Benutzer)
Um die Lebenszykluskonfiguration anzuhängen, müssen Sie die `UserSettings` für Ihr Benutzerprofil aktualisieren.
Der folgende Befehl erstellt ein Benutzerprofil mit einer Lebenszykluskonfiguration für eine JupyterLab Anwendung. Fügen Sie den ARN für die Lebenszykluskonfiguration aus dem vorangegangenen Schritt zu den `JupyterLabAppSettings` des Benutzerprofils hinzu.
```
# Update a UserProfile
aws sagemaker update-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"BuiltInLifecycleConfigArn":"lifecycle-configuration-arn"
}
}'
```
Der folgende Befehl erstellt ein Benutzerprofil mit einer Lebenszykluskonfiguration für eine Code-Editor-Anwendung. Fügen Sie den ARN für die Lebenszykluskonfiguration aus dem vorangegangenen Schritt zu den `CodeEditorAppSettings` des Benutzerprofils hinzu. Die Lebenszykluskonfiguration, die der Benutzer übergibt, muss zur Liste der Lebenszykluskonfigurationen in `CodeEditorAppSettings` gehören.
```
# Update a UserProfile
aws sagemaker update-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"CodeEditorAppSettings": {
"BuiltInLifecycleConfigArn":"lifecycle-configuration-arn"
}
}'
```
## Erstellen und Anfügen von Lebenszykluskonfigurationen (Konsole)
Um Lebenszykluskonfigurationen in der zu erstellen und anzuhängen AWS-Managementkonsole, navigieren Sie zur [Amazon SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker) und wählen Sie in der linken Navigationsleiste **Lebenszykluskonfigurationen** aus. Die Konsole führt Sie durch den Prozess der Erstellung der Lebenszykluskonfiguration.
# Konfigurationen für den Debug-Lebenszyklus
In den folgenden Themen erfahren Sie, wie Sie Informationen über Ihre Lebenszykluskonfigurationen abrufen und debuggen.
**Topics**
+ [Überprüfen Sie den Prozess der Lebenszykluskonfiguration anhand der Protokolle CloudWatch](#studio-lifecycle-configurations-debug-logs)
+ [Timeout für die Lebenszykluskonfiguration](studio-lifecycle-configurations-debug-timeout.md)
## Überprüfen Sie den Prozess der Lebenszykluskonfiguration anhand der Protokolle CloudWatch
Lebenszykluskonfigurationen protokollieren nur `STDOUT` und `STDERR`.
`STDOUT` ist die Standardausgabe für Bash-Skripte. Sie können in `STDERR` schreiben, indem Sie `>&2` an das Ende eines Bash-Befehls anhängen. Beispiel, `echo 'hello'>&2`.
Protokolle für Ihre Lebenszykluskonfigurationen werden auf Amazon veröffentlicht, wenn Sie Amazon AWS-Konto verwenden CloudWatch. Diese Protokolle finden Sie im `/aws/sagemaker/studio` Protokollstream in der CloudWatch Konsole.
1. Öffnen Sie die CloudWatch Konsole unter [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Wählen Sie im linken Navigationsbereich **Protokolle** aus. Wählen Sie im Dropdown-Menü **Protokollgruppen** aus.
1. Suchen Sie auf der Seite **Protokollgruppen** nach `aws/sagemaker/studio`.
1. Wählen Sie die -Protokollgruppe aus.
1. Wählen Sie auf der Seite mit den **Details zur Protokollgruppe** die Registerkarte **Protokollstreams** aus.
1. Um die Protokolle für einen bestimmten Bereich und eine bestimmte App zu finden, suchen Sie die Protokollstreams im folgenden Format:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Um beispielsweise die Protokolle der Lebenszykluskonfiguration für Domain-ID `d-m85lcu8vbqmz`, Bereichsname `i-sonic-js` und Anwendungstyp `JupyterLab` zu finden, verwenden Sie die folgende Suchzeichenfolge:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
1. Wählen Sie den mit `LifecycleConfigOnStart` angehängten Protokollstream aus, um die Protokolle der Skriptausführung anzuzeigen.
# Timeout für die Lebenszykluskonfiguration
Für die Lebenszykluskonfiguration gilt ein Timeout von 5 Minuten. Wenn die Ausführung eines Skripts zur Lebenszykluskonfiguration länger als 5 Minuten dauert, wird ein Fehler ausgegeben.
Um diesen Fehler zu beheben, stellen Sie sicher, dass das Skript einer Lebenszykluskonfiguration in weniger als 5 Minuten abgeschlossen ist.
Gehen Sie zum Reduzieren der Laufzeit von Skripten wie folgt vor:
+ Reduzieren Sie unnötige Schritte. Schränken Sie zum Beispiel ein, in welchen conda-Umgebungen große Pakete installiert werden sollen.
+ Führen Sie Aufgaben in parallelen Prozessen aus.
+ Verwenden Sie den Befehl „nohup“ in Ihrem Skript, um sicherzustellen, dass hangup-Signale ignoriert werden, sodass das Skript ohne Unterbrechung ausgeführt wird.
# Amazon SageMaker Studio-Räume
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich auf die Verwendung der aktualisierten Studio-Erfahrung. Informationen zur Verwendung der Studio-Classic-Anwendung finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
Spaces werden verwendet, um den Speicher- und Ressourcenbedarf einiger Amazon SageMaker Studio-Anwendungen zu verwalten. Jeder Bereich besteht aus mehreren Ressourcen und kann entweder privat oder gemeinsam genutzt werden. Jeder Bereich hat eine 1:1-Beziehung zu einer Instance einer Anwendung. Jede unterstützte Anwendung, die erstellt wird, erhält ihren eigenen Bereich. Die folgenden Anwendungen in Studio werden auf Bereichen ausgeführt:
+ [Code-Editor in Amazon SageMaker Studio](code-editor.md)
+ [SageMaker JupyterLab](studio-updated-jl.md)
+ [Amazon SageMaker Studio Klassisch](studio.md)
Ein Bereich besteht aus den folgenden Ressourcen:
+ einem Speicher-Volume.
+ Bei Studio Classic ist der Bereich mit dem gemeinsam genutzten Volume von Amazon Elastic File System (Amazon EFS) für die Domain verbunden.
+ Für andere Anwendungen wird ein eigenes Volume von Amazon Elastic Block Store (Amazon EBS) an den Bereich angefügt. Alle Anwendungen erhalten ein eigenes Amazon-EBS-Volume. Anwendungen haben keinen Zugriff auf das Amazon-EBS-Volume anderer Anwendungen. Weitere Informationen über Amazon-EBS-Volumes finden Sie unter [Amazon Elastic Block Store (Amazon EBS)](https://docs.aws.amazon.com//AWSEC2/latest/UserGuide/AmazonEBS.html).
+ Der Anwendungstyp des Bereichs.
+ Das Image, auf dem die Anwendung basiert.
Bereiche können entweder privat oder gemeinsam genutzt werden:
+ **Privat**: Private Bereiche sind auf einen einzelnen Benutzer in einer Domain beschränkt. Private Bereiche können nicht mit anderen Benutzern geteilt werden. Alle Anwendungen, die Bereiche unterstützen, unterstützen auch private Bereiche.
+ **Gemeinsam genutzt**: Gemeinsam genutzte Bereiche sind für alle Benutzer in der Domain zugänglich. Weitere Informationen zur Datenfreigabe finden Sie unter [Zusammenarbeit mit gemeinsam genutzten Räumen](domain-space.md).
Bereiche können in Domänen erstellt werden, die entweder die AWS IAM Identity Center oder AWS Identity and Access Management (IAM) -Authentifizierung verwenden. Die folgenden Abschnitte bieten allgemeine Informationen zum Zugriff auf Bereiche. Spezifische Informationen zum Erstellen und Zugreifen auf einen Bereich finden Sie in der Dokumentation für den jeweiligen Anwendungstyp des Bereichs, den Sie erstellen.
Informationen zum Anzeigen, Stoppen oder Löschen Ihrer Anwendungen, Instances oder Bereiche finden Sie unter [Stoppen und Löschen Ihrer laufenden Studio-Anwendungen und -Bereiche](studio-updated-running-stop.md).
**Topics**
+ [Starten von Bereichen](studio-updated-spaces-access.md)
+ [Zusammenarbeit mit gemeinsam genutzten Räumen](domain-space.md)
# Starten von Bereichen
Die folgenden Abschnitte bieten allgemeine Informationen zum Zugriff auf Bereiche in einer Domain. Auf Bereiche kann auf eine der folgenden Arten zugegriffen werden:
+ von der Amazon SageMaker AI-Konsole
+ über Studio
+ mit dem AWS CLI
## Über die Amazon SageMaker AI-Konsole auf Bereiche zugreifen
**So greifen Sie von der Amazon SageMaker AI-Konsole aus auf Bereiche zu**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain aus, die die Bereiche enthält.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Bereichsverwaltung** aus. Weitere Informationen zum Verwaltung von Bereichen finden Sie unter [Zusammenarbeit mit gemeinsam genutzten Räumen](domain-space.md).
1. Wählen Sie aus der Liste der Bereiche für diese Domain den Bereich aus, den Sie starten möchten.
1. Wählen Sie **Studio starten** für den Bereich aus, den Sie starten möchten.
## Zugreifen auf Bereiche von Studio aus
Gehen Sie wie folgt vor, um von Studio aus auf Bereiche für einen bestimmten Anwendungstyp zuzugreifen.
**So greifen Sie von Studio aus auf Bereiche zu**
1. Öffnen Sie Studio, indem Sie die Schritte in [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md) befolgen.
1. Wählen Sie den Anwendungstyp mit Bereichen aus, auf die Sie zugreifen möchten.
## Zugreifen auf Bereiche mit dem AWS CLI
In den folgenden Abschnitten wird gezeigt, wie Sie über das AWS Command Line Interface (AWS CLI) auf ein Leerzeichen zugreifen. Die Verfahren gelten für Domänen, die AWS Identity and Access Management (IAM) oder AWS IAM Identity Center Authentifizierung verwenden.
### IAM-Authentifizierung
Im folgenden Verfahren wird allgemein beschrieben, wie Sie mithilfe der IAM-Authentifizierung über die AWS CLI auf einen Bereich zugreifen.
1. Erstellen Sie eine vorsignierte Domain-URL, die den Namen des Bereichs angibt, auf den Sie zugreifen möchten.
```
aws \
--region region \
sagemaker \
create-presigned-domain-url \
--domain-id domain-id \
--user-profile-name user-profile-name \
--space-name space-name
```
1. Navigieren Sie zur URL.
### Zugreifen auf einen Bereich in der Authentifizierung von IAM Identity Center
Im folgenden Verfahren wird beschrieben, wie Sie mithilfe der Authentifizierung von IAM Identity Center über die AWS CLI auf einen Bereich zugreifen.
1. Verwenden Sie den folgenden Befehl, um die dem Bereich zugeordnete URL zurückzugeben.
```
aws \
--region region \
sagemaker \
describe-space \
--domain-id domain-id \
--space-name space-name
```
1. Hängen Sie den entsprechenden Umleitungsparameter für den Anwendungstyp an die URL an, die über IAM Identity Center verbunden werden soll. Weitere Informationen zu den Umleitungsparametern finden Sie unter [describe-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/describe-space.html).
1. Navigieren Sie zur URL, die über IAM Identity Center verbunden werden soll.
# Zusammenarbeit mit gemeinsam genutzten Räumen
Ein gemeinsam genutzter Amazon SageMaker Studio Classic-Bereich besteht aus einer gemeinsam genutzten JupyterServer Anwendung und einem gemeinsamen Verzeichnis. Ein JupyterLab gemeinsam genutzter Bereich besteht aus einer gemeinsam genutzten JupyterLab Anwendung und einem gemeinsamen Verzeichnis innerhalb von Amazon SageMaker Studio. Alle Benutzerprofile in einer Domain haben Zugriff auf alle gemeinsam genutzten Bereiche in der Domain. Amazon SageMaker AI bestimmt automatisch den Umfang von Ressourcen in einem gemeinsam genutzten Bereich im Kontext der Amazon SageMaker Studio Classic-Anwendung, die Sie in diesem gemeinsam genutzten Bereich starten. Zu den Ressourcen in einem gemeinsam genutzten Bereich gehören Notebooks, Dateien, Experimente und Modelle. Nutzen Sie gemeinsam genutzte Bereiche, um mithilfe von Funktionen wie automatischem Tagging, gemeinsamer Bearbeitung von Notebooks in Echtzeit und Anpassung mit anderen Benutzern in Echtzeit zusammenzuarbeiten.
Gemeinsam genutzte Bereiche sind verfügbar in:
+ Amazon SageMaker Studio Klassisch
+ JupyterLab
Ein gemeinsam genutzter Studio Classic-Bereich unterstützt nur Studio Classic und KernelGateway Anwendungen. Ein gemeinsam genutzter Bereich unterstützt nur die Verwendung eines Amazon-Ressourcennamens (ARN) mit JupyterLab 3 Bildern. Weitere Informationen finden Sie unter [JupyterLab Versionierung in Amazon SageMaker Studio Classic](studio-jl.md).
Amazon SageMaker AI kennzeichnet automatisch alle SageMaker KI-Ressourcen, die Sie im Rahmen eines gemeinsam genutzten Bereichs erstellen. Sie können diese Tags verwenden, um Kosten zu überwachen und Budgets mithilfe von Tools zu planen, wie z. AWS Budgets
Ein gemeinsam genutzter Bereich verwendet dieselben VPC-Einstellungen wie die Domain, in der er erstellt wurde.
**Anmerkung**
Gemeinsam genutzte Bereiche unterstützen die Verwendung von kontenübergreifenden Amazon SageMaker Data Wrangler- oder Amazon EMR-Clustern nicht.
**Automatisches Tagging**
Alle in einem gemeinsam genutzten Bereich erstellten Ressourcen werden automatisch mit einem Domain-ARN-Tag und einem ARN-Tag für den gemeinsam genutzten Bereich markiert. Das Domain-ARN-Tag basiert auf der Domain-ID, während das ARN-Tag für den gemeinsam genutzten Bereich auf dessen Namen basiert.
Sie können diese Tags verwenden, um die Nutzung zu überwachen. AWS CloudTrail Weitere Informationen finden Sie unter [ SageMaker Amazon-API-Aufrufe protokollieren mit AWS CloudTrail](https://docs.aws.amazon.com//sagemaker/latest/dg/logging-using-cloudtrail.html).
Sie können diese Tags auch verwenden, um die Kosten zu überwachen AWS Fakturierung und Kostenmanagement. Weitere Informationen finden Sie unter [Verwenden von AWS Kostenzuordnungs-Tags](https://docs.aws.amazon.com//awsaccountbilling/latest/aboutv2/cost-alloc-tags.html).
**Gemeinsame Bearbeitung von Notebooks in Echtzeit**
Ein entscheidender Vorteil eines gemeinsam genutzten Bereichs besteht darin, dass er die Zusammenarbeit zwischen Mitgliedern des gemeinsam genutzten Bereichs in Echtzeit erleichtert. Benutzer, die in einem Workspace zusammenarbeiten, erhalten Zugriff auf eine gemeinsam genutzte Studio-Classic-Anwendung, mit der sie in Echtzeit auf ihre Notebooks zugreifen, sie lesen und bearbeiten können. Die Zusammenarbeit in Echtzeit wird nur für JupyterServer Anwendungen in einem gemeinsam genutzten Bereich unterstützt.
Benutzer mit Zugriff auf einen gemeinsam genutzten Bereich können gleichzeitig Jupyter-Notebooks im gemeinsam genutzten Studio Classic oder in der JupyterLab Anwendung in diesem Bereich öffnen, anzeigen, bearbeiten und ausführen.
Das Notebook kennzeichnet jeden Benutzer, der ihn gemeinsam bearbeitet, mit einem anderen Cursor, der den Namen des Benutzerprofils anzeigt. Zwar können mehrere Benutzer dasselbe Notebook ansehen, die gemeinsame Bearbeitung eignet sich jedoch am besten für kleine Gruppen von zwei bis fünf Benutzern.
Um Änderungen nachzuverfolgen, die von mehreren Benutzern vorgenommen wurden, empfehlen wir dringend, die integrierte Git-basierte Versionskontrolle von Studio Classic zu verwenden.
**JupyterServer 2**
Für die Verwendung von gemeinsam genutzten Bereichen in Studio Classic ist Jupyter Server Version 2 erforderlich. Bei bestimmten JupyterLab Erweiterungen und Paketen kann ein Downgrade von Jupyter Server auf Version 1 erzwungen werden. Dies verhindert die Verwendung von gemeinsam genutztem Speicherplatz. Führen Sie an der Befehlszeile den folgenden Befehl aus, um die Versionsnummer zu ändern und gemeinsam genutzte Bereiche weiterhin zu verwenden.
```
conda activate studio
pip install jupyter-server==2.0.0rc3
```
**Passen Sie einen gemeinsam genutzten Bereich an**
Um eine Lebenszykluskonfiguration oder ein benutzerdefiniertes Image an einen gemeinsam genutzten Bereich anzuhängen, müssen Sie den AWS CLI verwenden. Weitere Informationen zum Erstellen und Verwalten einer Lebenszyklus-Konfiguration finden Sie unter [Eine Lebenszykluskonfiguration erstellen und mit Amazon SageMaker Studio Classic verknüpfen](studio-lcc-create.md). Weitere Informationen zum Erstellen und Anhängen von benutzerdefinierten Bildern finden Sie unter [Benutzerdefinierte Bilder in Amazon SageMaker Studio Classic](studio-byoi.md).
# Erstellen Sie einen gemeinsamen Bereich
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Das folgende Thema zeigt, wie Sie einen gemeinsamen Bereich in einer vorhandenen Amazon SageMaker AI-Domain erstellen. Wenn Sie Ihre Domain ohne Unterstützung für gemeinsam genutzte Bereiche erstellt haben, müssen Sie Ihrer bestehenden Domain Unterstützung für gemeinsam genutzte Bereiche hinzufügen, bevor Sie einen gemeinsam genutzten Bereich erstellen können.
**Topics**
+ [Hinzufügen von Unterstützung für einen gemeinsam genutzten Bereich zu einer bestehenden Domain](#domain-space-add)
+ [Erstellen Sie einen gemeinsamen Bereich](#domain-space-create-app)
## Hinzufügen von Unterstützung für einen gemeinsam genutzten Bereich zu einer bestehenden Domain
Sie können die SageMaker AI-Konsole oder die verwenden AWS CLI , um einer vorhandenen Domain Unterstützung für gemeinsam genutzte Bereiche hinzuzufügen. Wenn die Domain `VPC only`-Netzwerkzugriff verwendet, können Sie die Unterstützung für gemeinsam genutzte Bereiche nur mit der AWS CLI hinzufügen.
### Konsole
Gehen Sie wie folgt vor, um einer vorhandenen Domain von der SageMaker AI-Konsole aus Unterstützung für gemeinsam genutzte Studio Classic-Bereiche hinzuzufügen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain aus, für die Sie die Seite mit den **Domaineinstellungen** öffnen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** **Domaineinstellungen** aus.
1. Wählen Sie **Bearbeiten** aus.
1. Legen Sie für die **Standard-Ausführungsrolle des Bereichs** eine IAM-Rolle fest, die standardmäßig für alle in der Domain erstellten gemeinsam genutzten Bereiche verwendet wird.
1. Wählen Sie **Weiter**.
1. Wählen Sie **Weiter**.
1. Wählen Sie **Weiter**.
1. Wählen Sie **Absenden**.
### AWS CLI
------
#### [ Studio Classic ]
Führen Sie den folgenden Befehl vom Terminal Ihres lokalen Computers aus, um einer Domain aus die AWS CLI-Standardeinstellungen für Shared Space hinzuzufügen. Wenn Sie einer Domain innerhalb einer Amazon VPC Standardeinstellungen für gemeinsam genutzte Bereiche hinzufügen, müssen Sie auch eine Liste von Sicherheitsgruppen hinzufügen. In Studio Classic Shared Spaces wird nur die Verwendung von JupyterLab 3 Bildern unterstützt ARNs. Weitere Informationen finden Sie unter [JupyterLab Versionierung in Amazon SageMaker Studio Classic](studio-jl.md).
```
# Public Internet domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn,JupyterServerAppSettings={DefaultResourceSpec={InstanceType=example-instance-type,SageMakerImageArn=sagemaker-image-arn}}"
# VPCOnly domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn,JupyterServerAppSettings={DefaultResourceSpec={InstanceType=system,SageMakerImageArn=sagemaker-image-arn}},SecurityGroups=[security-groups]"
```
Verwenden Sie den folgenden Befehl, um sicherzustellen, dass die Standardeinstellungen für gemeinsam genutzte Bereiche aktualisiert wurden.
```
aws --region region \
sagemaker describe-domain \
--domain-id domain-id
```
------
#### [ JupyterLab ]
Führen Sie den folgenden Befehl vom Terminal Ihres lokalen Computers aus, um einer Domain aus die AWS CLI-Standardeinstellungen für Shared Space hinzuzufügen. Wenn Sie einer Domain innerhalb einer Amazon VPC Standardeinstellungen für gemeinsam genutzte Bereiche hinzufügen, müssen Sie auch eine Liste von Sicherheitsgruppen hinzufügen. Gemeinsam genutzte Studio Classic-Bereiche unterstützen nur die Verwendung von JupyterLab 4 Bildern ARNs. Weitere Informationen finden Sie unter [JupyterLab Versionierung in Amazon SageMaker Studio Classic](studio-jl.md).
```
# Public Internet domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn", JupyterLabAppSettings={DefaultResourceSpec={InstanceType=example-instance-type,SageMakerImageArn=sagemaker-image-arn}}"
# VPCOnly domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn, SecurityGroups=[security-groups]"
```
Verwenden Sie den folgenden Befehl, um sicherzustellen, dass die Standardeinstellungen für gemeinsam genutzte Bereiche aktualisiert wurden.
```
aws --region region \
sagemaker describe-domain \
--domain-id domain-id
```
------
## Erstellen Sie einen gemeinsamen Bereich
In den folgenden Abschnitten wird gezeigt, wie Sie einen gemeinsam genutzten Bereich über die Amazon SageMaker AI-Konsole, Amazon SageMaker Studio oder das erstellen AWS CLI.
### Erstellen aus Studio
Gehen Sie wie folgt vor, um einen gemeinsam genutzten Bereich in einer Domain von Studio aus zu erstellen.
------
#### [ Studio Classic ]
1. Navigieren Sie zu Studio, indem Sie den Schritten unter [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md) folgen.
1. Suchen Sie in der Studio-Benutzeroberfläche den Anwendungsbereich auf der linken Seite.
1. Wählen Sie im Anwendungsbereich **Studio Classic** aus.
1. Wählen Sie **Studio-Classic-Bereich erstellen** aus.
1. Geben Sie im Popup-Fenster einen Namen für den Bereich ein.
1. Wählen Sie **Bereich erstellen** aus.
------
#### [ JupyterLab ]
1. Navigieren Sie zu Studio, indem Sie den Schritten unter [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md) folgen.
1. Suchen Sie in der Studio-Benutzeroberfläche den Anwendungsbereich auf der linken Seite.
1. Wählen Sie im Anwendungsbereich die Option **JupyterLab**.
1. Wählen Sie ** JupyterLab Bereich erstellen**
1. Geben Sie im Popup-Fenster einen Namen für den Bereich ein.
1. Wählen Sie **Bereich erstellen** aus.
------
### Aus der Konsole erstellen
Gehen Sie wie folgt vor, um von der SageMaker AI-Konsole aus einen gemeinsam genutzten Bereich in einer Domain zu erstellen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie in der Domainliste die Domain aus, für die Sie einen gemeinsamen Bereich erstellen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** **Bereichsverwaltung** aus.
1. Wählen Sie **Erstellen** aus.
1. Geben Sie einen Namen für Ihren gemeinsam genutzten Bereich ein. Die Namen von gemeinsam genutzten Bereichen innerhalb einer Domain müssen eindeutig sein. Die Ausführungsrolle für den gemeinsam genutzten Bereich ist auf die Domain-IAM-Ausführungsrolle festgelegt.
### Erstellen aus AWS CLI
In diesem Abschnitt wird erläutert, wie ein gemeinsam genutzter Bereich aus AWS CLI erstellt wird.
Sie können die Ausführungsrolle eines gemeinsam genutzten Bereichs nicht festlegen, wenn Sie ihn erstellen oder aktualisieren. Das `DefaultDomainExecRole` kann nur beim Erstellen oder Aktualisieren der Domain festgelegt werden. Shared Spaces unterstützen nur die Verwendung von JupyterLab 3 Images ARNs. Weitere Informationen finden Sie unter [JupyterLab Versionierung in Amazon SageMaker Studio Classic](studio-jl.md).
Um aus dem einen gemeinsamen Bereich zu erstellen AWS CLI, führen Sie einen der folgenden Befehle vom Terminal Ihres lokalen Computers aus.
------
#### [ Studio Classic ]
```
aws --region region \
sagemaker create-space \
--domain-id domain-id \
--space-name space-name \
--space-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "sagemaker-image-arn",
"InstanceType": "system"
}
}
}'
```
------
#### [ JupyterLab ]
```
aws --region region \
sagemaker create-space \
--domain-id domain-id \
--space-name space-name \
--ownership-settings "{\"OwnerUserProfileName\": \"user-profile-name\"}" \
--space-sharing-settings "{\"SharingType\": \"Shared\"}" \
--space-settings "{\"AppType\": \"JupyterLab\"}"
```
------
# Abrufen von Informationen zu gemeinsam genutzten Bereichen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Diese Anleitung zeigt, wie Sie mit der Amazon SageMaker AI-Konsole, Amazon SageMaker Studio oder dem auf eine Liste von gemeinsam genutzten Bereichen in einer Amazon SageMaker AI-Domain zugreifen AWS CLI. Es zeigt auch, wie Sie Details zu einem gemeinsam genutzten Bereich aus AWS CLI anzeigen können.
**Topics**
+ [Gemeinsam genutzten Räume auflisten](#domain-space-list-spaces)
+ [Details zum gemeinsam genutzten Bereich anzeigen](#domain-space-describe)
## Gemeinsam genutzten Räume auflisten
Das folgende Thema beschreibt, wie Sie eine Liste von gemeinsam genutzten Bereichen innerhalb einer Domain von der SageMaker AI-Konsole oder dem aus anzeigen können AWS CLI.
### Auflisten von gemeinsam genutzten Bereichen aus Studio
Gehen Sie wie folgt vor, um eine Liste der gemeinsam genutzten Bereiche in einer Domain von Studio aus anzuzeigen.
1. Navigieren Sie zu Studio, indem Sie den Schritten unter [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md) folgen.
1. Suchen Sie in der Studio-Benutzeroberfläche den Anwendungsbereich auf der linken Seite.
1. Wählen Sie im Anwendungsbereich **Studio Classic** oder aus **JupyterLab**. Sie können die Bereiche ansehen, die zur Ausführung des Anwendungstyps verwendet werden.
### Gemeinsam genutzte Bereiche von der Konsole aus auflisten
Gehen Sie wie folgt vor, um von der SageMaker AI-Konsole aus eine Liste der gemeinsam genutzten Bereiche in einer Domain anzuzeigen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain aus, für die Sie die Liste der gemeinsam genutzten Bereiche anzeigen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** **Bereichsverwaltung** aus.
### Listet gemeinsam genutzte Bereiche aus dem AWS CLI
Um die gemeinsam genutzten Bereiche in einer Domäne von aufzulisten AWS CLI, führen Sie den folgenden Befehl im Terminal Ihres lokalen Computers aus.
```
aws --region region \
sagemaker list-spaces \
--domain-id domain-id
```
## Details zum gemeinsam genutzten Bereich anzeigen
Im folgenden Abschnitt wird beschrieben, wie Sie Details zu gemeinsam genutzten Bereichen von der SageMaker AI-Konsole, Studio oder dem aus anzeigen können AWS CLI.
### Anzeigen von Details zum gemeinsam genutzten Bereich von Studio
Gehen Sie wie folgt vor, um die Details gemeinsam genutzter Bereiche in einer Domain von Studio aus anzuzeigen.
1. Navigieren Sie zu Studio, indem Sie den Schritten unter [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md) folgen.
1. Suchen Sie in der Studio-Benutzeroberfläche den Anwendungsbereich auf der linken Seite.
1. Wählen Sie im Anwendungsbereich **Studio Classic** oder aus **JupyterLab**. Sie können die Bereiche anzeigen, in denen die Anwendung ausgeführt wird.
1. Wählen Sie den Namen des Bereichs aus, für den Sie Details anzeigen möchten.
### Details zum gemeinsam genutzten Speicherplatz von der Konsole aus anzeigen
Mithilfe des folgenden Verfahrens können Sie die Details eines gemeinsam genutzten Bereichs von der SageMaker AI-Konsole aus anzeigen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain aus, für die Sie die Liste der gemeinsam genutzten Bereiche anzeigen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** **Bereichsverwaltung** aus.
1. Wählen Sie den Namen des Bereichs aus, um eine neue Seite mit Details zum gemeinsam genutzten Bereich zu öffnen.
### Details zum gemeinsam genutzten Speicherplatz finden Sie unter AWS CLI
Um die Details eines gemeinsam genutzten Bereichs von aus anzuzeigen AWS CLI, führen Sie den folgenden Befehl im Terminal Ihres lokalen Computers aus.
```
aws --region region \
sagemaker describe-space \
--domain-id domain-id \
--space-name space-name
```
# Bearbeiten Sie einen gemeinsam genutzten Bereich
Sie können die Details für einen Amazon SageMaker Studio Classic- oder JupyterLab Shared Space nur mit dem bearbeiten AWS CLI. Sie können die Details eines gemeinsam genutzten Bereichs nicht von der Amazon SageMaker AI-Konsole aus bearbeiten. Sie können Workspace-Attribute nur aktualisieren, wenn sich im gemeinsam genutzten Bereich keine laufenden Anwendungen befinden.
------
#### [ Studio Classic ]
Um die Details eines gemeinsam genutzten Studio Classic-Bereichs vom aus zu bearbeiten AWS CLI, führen Sie den folgenden Befehl vom Terminal Ihres lokalen Computers aus. Shared Spaces unterstützen nur die Verwendung von JupyterLab 3 Images ARNs. Weitere Informationen finden Sie unter [JupyterLab Versionierung in Amazon SageMaker Studio Classic](studio-jl.md).
```
aws --region region \
sagemaker update-space \
--domain-id domain-id \
--space-name space-name \
--query SpaceArn --output text \
--space-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "sagemaker-image-arn",
"InstanceType": "system"
}
}
}'
```
------
#### [ JupyterLab ]
Um die Details eines JupyterLab gemeinsam genutzten Bereichs vom zu bearbeiten AWS CLI, führen Sie den folgenden Befehl vom Terminal Ihres lokalen Rechners aus. Shared Spaces unterstützen nur die Verwendung von JupyterLab 4 Images. ARNs Weitere Informationen finden Sie unter [SageMaker JupyterLab](studio-updated-jl.md).
```
aws --region region \
sagemaker update-space \
--domain-id domain-id \
--space-name space-name \
--space-settings "{
"SpaceStorageSettings": {
"EbsStorageSettings": {
"EbsVolumeSizeInGb":100
}
}
}
}"
```
------
# Löschen Sie einen gemeinsam genutzten Bereich
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Das folgende Thema zeigt, wie Sie einen gemeinsam genutzten Amazon SageMaker Studio Classic-Bereich aus der Amazon SageMaker AI-Konsole löschen oder AWS CLI. Ein gemeinsam genutzter Bereich kann nur gelöscht werden, wenn er keine laufenden Anwendungen enthält.
**Topics**
+ [Konsole](#domain-space-delete-console)
+ [AWS CLI](#domain-space-delete-cli)
## Konsole
Gehen Sie wie folgt vor, um einen gemeinsam genutzten Bereich in der Amazon SageMaker AI-Domain aus der SageMaker AI-Konsole zu löschen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie in der Domainliste die Domain aus, für die Sie einen gemeinsamen Bereich erstellen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** **Bereichsverwaltung** aus.
1. Wählen Sie den Bericht aus, den Sie löschen möchten. Der gemeinsam genutzte Bereich darf keine Apps enthalten, bei denen kein Fehler aufgetreten ist.
1. Wählen Sie **Löschen**. Dies öffnet ein neues Fenster.
1. Wählen Sie **Ja, Speicherplatz löschen**.
1. Geben Sie *Löschen* in das Feld ein.
1. Wählen Sie **Space Löschen**.
## AWS CLI
Um einen gemeinsam genutzten Bereich aus dem zu löschen AWS CLI, führen Sie den folgenden Befehl vom Terminal Ihres lokalen Computers aus.
```
aws --region region \
sagemaker delete-space \
--domain-id domain-id \
--space-name space-name
```
# Weitergabe vertrauenswürdiger Identitäten mit Studio
Die Weitergabe vertrauenswürdiger Identitäten ist eine AWS IAM Identity Center Funktion, mit der Administratoren verbundener AWS Dienste Zugriff auf Servicedaten gewähren und prüfen können. Der Zugriff auf diese Daten basiert auf Benutzerattributen wie Gruppenzuordnungen. Die Einrichtung der Verbreitung vertrauenswürdiger Identitäten erfordert die Zusammenarbeit zwischen den Administratoren der verbundenen AWS Dienste und dem IAM Identity Center-Administrator. Weitere Informationen finden Sie unter [Voraussetzungen und Überlegungen](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html).
Die Administratoren von Amazon SageMaker Studio und IAM Identity Center können zusammenarbeiten, um die Dienste für die Verbreitung vertrauenswürdiger Identitäten miteinander zu verbinden. Trusted Identity Propagation erfüllt die Anforderungen von Unternehmen an die Authentifizierung über verschiedene AWS Dienste hinweg, indem Folgendes vereinfacht wird:
+ Verbessertes Auditing, das Aktionen bestimmter Benutzer nachverfolgt
+ Zugriffsmanagement für Datenwissenschaft und maschinelles Lernen durch Integration mit kompatiblen Diensten AWS
+ Compliance-Anforderungen in regulierten Branchen
Studio unterstützt die Weitergabe vertrauenswürdiger Identitäten zu Prüfungszwecken und zur Zugriffskontrolle mit verbundenen AWS Diensten. Die Weitergabe vertrauenswürdiger Identitäten in Studio behandelt Authentifizierungs- oder Autorisierungsentscheidungen nicht direkt in Studio selbst. Stattdessen werden Informationen zum Identitätskontext an kompatible Services weitergegeben, die diese Informationen für die Zugriffskontrolle verwenden können.
Wenn Sie Trusted Identity Propagation mit Studio verwenden, wird Ihre IAM Identity Center-Identität an verbundene AWS Dienste weitergegeben, wodurch detailliertere Berechtigungen und Sicherheits-Governance geschaffen werden.
**Topics**
+ [Architektur und Kompatibilität der Weitergabe vertrauenswürdiger Identitäten](trustedidentitypropagation-compatibility.md)
+ [Einrichten der Weitergabe vertrauenswürdiger Identitäten für Studio](trustedidentitypropagation-setup.md)
+ [Überwachung und Prüfung mit CloudTrail](trustedidentitypropagation-auditing.md)
+ [Benutzersitzungen im Hintergrund](trustedidentitypropagation-user-background-sessions.md)
+ [Wie stelle ich eine Verbindung zu anderen AWS Diensten her, wenn die Verbreitung vertrauenswürdiger Identitäten aktiviert ist](trustedidentitypropagation-connect-other.md)
# Architektur und Kompatibilität der Weitergabe vertrauenswürdiger Identitäten
Trusted Identity Propagation lässt AWS IAM Identity Center sich in Amazon SageMaker Studio und andere verbundene AWS Dienste integrieren, um den Identitätskontext der Benutzer dienstübergreifend zu verbreiten. Auf der folgenden Seite werden die Architektur der vertrauenswürdigen Identitätsverbreitung und die Kompatibilität mit SageMaker KI zusammengefasst. Einen umfassenden Überblick darüber, wie Trusted Identity Propagation funktioniert AWS, finden Sie unter [Trusted Identity Propagation (Übersicht](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overview.html)).
Zu den wichtigsten Komponenten der Architektur der Weitergabe vertrauenswürdiger Identitäten gehören:
+ **Weitergabe vertrauenswürdiger Identitäten**: Eine Methode zur Weitergabe des Identitätskontextes eines Benutzers zwischen Anwendungen und Services
+ **Identitätskontext**: Informationen über einen Benutzer
+ **IAM-Rollensitzung mit erweiterter Identität: Rollensitzungen** mit erweiterter Identität verfügen über einen zusätzlichen Identitätskontext, der dem aufgerufenen Dienst eine Benutzerkennung übermittelt AWS
+ **Verbundene AWS Dienste**: Andere AWS Dienste, die den Identitätskontext erkennen können, der durch vertrauenswürdige Identitätsverbreitung verbreitet wird
Die Verbreitung vertrauenswürdiger Identitäten ermöglicht es verbundenen AWS Diensten, Zugriffsentscheidungen auf der Grundlage der Identität eines Benutzers zu treffen. In Studio selbst werden IAM-Rollen eher als Träger des Identitätskontextes als für Entscheidungen zur Zugriffskontrolle verwendet. Der Identitätskontext wird an verbundene AWS Dienste weitergegeben, wo er sowohl für Zugriffskontroll- als auch für Prüfzwecke verwendet werden kann. Weitere Informationen finden Sie unter [Überlegungen zur Weitergabe vertrauenswürdiger Identitäten](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html#trustedidentitypropagation-considerations).
Wenn Sie die Verbreitung vertrauenswürdiger Identitäten mit Studio aktivieren und sich über IAM Identity Center authentifizieren, gilt Folgendes: SageMaker
+ Erfasst den Identitätskontext des Benutzers aus dem IAM Identity Center
+ Erstellt eine IAM-Rollensitzung mit verbesserter Identität, die den Identitätskontext des Benutzers beinhaltet
+ Leitet die IAM-Rollensitzung mit erweiterter Identität an kompatible AWS Dienste weiter, wenn der Benutzer auf Ressourcen zugreift
+ Ermöglicht nachgelagerten AWS Diensten, Zugriffsentscheidungen zu treffen und Aktivitäten auf der Grundlage der Benutzeridentität zu protokollieren
## Kompatible SageMaker KI-Funktionen
Die Weitergabe vertrauenswürdiger Identitäten funktioniert mit den folgenden Studio-Features:
+ Private Bereiche in [Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html) (JupyterLab und Code-Editor, basierend auf Code-OSS, Visual Studio Code — Open Source)
**Anmerkung**
Wenn Studio mit aktivierter Weitergabe vertrauenswürdiger Identitäten gestartet wird, verwendet es zusätzlich zu Ihren Ausführungsrollenberechtigungen Ihren Identitätskontext. Die folgenden Prozesse während der Instance-Einrichtung verwenden jedoch nur die Berechtigungen der Ausführungsrolle ohne den Identitätskontext: Lebenszykluskonfiguration Bring-Your-Own-Image, CloudWatch Agent für die Weiterleitung von Benutzerprotokollen.
Der [Remotezugriff](https://docs.aws.amazon.com/sagemaker/latest/dg/remote-access.html) wird derzeit bei der Weitergabe vertrauenswürdiger Identitäten nicht unterstützt.
Wenn Sie Operationen zum Übernehmen von Rollen in Studio-Notebooks verwenden, geben die übernommenen Rollen keinen vertrauenswürdigen Identitätsverbreitungskontext weiter. Nur die ursprüngliche Ausführungsrolle behält den Identitätskontext bei.
+ [SageMakerSchulung](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html)
+ [SageMakerVerarbeitung](https://docs.aws.amazon.com/sagemaker/latest/dg/processing-job.html)
+ [SageMaker KI-Echtzeit-Hosting](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints-options.html)
+ [SageMakerRohrleitungen](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-overview.html)
+ [SageMakerInferenz in Echtzeit](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)
+ [SageMakerAsynchrone Inferenz](https://docs.aws.amazon.com/sagemaker/latest/dg/async-inference.html)
+ [Verwaltet MLflow](https://docs.aws.amazon.com/sagemaker/latest/dg/mlflow.html)
## Kompatible AWS Dienste
Trusted Identity Propagation für Amazon SageMaker Studio lässt sich in kompatible AWS Dienste integrieren, bei denen die Weitergabe vertrauenswürdiger Identitäten aktiviert ist. Eine umfassende Liste mit Beispielen zur Aktivierung der Weitergabe vertrauenswürdiger Identitäten finden Sie unter [Anwendungsfälle](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-integrations.html). Zu den mit der Weitergabe vertrauenswürdiger Identitäten kompatiblen Services gehören die folgenden.
+ [Amazon Athena](https://docs.aws.amazon.com/athena/latest/ug/workgroups-identity-center.html)
+ [Amazon EMR auf EC2](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-idc-start.html)
+ [EMR Serverlos](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-service-trusted-prop.html)
+ [AWS Lake Formation](https://docs.aws.amazon.com/lake-formation/latest/dg/identity-center-integration.html)
+ [Amazon Redshift-Daten-API](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-trusted-identity-propagation.html)
+ Amazon S3 (über [Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants-get-started.html))
+ [AWS Glue -Verbindungen](https://docs.aws.amazon.com/glue/latest/dg/security-trusted-identity-propagation.html)
Wenn die Verbreitung vertrauenswürdiger Identitäten mit SageMaker KI aktiviert ist, ist jeder andere AWS Dienst mit aktivierter vertrauenswürdiger Identitätsverbreitung verbunden. Sobald sie verbunden sind, erkennen sie den Identitätskontext des Benutzers und verwenden ihn für die Zugriffskontrolle und Prüfung.
## Wird unterstützt AWS-Regionen
Studio unterstützt die Weitergabe vertrauenswürdiger Identitäten, sofern [IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/regions.html) und Studio mit Authentifizierung von IAM Identity Center unterstützt werden. Studio unterstützt die Weitergabe vertrauenswürdiger Identitäten in den folgenden Bereichen AWS-Regionen:
+ af-south-1
+ ap-east-1
+ ap-northeast-1
+ ap-northeast-2
+ ap-northeast-3
+ ap-south-1
+ ap-southeast-1
+ ap-southeast-2
+ ap-southeast-3
+ ca-central-1
+ eu-central-1
+ eu-central-2
+ eu-north-1
+ eu-south-1
+ eu-west-1
+ eu-west-2
+ eu-west-3
+ il-central-1
+ me-south-1
+ sa-east-1
+ us-east-1
+ us-east-2
+ us-west-1
+ us-west-2
# Einrichten der Weitergabe vertrauenswürdiger Identitäten für Studio
Um Trusted Identity Propagation für Amazon SageMaker Studio einzurichten, muss für Ihre Amazon SageMaker AI-Domain die IAM Identity Center-Authentifizierungsmethode konfiguriert sein. Dieser Abschnitt führt Sie durch die Voraussetzungen und Schritte, die erforderlich sind, um die Weitergabe vertrauenswürdiger Identitäten für Ihre Studio-Benutzer zu aktivieren und zu konfigurieren.
**Topics**
+ [Voraussetzungen](#trustedidentitypropagation-setup-prerequisites)
+ [Aktivieren Sie die Verbreitung vertrauenswürdiger Identitäten für Ihre Amazon SageMaker AI-Domain](#trustedidentitypropagation-setup-enable)
+ [Konfigurieren Sie Ihre SageMaker AI-Ausführungsrolle](#trustedidentitypropagation-setup-permissions)
## Voraussetzungen
Bevor Sie Trusted Identity Propagation für SageMaker KI einrichten, richten Sie Ihr IAM Identity Center anhand der folgenden Anweisungen ein.
**Anmerkung**
Stellen Sie sicher, dass sich Ihr IAM Identity Center und Ihre Domain in derselben Region befinden.
+ [Voraussetzungen für die Weitergabe vertrauenswürdiger Identitäten des IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html#trustedidentitypropagation-prerequisites)
+ [Richten Sie IAM Identity Center ein](https://docs.aws.amazon.com/singlesignon/latest/userguide/getting-started.html)
+ [Hinzufügen von Benutzern zum Verzeichnis von IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/addusers.html)
## Aktivieren Sie die Verbreitung vertrauenswürdiger Identitäten für Ihre Amazon SageMaker AI-Domain
**Wichtig**
Sie können die Weitergabe vertrauenswürdiger Identitäten nur für Domains aktivieren, für die die AWS IAM Identity Center -Authentifizierungsmethode konfiguriert ist.
Ihr IAM Identity Center und Ihre Amazon SageMaker AI-Domain müssen sich in derselben AWS-Region befinden.
Verwenden Sie eine der folgenden Optionen, um zu erfahren, wie Sie die Weitergabe vertrauenswürdiger Identitäten für eine neue oder bestehende Domain aktivieren.
------
#### [ New domain - console ]
**Aktivieren Sie mithilfe der SageMaker AI-Konsole die Verbreitung vertrauenswürdiger Identitäten für eine neue Domain**
1. Öffnen Sie die [Amazon SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker).
1. Navigieren Sie zu **Domains**.
1. [Erstellen Sie eine benutzerdefinierte Domain](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-custom.html). Für die Domain muss die **AWS IAM Identity Center**-Authentifizierungsmethode konfiguriert sein.
1. Wählen Sie im Abschnitt **Weitergabe vertrauenswürdiger Identitäten** die Option **Weitergabe vertrauenswürdiger Identitäten für alle Benutzer in dieser Domain aktivieren** aus.
1. Schließen Sie den benutzerdefinierten Erstellungsprozess ab.
------
#### [ Existing domain - console ]
**Aktivieren Sie mithilfe der SageMaker AI-Konsole die Verbreitung vertrauenswürdiger Identitäten für eine bestehende Domain**
**Anmerkung**
Damit die Verbreitung vertrauenswürdiger Identitäten ordnungsgemäß funktioniert, nachdem sie für eine bestehende Domain aktiviert wurde, müssen Benutzer ihre bestehenden IAM Identity Center-Sitzungen neu starten. Gehen Sie dazu entweder wie folgt vor:
Benutzer müssen sich ab- und wieder bei ihren bestehenden IAM Identity Center-Sitzungen anmelden
Administratoren können [aktive Sitzungen für ihre Workforce-Benutzer beenden](https://docs.aws.amazon.com/singlesignon/latest/userguide/end-active-sessions.html).
1. Öffnen Sie die [Amazon SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker).
1. Navigieren Sie zu **Domains**.
1. Wählen Sie Ihre bestehende Domain aus. Für die Domain muss die **AWS IAM Identity Center**-Authentifizierungsmethode konfiguriert sein.
1. Wählen Sie auf der Registerkarte **Domaineinstellungen** im Abschnitt **Authentifizierung und Berechtigungen** die Option **Bearbeiten** aus.
1. Wählen Sie, ob **die Weitergabe vertrauenswürdiger Identitäten für alle Benutzer in dieser Domain aktiviert** werden soll.
1. Schließen Sie die Domainkonfiguration ab.
------
#### [ Existing domain - AWS CLI ]
Aktivieren Sie die Verbreitung vertrauenswürdiger Identitäten für eine bestehende Domain mithilfe der AWS CLI
**Anmerkung**
Damit die Verbreitung vertrauenswürdiger Identitäten ordnungsgemäß funktioniert, nachdem sie für eine bestehende Domain aktiviert wurde, müssen Benutzer ihre bestehenden IAM Identity Center-Sitzungen neu starten. Gehen Sie dazu entweder wie folgt vor:
Benutzer müssen sich ab- und wieder bei ihren bestehenden IAM Identity Center-Sitzungen anmelden
Administratoren können [aktive Sitzungen für ihre Workforce-Benutzer beenden](https://docs.aws.amazon.com/singlesignon/latest/userguide/end-active-sessions.html).
```
aws sagemaker update-domain \
--region $REGION \
--domain-id $DOMAIN_ID \
--domain-settings "TrustedIdentityPropagationSettings={Status=ENABLED}"
```
+ `DOMAIN_ID`ist die Amazon SageMaker AI-Domain-ID. Weitere Informationen zu Domains finden Sie unter [Domains anzeigen](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view.html).
+ `REGION`ist die AWS-Region Ihrer Amazon SageMaker AI-Domain. Sie finden dies oben rechts auf jeder AWS Konsolenseite.
------
## Konfigurieren Sie Ihre SageMaker AI-Ausführungsrolle
Um die Weitergabe vertrauenswürdiger Identitäten für Ihre Studio-Benutzer zu aktivieren, benötigen alle Rollen zur Weitergabe vertrauenswürdiger Identitäten die folgenden Kontextberechtigungen. Aktualisieren Sie die Vertrauensrichtlinie für alle Rollen, sodass sie die Aktionen `sts:AssumeRole` und `sts:SetContext` enthält. Verwenden Sie die folgende Richtlinie, wenn Sie die [Vertrauensrichtlinie für Ihre Rolle aktualisieren](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_update-role-trust-policy.html).
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
},
"Action": [
"sts:AssumeRole",
"sts:SetContext"
]
}
]
}
```
------
# Überwachung und Prüfung mit CloudTrail
Wenn die Verbreitung vertrauenswürdiger Identitäten aktiviert ist, enthalten die AWS CloudTrail Protokolle nicht nur die IAM-Rolle, sondern auch die Identitätsinformationen des jeweiligen Benutzers, der eine Aktion ausgeführt hat. Dies bietet erweiterte Auditfunktionen für Compliance und Sicherheit.
So zeigen Sie Identitätsinformationen in CloudTrail Protokollen an:
+ Öffnen Sie die [CloudTrail -Konsole](https://console.aws.amazon.com/cloudtrail).
+ Wählen Sie im linken Navigationsbereich **Ereignisverlauf** aus.
+ Wählen Sie Ereignisse aus SageMaker KI und verwandten Diensten aus.
+ Suchen Sie unter **Ereignisdatensatz** nach dem `onBehalfOf`-Schlüssel. Dieser enthält den `userId`-Schlüssel und andere Informationen zur Benutzeridentifikation, die einem bestimmten Benutzer von IAM Identity Center zugeordnet werden können.
Weitere Informationen finden [CloudTrail Sie unter Anwendungsfälle für IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/sso-cloudtrail-use-cases.html).
# Benutzersitzungen im Hintergrund
Benutzersitzungen im Hintergrund werden fortgesetzt, auch wenn der Benutzer nicht mehr aktiv ist. Diese ermöglichen lang andauernde Aufträge, die auch nach der Abmeldung des Benutzers fortgesetzt werden können. Dies kann durch die vertrauenswürdige Identitätsverbreitung von SageMaker KI ermöglicht werden. Auf der folgenden Seite werden die Konfigurationsoptionen und das Verhalten für Benutzersitzungen im Hintergrund erläutert.
**Anmerkung**
Bestehende aktive Benutzersitzungen sind nicht betroffen, wenn die Weitergabe vertrauenswürdiger Identitäten aktiviert ist. Die Standarddauer gilt nur für neue Benutzersitzungen oder neu gestartete Sitzungen.
Benutzerhintergrundsitzungen gelten für alle lang andauernden SageMaker KI-Workflows oder Jobs mit persistenten Zuständen. Dazu gehören unter anderem alle SageMaker KI-Ressourcen, die den Ausführungsstatus beibehalten oder eine kontinuierliche Überwachung erfordern. Zum Beispiel Aufgaben zur SageMaker Schulung, Verarbeitung und Ausführung von Pipelines.
**Topics**
+ [Konfigurieren von Benutzersitzungen im Hintergrund](#configure-user-background-sessions)
+ [Standarddauer für Benutzersitzungen im Hintergrund](#default-user-background-session-duration)
+ [Auswirkungen der Deaktivierung der Weitergabe vertrauenswürdiger Identitäten in Studio](#user-background-session-impact-disable-trustedidentitypropagation-studio)
+ [Auswirkungen der Deaktivierung von Benutzersitzungen im Hintergrund in der Konsole von IAM Identity Center](#user-background-session-impact-disable-trustedidentitypropagation-identity-center)
+ [Überlegungen zur Laufzeit](#user-background-session-runtime-considerations)
## Konfigurieren von Benutzersitzungen im Hintergrund
Sobald die Verbreitung vertrauenswürdiger Identitäten für Amazon SageMaker Studio aktiviert ist, können Standarddauerlimits über die [Benutzerhintergrundsitzungen im IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html) konfiguriert werden.
## Standarddauer für Benutzersitzungen im Hintergrund
Standardmäßig ist die Dauer aller Benutzersitzungen im Hintergrund auf 7 Tage begrenzt. Administratoren können [diese Dauer in der Konsole von IAM Identity Center ändern](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html). Diese Einstellung gilt für die Instance-Ebene von IAM Identity Center und wirkt sich auf alle unterstützten Anwendungen von IAM Identity Center und Studio-Domains innerhalb dieser Instance aus.
Wenn die Verbreitung vertrauenswürdiger Identitäten aktiviert ist, finden Administratoren in der SageMaker AI-Konsole ein Banner mit den folgenden Informationen:
+ Das Zeitlimit für Benutzersitzungen im Hintergrund
+ Ein Link zur Konsole von IAM Identity Center, über die Administratoren diese Konfiguration ändern können
+ Die Dauer kann auf einen beliebigen Wert zwischen 15 Minuten und 90 Tagen festgelegt werden.
Eine Fehlermeldung wird angezeigt, wenn eine Benutzersitzung im Hintergrund abgelaufen ist. Sie können den Link zur Konsole von IAM Identity Center verwenden, um die Dauer zu aktualisieren.
## Auswirkungen der Deaktivierung der Weitergabe vertrauenswürdiger Identitäten in Studio
Wenn ein Administrator die Verbreitung vertrauenswürdiger Identitäten nach der ersten Aktivierung in der SageMaker AI-Konsole deaktiviert:
+ Bestehende Aufträge werden weiterhin ohne Unterbrechung ausgeführt, wenn Benutzersitzungen im Hintergrund aktiviert sind.
+ Wenn Benutzerhintergrundsitzungen deaktiviert sind, wechseln alle lang laufenden SageMaker KI-Workflows oder Jobs mit persistenten Zuständen zur Verwendung interaktiver Sitzungen. Dazu gehören unter anderem alle SageMaker KI-Ressourcen, die den Ausführungsstatus beibehalten oder eine kontinuierliche Überwachung erfordern. Zum Beispiel Amazon SageMaker Training and Processing Jobs.
+ Benutzer können abgelaufene Aufträge von Checkpoints aus neu starten.
+ Neue Aufträge werden mit Anmeldeinformationen von IAM-Rollen ausgeführt und geben den Identitätskontext nicht weiter.
## Auswirkungen der Deaktivierung von Benutzersitzungen im Hintergrund in der Konsole von IAM Identity Center
Wenn die Benutzerhintergrundsitzung für die IAM Identity Center-Instance **deaktiviert** ist, verwendet der SageMaker AI-Job interaktive Benutzersitzungen. Bei Verwendung interaktiver Sitzungen schlägt ein SageMaker KI-Job innerhalb von 15 Minuten fehl, wenn:
+ sich der Benutzer abmeldet
+ die interaktive Sitzung vom Administrator gesperrt wurde
Wenn die Benutzerhintergrundsitzung für die IAM Identity Center-Instanz **aktiviert** ist, verwendet der SageMaker AI-Job Benutzerhintergrundsitzungen. Bei Verwendung interaktiver Sitzungen schlägt ein SageMaker KI-Job innerhalb von 15 Minuten fehl, wenn:
+ die Benutzersitzung im Hintergrund abläuft
+ die Benutzersitzung im Hintergrund manuell von einem Administrator gesperrt wird
Im Folgenden finden Sie ein Beispiel für ein Verhalten bei SageMaker Trainingsaufträgen. Wenn ein Administrator die Weitergabe vertrauenswürdiger Identitäten aktiviert, aber [Benutzersitzung im Hintergrund](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html) in der Konsole von IAM Identity Center deaktiviert:
+ Wenn ein Benutzer angemeldet bleibt, fallen seine Trainingsjobs, die bei deaktivierten Hintergrundsitzungen erstellt wurden, auf die interaktive Sitzung zurück.
+ Wenn sich der Benutzer abmeldet, läuft die Sitzung ab und Trainingsjobs, die von der interaktiven Sitzung abhängen, schlagen fehl.
+ Benutzer können ihren Trainingsjob vom letzten Checkpoint aus neu starten. Die Sitzungsdauer wird durch die Einstellungen für die interaktive Sitzungsdauer in der Konsole von IAM Identity Center bestimmt.
+ Wenn ein Benutzer **nach dem** Start eines Auftrags Hintergrundsitzungen deaktiviert, verwendet der Auftrag weiterhin seine vorhandenen Hintergrundsitzungen. Mit anderen Worten, SageMaker KI erstellt keine neuen Hintergrundsitzungen.
Das gleiche Verhalten gilt, wenn Hintergrundsitzungen auf der IAM Identity Center-Instanzebene aktiviert, aber speziell für die Studio-Anwendung, die [IAM Identity](https://docs.aws.amazon.com/singlesignon/latest/APIReference/welcome.html) Center verwendet, deaktiviert sind. APIs
## Überlegungen zur Laufzeit
Wenn ein Administrator `MaxRuntimeInSeconds` für lang andauernde Trainings- oder Verarbeitungsaufträge festlegt, die kürzer als die Dauer der Benutzerhintergrundsitzung sind, führt SageMaker KI den Job entweder für die Mindestdauer der Benutzerhintergrundsitzung `MaxRuntimeInSeconds` oder für die Dauer der Benutzerhintergrundsitzung aus. Mehr über `MaxRuntimeInSeconds` erfahren Sie unter [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html#sagemaker-CreateTrainingJob-request-StoppingCondition). Informationen zur Einstellung der Laufzeit finden Sie unter [Benutzersitzungen im Hintergrund im IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html).
# Wie stelle ich eine Verbindung zu anderen AWS Diensten her, wenn die Verbreitung vertrauenswürdiger Identitäten aktiviert ist
Wenn Trusted Identity Propagation für Ihre Amazon SageMaker AI-Domain aktiviert ist, können sich die Domain-Benutzer mit anderen AWS Diensten verbinden, die vertrauenswürdige Identitätsverbreitung aktivieren. Wenn die Weitergabe vertrauenswürdiger Identitäten aktiviert ist, wird Ihr Identitätskontext automatisch an kompatible Services weitergegeben, was eine differenzierte Zugriffskontrolle und eine verbesserte Prüfung Ihrer Machine-Learning-Workflows ermöglicht. Diese Integration macht einen komplexen IAM-Rollenwechsel überflüssig und bietet ein einheitliches Identitätserlebnis für alle AWS Dienste. Auf den folgenden Seiten finden Sie Informationen darüber, wie Sie Amazon SageMaker Studio mit anderen AWS Diensten verbinden können, wenn die Verbreitung vertrauenswürdiger Identitäten aktiviert ist.
**Topics**
+ [JupyterLab Studio-Notebooks mit Amazon S3 Access Grants Connect, wobei die Weitergabe vertrauenswürdiger Identitäten aktiviert ist](trustedidentitypropagation-s3-access-grants.md)
+ [Connect JupyterLab Studio-Notebooks mit Amazon EMR, wobei die Verbreitung vertrauenswürdiger Identitäten aktiviert ist](trustedidentitypropagation-emr-ec2.md)
+ [Connect Ihre JupyterLab Studio-Notebooks mit EMR Serverless, wobei Trusted Identity Propagation aktiviert ist](trustedidentitypropagation-emr-serverless.md)
+ [Connect JupyterLab Studio-Notebooks mit der Redshift Data API, wobei vertrauenswürdige Identitätsverbreitung aktiviert ist](trustedidentitypropagation-redshift-data-apis.md)
+ [Connect JupyterLab Studio-Notebooks mit Lake Formation und Athena, wobei vertrauenswürdige Identitätsverbreitung aktiviert ist](trustedidentitypropagation-lake-formation-athena.md)
# JupyterLab Studio-Notebooks mit Amazon S3 Access Grants Connect, wobei die Weitergabe vertrauenswürdiger Identitäten aktiviert ist
Sie können [Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html) verwenden, um Amazon-S3-Standorten flexibel eine identitätsbasierte, differenzierte Zugriffskontrolle zu gewähren. Diese gewähren Amazon-S3-Buckets direkten Zugriff auf Unternehmensbenutzer und -gruppen. Auf den folgenden Seiten finden Sie Informationen und Anweisungen zur Verwendung von Amazon S3 Access Grants mit vertrauenswürdiger Identitätsverbreitung für SageMaker KI.
## Voraussetzungen
Um Studio mit Lake Formation und Athena mit aktivierter Weitergabe vertrauenswürdiger Identitäten zu verbinden, stellen Sie sicher, dass Sie die folgenden Voraussetzungen erfüllt haben:
+ [Einrichten der Weitergabe vertrauenswürdiger Identitäten für Studio](trustedidentitypropagation-setup.md)
+ Befolgen Sie [Erste Schritte mit Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants-get-started.html), um Amazon S3 Access Grants für Ihren Bucket einzurichten. Weitere Informationen finden Sie unter [Skalieren des Datenzugriffs mit Amazon S3 Access Grants](https://aws.amazon.com/blogs/storage/scaling-data-access-with-amazon-s3-access-grants/).
**Anmerkung**
Amazon S3 Standard funktioniert APIs nicht automatisch mit Amazon S3 Access Grants. Sie müssen Amazon S3 Access Grants ausdrücklich verwenden APIs. Weitere Informationen finden Sie unter [Verwalten des Zugriffs mit Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html).
**Topics**
+ [Voraussetzungen](#s3-access-grants-prerequisites)
+ [Amazon S3 Access Grants mit JupyterLab Studio-Notebooks Connect](s3-access-grants-setup.md)
+ [Connect JupyterLab Studio-Notebooks mit Amazon S3 Access Grants mit Schulungs- und Verarbeitungsaufträgen](trustedidentitypropagation-s3-access-grants-jobs.md)
# Amazon S3 Access Grants mit JupyterLab Studio-Notebooks Connect
Verwenden Sie die folgenden Informationen, um Amazon S3-Zugriffsberechtigungen in JupyterLab Studio-Notizbüchern zu gewähren.
Nachdem Amazon S3 Access Grants eingerichtet ist, [fügen Sie die folgenden Berechtigungen](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) Ihrer Domain- oder [Benutzerausführungsrolle](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role) hinzu.
+ `us-east-1` ist die AWS-Region
+ `111122223333` ist die AWS-Konto -ID
+ `S3-ACCESS-GRANT-ROLE` ist die Rolle von Amazon S3 Access Grant
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowDataAccessAPI",
"Effect": "Allow",
"Action": [
"s3:GetDataAccess"
],
"Resource": [
"arn:aws:s3:us-east-1:111122223333:access-grants/default"
]
},
{
"Sid": "RequiredForTIP",
"Effect": "Allow",
"Action": "sts:SetContext",
"Resource": "arn:aws:iam::111122223333:role/S3-ACCESS-GRANT-ROLE"
}
]
}
```
------
Stellen Sie sicher, dass die Vertrauensrichtlinie Ihrer Rolle von Amazon S3 Access Grants die Aktionen `sts:SetContext` und `sts:AssumeRole` zulässt. Folgendes ist eine Beispielrichtlinie, wenn Sie die [Vertrauensrichtlinie für Ihre Rolle aktualisieren](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_update-role-trust-policy.html).
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"access-grants.s3.amazonaws.com"
]
},
"Action": [
"sts:AssumeRole",
"sts:SetContext"
],
"Condition": {
"StringEquals": {
"aws:SourceAccount": "111122223333",
"aws:SourceArn": "arn:aws:s3:us-east-1:111122223333:access-grants/default"
}
}
}
]
}
```
------
## Verwenden von Amazon S3 Access Grants für den Aufruf von Amazon S3
Im Folgenden finden Sie ein Beispiel für ein Python-Skript, das zeigt, wie Amazon S3 Access Grants verwendet werden kann, um Amazon S3 aufzurufen. Dies setzt voraus, dass Sie die Verbreitung vertrauenswürdiger Identitäten mit SageMaker KI bereits erfolgreich eingerichtet haben.
```
import boto3
from botocore.config import Config
def get_access_grant_credentials(account_id: str, target: str,
permission: str = 'READ'):
s3control = boto3.client('s3control')
response = s3control.get_data_access(
AccountId=account_id,
Target=target,
Permission=permission
)
return response['Credentials']
def create_s3_client_from_credentials(credentials) -> boto3.client:
return boto3.client(
's3',
aws_access_key_id=credentials['AccessKeyId'],
aws_secret_access_key=credentials['SecretAccessKey'],
aws_session_token=credentials['SessionToken']
)
# Create client
credentials = get_access_grant_credentials('111122223333',
"s3://tip-enabled-bucket/tip-enabled-path/")
s3 = create_s3_client_from_credentials(credentials)
s3.list_objects(Bucket="tip-enabled-bucket", Prefix="tip-enabled-path/")
```
Wenn Sie einen Pfad zu einem Amazon-S3-Bucket verwenden, für den Amazon S3 Access Grant nicht aktiviert ist, schlägt der Aufruf fehl.
Weitere Informationen zu anderen Programmiersprachen finden Sie unter [Verwalten des Zugriffs mit Amazon S3 Access Grants](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html).
# Connect JupyterLab Studio-Notebooks mit Amazon S3 Access Grants mit Schulungs- und Verarbeitungsaufträgen
Verwenden Sie die folgenden Informationen, um Amazon S3-Zugriffsberechtigungen für den Zugriff auf Daten in Amazon SageMaker Training and Processing Jobs zu gewähren.
Wenn ein Benutzer mit aktivierter Weitergabe vertrauenswürdiger Identitäten einen SageMaker Trainings- oder Verarbeitungsjob startet, der auf Amazon S3 S3-Daten zugreifen muss:
+ SageMaker KI ruft Amazon S3 Access Grants auf, um temporäre Anmeldeinformationen auf der Grundlage der Benutzeridentität zu erhalten
+ Bei Erfolg greifen diese temporären Anmeldeinformationen auf die Amazon-S3-Daten zu.
+ Gelingt das nicht, greift SageMaker KI auf die Verwendung der IAM-Rollenanmeldedaten zurück
**Anmerkung**
Um zu erzwingen, dass alle Berechtigungen über Amazon S3 Access Grants erteilt werden, müssen Sie die zugehörige Amazon-S3-Zugriffsberechtigung Ihrer Ausführungsrolle entfernen und sie dem entsprechenden [Amazon S3 Access Grant](https://docs.aws.amazon.com/singlesignon/latest/userguide/tip-tutorial-s3.html#tip-tutorial-s3-create-grant) zuordnen.
**Topics**
+ [Überlegungen](#s3-access-grants-jobs-considerations)
+ [Einrichten von Amazon S3 Access Grants mit Trainings- und Verarbeitungsaufträgen](#s3-access-grants-jobs-setup)
## Überlegungen
Amazon S3 Access Grants können nicht mit dem [Pipe-Modus](https://docs.aws.amazon.com/sagemaker/latest/dg/augmented-manifest-stream.html) sowohl für SageMaker Training als auch für die Verarbeitung von Amazon S3 S3-Eingaben verwendet werden.
Wenn die Weitergabe vertrauenswürdiger Identitäten aktiviert ist, können Sie keinen SageMaker Trainingsjob mit der folgenden Funktion starten
+ Remote-Debuggen
+ Debugger
+ Profiler
Wenn die Weitergabe vertrauenswürdiger Identitäten aktiviert ist, können Sie keinen Verarbeitungsauftrag mit dem folgenden Feature starten.
+ DatasetDefinition
## Einrichten von Amazon S3 Access Grants mit Trainings- und Verarbeitungsaufträgen
Nachdem Amazon S3 Access Grants eingerichtet ist, [fügen Sie die folgenden Berechtigungen](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) Ihrer Domain- oder [Benutzerausführungsrolle](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role) hinzu.
+ `us-east-1` ist die AWS-Region
+ `111122223333` ist die AWS-Konto -ID
+ `S3-ACCESS-GRANT-ROLE` ist die Rolle von Amazon S3 Access Grant
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowDataAccessAPI",
"Effect": "Allow",
"Action": [
"s3:GetDataAccess",
"s3:GetAccessGrantsInstanceForPrefix"
],
"Resource": [
"arn:aws:s3:us-east-1:111122223333:access-grants/default"
]
},
{
"Sid": "RequiredForIdentificationPropagation",
"Effect": "Allow",
"Action": "sts:SetContext",
"Resource": "arn:aws:iam::111122223333:role/S3-ACCESS-GRANT-ROLE"
}
]
}
```
------
# Connect JupyterLab Studio-Notebooks mit Amazon EMR, wobei die Verbreitung vertrauenswürdiger Identitäten aktiviert ist
Durch die Verbindung von Amazon SageMaker JupyterLab Studio-Notebooks mit Amazon EMR-Clustern können Sie die verteilte Rechenleistung von Amazon EMR für umfangreiche Datenverarbeitungs- und Analyse-Workloads nutzen. Wenn die Weitergabe vertrauenswürdiger Identitäten aktiviert ist, wird Ihr Identitätskontext an Amazon EMR weitergegeben, was eine detaillierte Zugriffskontrolle und umfassende Prüfpfade ermöglicht. Auf der folgenden Seite finden Sie Anweisungen, wie Sie Ihr Studio-Notebook mit Amazon-EMR-Clustern verbinden. Nach der Einrichtung können Sie die `Connect to Cluster`-Option in Ihrem Studio-Notebook verwenden.
Um Studio mit Amazon EMR mit aktivierter Weitergabe vertrauenswürdiger Identitäten zu verbinden, stellen Sie sicher, dass Sie die folgenden Einrichtungen abgeschlossen haben:
+ [Einrichten der Weitergabe vertrauenswürdiger Identitäten für Studio](trustedidentitypropagation-setup.md)
+ [Erste Schritte mit der AWS IAM Identity Center Integration für Amazon EMR](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-idc-start.html)
+ [Aktivieren der Kommunikation zwischen Studio- und Amazon-EMR-Clustern](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-cluster.html)
**Verbinden mit dem Amazon-EMR-Cluster**
Eine vollständige Liste der Optionen zum Connect Ihres JupyterLab Notebooks mit Amazon EMR finden Sie unter [Verbindung zu einem Amazon EMR-Cluster herstellen](https://docs.aws.amazon.com/sagemaker/latest/dg/connect-emr-clusters.html).
# Connect Ihre JupyterLab Studio-Notebooks mit EMR Serverless, wobei Trusted Identity Propagation aktiviert ist
Amazon EMR Serverless bietet eine Serverless-Option für die Ausführung von Apache-Spark- und Apache-Hive-Anwendungen ohne Verwaltung von Clustern. Wenn EMR Serverless in Weitergabe vertrauenswürdiger Identitäten integriert ist, skaliert es automatisch die Rechenressourcen und behält gleichzeitig Ihren Identitätskontext für die Zugriffskontrolle und Prüfung bei. Durch diesen Ansatz entfällt der betriebliche Aufwand der Clusterverwaltung, während gleichzeitig die Sicherheitsvorteile der identitätsbasierten Zugriffskontrolle erhalten bleiben. Der folgende Abschnitt enthält Informationen darüber, wie Sie Studio, das die Weitergabe vertrauenswürdiger Identitäten aktiviert hat, mit EMR Serverless verbinden.
Um Studio mit Amazon EMR Serverless mit aktivierter Weitergabe vertrauenswürdiger Identitäten zu verbinden, stellen Sie sicher, dass Sie die folgenden Einrichtungen abgeschlossen haben:
+ [Einrichten der Weitergabe vertrauenswürdiger Identitäten für Studio](trustedidentitypropagation-setup.md)
+ [Weitergabe von vertrauenswürdigen Identitäten mit EMR Serverless](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-service-trusted-prop.html)
+ [Aktivieren der Kommunikation zwischen Studio und EMR Serverless](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-serverless.html)
**Verbindung zur EMR Serverless-Anwendung**
Eine vollständige Liste der Optionen zum Connect Ihres JupyterLab Notebooks mit EMR Serverless finden Sie unter [Verbindung zu einer EMR Serverless-Anwendung herstellen](https://docs.aws.amazon.com/sagemaker/latest/dg/connect-emr-serverless-application.html).
# Connect JupyterLab Studio-Notebooks mit der Redshift Data API, wobei vertrauenswürdige Identitätsverbreitung aktiviert ist
Mit Amazon Redshift Data API können Sie programmgesteuert mit Ihren Amazon-Redshift-Clustern interagieren, ohne persistente Verbindungen verwalten zu müssen. In Kombination mit der Weitergabe vertrauenswürdiger Identitäten bietet Redshift Data API sicheren, identitätsbasierten Zugriff auf Ihr Data Warehouse, sodass Sie SQL-Abfragen ausführen und Ergebnisse abrufen können, während Sie gleichzeitig vollständige Audit Trails der Benutzeraktivitäten beibehalten. Diese Integration ist besonders wertvoll für datenwissenschaftliche Workflows, die Zugriff auf strukturierte Daten erfordern, die in Redshift gespeichert sind. Die folgende Seite enthält Informationen und Anweisungen zur Verbindung von Trusted Identity Propagation mit Amazon SageMaker Studio mit der Redshift Data API.
Um Studio mit Redshift Data API mit aktivierter Weitergabe vertrauenswürdiger Identitäten zu verbinden, stellen Sie sicher, dass Sie die folgenden Einrichtungen abgeschlossen haben:
+ [Einrichten der Weitergabe vertrauenswürdiger Identitäten für Studio](trustedidentitypropagation-setup.md)
+ [Verwenden von Redshift Data API mit Weitergabe vertrauenswürdiger Identitäten](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-trusted-identity-propagation.html)
+ Stellen Sie sicher, dass Ihre Ausführungsrolle über die entsprechenden Berechtigungen für Redshift Data API verfügt. Weitere Informationen finden Sie unter [Autorisieren des Zugriffs](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-access.html).
+ [Vereinfachen Sie die Zugriffsverwaltung mit Amazon Redshift und AWS Lake Formation für Benutzer in einem externen Identitätsanbieter](https://aws.amazon.com/blogs/big-data/simplify-access-management-with-amazon-redshift-and-aws-lake-formation-for-users-in-an-external-identity-provider/)
# Connect JupyterLab Studio-Notebooks mit Lake Formation und Athena, wobei vertrauenswürdige Identitätsverbreitung aktiviert ist
AWS Lake Formation und Amazon Athena arbeiten zusammen, um eine umfassende Data-Lake-Lösung mit detaillierter Zugriffskontrolle und serverlosen Abfragefunktionen bereitzustellen. Lake Formation zentralisiert die Berechtigungsverwaltung für Ihren Data Lake, während Athena interaktive Abfrageservices bereitstellt. Wenn diese Kombination in die Weitergabe vertrauenswürdiger Identitäten integriert ist, können Datenwissenschaftler nur auf die Daten zugreifen, zu deren Einsichtnahme sie berechtigt sind. Alle Abfragen und Datenzugriffe werden zu Compliance- und Auditzwecken automatisch protokolliert. Die folgende Seite enthält Informationen und Anweisungen dazu, wie Sie Trusted Identity Propagation mit Amazon SageMaker Studio mit Lake Formation und Athena verbinden können.
Um Studio mit Lake Formation und Athena mit aktivierter Weitergabe vertrauenswürdiger Identitäten zu verbinden, stellen Sie sicher, dass Sie die folgenden Einrichtungen abgeschlossen haben:
+ [Einrichten der Weitergabe vertrauenswürdiger Identitäten für Studio](trustedidentitypropagation-setup.md)
+ [Erstellen einer Lake-Formation-Rolle](https://docs.aws.amazon.com/lake-formation/latest/dg/prerequisites-identity-center.html)
+ [Verbinden von Lake Formation mit IAM Identity Center](https://docs.aws.amazon.com/lake-formation/latest/dg/connect-lf-identity-center.html)
+ Erstellen von Lake-Formation-Ressourcen:
+ [Datenbank](https://docs.aws.amazon.com/lake-formation/latest/dg/creating-database.html)
+ [Tabellen](https://docs.aws.amazon.com/lake-formation/latest/dg/creating-tables.html)
+ [Erstellen einer Athena-Arbeitsgruppe](https://docs.aws.amazon.com/athena/latest/ug/creating-workgroups.html)
+ Wählen Sie **AthenaSQL** für die Engine aus.
+ Wählen Sie **IAM Identity Center** als Authentifizierungsmethode aus.
+ Erstellen einer neuen Servicerolle
+ Stellen Sie sicher, dass die Benutzer von IAM Identity Center über Amazon S3 Access Grants Zugriff auf den Speicherort der Abfrageergebnisse haben.
+ [Erteilen von Datenbankberechtigungen mit der benannten Ressourcenmethode](https://docs.aws.amazon.com/lake-formation/latest/dg/granting-database-permissions.html)
# Ausführung häufiger Benutzeroberflächen-Aufgaben
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich auf die Verwendung der aktualisierten Studio-Erfahrung. Informationen zur Verwendung der Studio-Classic-Anwendung finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
In den folgenden Abschnitten wird beschrieben, wie allgemeine Aufgaben in der Amazon SageMaker Studio-Benutzeroberfläche ausgeführt werden. Eine Übersicht über die Studio-Benutzeroberfläche finden Sie unter [Überblick über die Amazon SageMaker Studio-Benutzeroberfläche](studio-updated-ui.md).
**Festlegen der Cookie-Einstellungen**
1. Starten Sie Studio, indem Sie die Schritte in [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md) befolgen.
1. Wählen Sie unten in der Studio-Benutzeroberfläche die Option **Cookie-Einstellungen** aus.
1. Aktivieren Sie das Kontrollkästchen für jeden Cookie-Typ, den Amazon SageMaker AI verwenden soll.
1. Klicken Sie auf **Präferenzen speichern**.
**Verwalten von Benachrichtigungen**
Benachrichtigungen enthalten Informationen zu wichtigen Änderungen an Studio, Aktualisierungen von Anwendungen und zu lösenden Problemen.
1. Starten Sie Studio, indem Sie die Schritte in [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md) befolgen.
1. Klicken Sie in der Navigationsleiste oben auf das Symbol **Benachrichtigungen** (![\[Logo for Notifications, a cloud service with a stylized bell icon.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/monarch/notification.png)).
1. Wählen Sie aus der Liste der Benachrichtigungen die Benachrichtigung aus, um Informationen dazu zu erhalten.
**Hinterlassen Sie Feedback**
Wir nehmen Ihr Feedback ernst. Wir empfehlen Ihnen, Feedback zu geben.
Wählen Sie in der oberen Navigationsleiste von Studio die Option **Feedback geben** aus.
**Abmelden**
Das Abmelden von der Studio-Benutzeroberfläche unterscheidet sich vom Schließen des Browserfensters. Beim Abmelden werden Sitzungsdaten aus dem Browser und ungespeicherte Änderungen gelöscht.
Das gleiche Verhalten tritt auch auf, wenn bei der Studio-Sitzung ein Timeout auftritt. Dies geschieht nach 5 Minuten.
1. Starten Sie Studio, indem Sie die Schritte in [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md) befolgen.
1. Wählen Sie das Symbol **Benutzeroptionen** (![\[User icon with a circular avatar placeholder and a downward-pointing arrow.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/monarch/user-settings.png)) aus.
1. Wählen Sie **Abmelden** aus.
1. Wählen Sie im Popup-Fenster **Abmelden** aus.
# NVMe Geschäfte mit Amazon SageMaker Studio
Amazon SageMaker Studio-Anwendungen und die zugehörigen Notebooks werden auf Amazon Elastic Compute Cloud (Amazon EC2) -Instances ausgeführt. Einige der Amazon EC2 EC2-Instance-Typen, wie z. B. die `ml.m5d` Instance-Familie, bieten nichtflüchtige Memory Express (NVMe) Solid-State-Drives (SSD) -Instance-Speicher. NVMe Instance-Speicher sind lokale kurzlebige Festplattenspeicher, die physisch mit einer Instance verbunden sind, um eine schnelle temporäre Speicherung zu ermöglichen. Studio-Anwendungen unterstützen NVMe Instanzspeicher für unterstützte Instance-Typen. Weitere Informationen zu Instance-Typen und den zugehörigen NVMe Speicher-Volumes finden Sie in den [Amazon Elastic Compute Cloud-Instance-Typdetails](https://aws.amazon.com/ec2/instance-types/). Dieses Thema enthält Informationen zum Zugriff auf und zur Verwendung von NVMe Instance-Speichern sowie Überlegungen zur Verwendung von NVMe Instance-Speichern mit Studio.
## Überlegungen
Die folgenden Überlegungen gelten für die Verwendung von NVMe Instanzspeichern mit Studio.
+ Ein NVMe Instanzspeicher ist ein temporärer Speicher. Die im NVMe Store gespeicherten Daten werden gelöscht, wenn die Instance beendet, gestoppt oder in den Ruhezustand versetzt wird. Bei der Verwendung von NVMe Stores mit Studio-Anwendungen gehen die Daten im NVMe Instanzspeicher verloren, wenn die Anwendung gelöscht, neu gestartet oder gepatcht wird. Wir empfehlen Ihnen, wertvolle Daten auf persistenten Speicherlösungen wie Amazon Elastic Block Store, Amazon Elastic File System oder Amazon Simple Storage Service zu sichern.
+ Studio patcht Instances regelmäßig, um neue Sicherheitsupdates zu installieren. Wenn eine Instance gepatcht wird, wird die Instance neu gestartet. Dieser Neustart führt zum Löschen der im NVMe Instanzspeicher gespeicherten Daten. Wir empfehlen, die erforderlichen Daten aus dem NVMe Instance-Speicher häufig auf persistenten Speicherlösungen wie Amazon Elastic Block Store, Amazon Elastic File System oder Amazon Simple Storage Service zu sichern.
+ Die folgenden Studio-Anwendungen unterstützen die Verwendung von NVMe Speicher:
+ JupyterLab
+ Code Editor, basierend auf Code-OSS, Visual Studio Code – Open Source
+ KernelGateway
## Zugriff auf NVMe Instanzspeicher
Wenn Sie einen Instanztyp mit angehängten NVMe Instanzspeichern auswählen, um eine Studio-Anwendung zu hosten, wird das NVMe Instanzspeicherverzeichnis im Anwendungscontainer am folgenden Speicherort bereitgestellt:
```
/mnt/sagemaker-nvme
```
Wenn an eine Instanz mehr als ein NVMe Instanzspeicher angehängt ist, erstellt Studio ein gestreiftes logisches Volume, das sich über alle angeschlossenen lokalen Festplatten erstreckt. Studio mountet dann dieses logische Stripe-Volume in das Verzeichnis `/mnt/sagemaker-nvme`. Daher ist die Speichergröße des Verzeichnisses die Summe aller Volume-Größen des NVMe Instance-Speichers, die der Instanz zugeordnet sind.
Wenn das `/mnt/sagemaker-nvme` Verzeichnis nicht existiert, stellen Sie sicher, dass dem Instance-Typ, der Ihre Anwendung hostet, ein NVMe Instance-Speicher-Volume angehängt ist.
# Unterstützung für den lokalen Modus in Amazon SageMaker Studio
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Amazon SageMaker Studio-Anwendungen unterstützen die Verwendung des lokalen Modus, um Kalkulatoren, Prozessoren und Pipelines zu erstellen und diese dann in einer lokalen Umgebung bereitzustellen. Im lokalen Modus können Sie Machine-Learning-Skripts testen, bevor Sie sie in von Amazon SageMaker AI verwalteten Trainings- oder Hosting-Umgebungen ausführen. Studio unterstützt den lokalen Modus in den folgenden Anwendungen:
+ Amazon SageMaker Studio Klassisch
+ JupyterLab
+ Code Editor, basierend auf Code-OSS, Visual Studio Code – Open Source
Der lokale Modus in Studio-Anwendungen wird mit dem SageMaker Python-SDK aufgerufen. In Studio-Anwendungen funktioniert der lokale Modus ähnlich wie in SageMaker Amazon-Notebook-Instances, mit einigen Unterschieden. Wenn [Rootless-Docker-Konfiguration](studio-updated-local-get-started.md#studio-updated-local-rootless) aktiviert ist, können Sie über Ihre VPC-Konfiguration auch auf zusätzliche Docker-Registrierungen zugreifen, einschließlich On-Premises-Repositorys und öffentlicher Register. Weitere Informationen zur Verwendung des lokalen Modus mit dem SageMaker Python-SDK finden Sie unter [Lokaler Modus](https://sagemaker.readthedocs.io/en/stable/overview.html#local-mode).
**Anmerkung**
Studio-Anwendungen unterstützen keine Multicontainer-Aufträge im lokalen Modus. Aufträge im lokalen Modus sind für Trainings-, Inferenz- und Verarbeitungsaufträge auf eine einzige Instance beschränkt. Bei der Erstellung eines Auftrags im lokalen Modus muss die Konfiguration für die Anzahl der Instances `1` betragen.
## Docker-Support
Im Rahmen der Unterstützung des lokalen Modus unterstützen Studio-Anwendungen eingeschränkte Docker-Zugriffsmöglichkeiten. Mit dieser Unterstützung können Benutzer von Jupyter-Notebooks oder dem Image-Terminal der Anwendung aus mit der Docker-API interagieren. Kunden können mit Docker über eine der folgenden Optionen interagieren:
+ [Docker-CLI](https://docs.docker.com/engine/reference/run/)
+ [Docker-Compose-CLI](https://docs.docker.com/compose/reference/)
+ Sprachspezifische Docker-SDK-Clients
Studio unterstützt auch Funktionen mit eingeschränktem Docker-Zugriff mit den folgenden Einschränkungen:
+ Die Verwendung von Docker-Netzwerken wird nicht unterstützt.
+ Die Verwendung von [Docker-Volumes](https://docs.docker.com/storage/volumes/) wird während der Ausführung eines Containers nicht unterstützt. Bei der Container-Orchestrierung sind nur Bind-Mount-Eingaben des Volumes zulässig. Die Bind-Mount-Eingaben des Volumes müssen sich auf dem Volume von Amazon Elastic File System (Amazon EFS) für Studio Classic befinden. Für JupyterLab und Code-Editor-Anwendungen muss es sich auf dem Amazon Elastic Block Store (Amazon EBS) -Volume befinden.
+ Operationen zur Inspektion von Containern sind zulässig.
+ Die Zuordnung von Container-Port zu Host ist nicht zulässig. Sie können jedoch einen Port für das Hosting angeben. Auf den Endpunkt kann dann von Studio aus über die folgende URL zugegriffen werden:
```
http://localhost:port
```
### Unterstützte Docker-Operationen
Die folgende Tabelle führt alle Docker-API-Endpunkte auf, die in Studio unterstützt werden, einschließlich aller Supporteinschränkungen. Wenn ein API-Endpunkt in der Tabelle fehlt, unterstützt Studio ihn nicht.
| API-Dokumentation | Einschränkungen |
| --- | --- |
| [SystemAuth](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemAuth) | |
| [SystemEvents](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemEvents) | |
| [SystemVersion](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemVersion) | |
| [SystemPing](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemPing) | |
| [SystemPingHead](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemPingHead) | |
| [ContainerCreate](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerCreate) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/studio-updated-local.html) |
| [ContainerStart](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerStart) | |
| [ContainerStop](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerStop) | |
| [ContainerKill](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerKill) | |
| [ContainerDelete](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerDelete) | |
| [ContainerList](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerList) | |
| [ContainerLogs](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerLogs) | |
| [ContainerInspect](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerInspect) | |
| [ContainerWait](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerWait) | |
| [ContainerAttach](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerAttach) | |
| [ContainerPrune](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerPrune) | |
| [ContainerResize](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerResize) | |
| [ImageCreate](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageCreate) | Die VPC-only-Modusunterstützung ist auf Amazon-ECR-Images in Konten beschränkt, die auf der Zulassungsliste stehen. Wenn [Rootless-Docker-Konfiguration](studio-updated-local-get-started.md#studio-updated-local-rootless) aktiviert ist, können Sie über Ihre VPC-Konfiguration auch auf zusätzliche Docker-Registrierungen zugreifen, einschließlich On-Premises-Repositorys und öffentlicher Register. |
| [ImagePrune](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImagePrune) | |
| [ImagePush](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImagePush) | Die VPC-only-Modusunterstützung ist auf Amazon-ECR-Images in Konten beschränkt, die auf der Zulassungsliste stehen. Wenn [Rootless-Docker-Konfiguration](studio-updated-local-get-started.md#studio-updated-local-rootless) aktiviert ist, können Sie über Ihre VPC-Konfiguration auch auf zusätzliche Docker-Registrierungen zugreifen, einschließlich On-Premises-Repositorys und öffentlicher Register. |
| [ImageList](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageList) | |
| [ImageInspect](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageInspect) | |
| [ImageGet](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageGet) | |
| [ImageDelete](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageDelete) | |
| [ImageBuild](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageBuild) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/studio-updated-local.html) |
**Topics**
+ [Docker-Support](#studio-updated-local-docker)
+ [Erste Schritte mit dem lokalen Modus](studio-updated-local-get-started.md)
# Erste Schritte mit dem lokalen Modus
In den folgenden Abschnitten werden die Schritte beschrieben, die für den Einstieg in den lokalen Modus in Amazon SageMaker Studio erforderlich sind, darunter:
+ Erfüllen der Voraussetzungen
+ Festlegen von `EnableDockerAccess`
+ Docker-Installation
## Voraussetzungen
Erfüllen Sie die folgenden Voraussetzungen, um den lokalen Modus in Studio-Anwendungen zu verwenden:
+ Um Images aus einem Repository von Amazon Elastic Container Registry abzurufen, muss das Konto, in dem das Amazon-ECR-Image gehostet wird, eine Zugriffsberechtigung für die Ausführungsrolle des Benutzers bereitstellen. Die Ausführungsrolle der Domain muss auch Amazon-ECR-Zugriff ermöglichen.
+ Stellen Sie mithilfe des folgenden Befehls sicher, dass Sie die neueste Version des Studio Python-SDK verwenden:
```
pip install -U sagemaker
```
+ Um den lokalen Modus und Docker-Funktionen zu verwenden, legen Sie die folgenden Parameter der `DockerSettings` der Domain mithilfe der AWS Command Line Interface (AWS CLI) fest:
```
EnableDockerAccess : ENABLED
```
+ Mit `EnableDockerAccess` können Sie auch steuern, ob Benutzer in der Domain den lokalen Modus verwenden dürfen. Standardmäßig sind der lokale Modus und Docker-Funktionen in Studio-Anwendungen nicht zulässig. Weitere Informationen finden Sie unter [Festlegen von `EnableDockerAccess`](#studio-updated-local-enable).
+ Installieren Sie die Docker-CLI in der Studio-Anwendung, indem Sie die Schritte unter [Docker-Installation](#studio-updated-local-docker-installation) befolgen.
+ Stellen Sie für [Rootless-Docker-Konfiguration](#studio-updated-local-rootless) sicher, dass Ihre VPC über geeignete Endpunkte und Routing-Einstellungen für die von Ihnen gewünschten Docker-Registrys verfügt.
## Festlegen von `EnableDockerAccess`
In den folgenden Abschnitten wird beschrieben, wie Sie `EnableDockerAccess` festlegen, wenn die Domain über öffentlichen Internetzugang verfügt oder sich im Modus `VPC-only` befindet.
**Anmerkung**
Änderungen an `EnableDockerAccess` gelten nur für Anwendungen, die nach der Aktualisierung der Domain erstellt wurden. Sie müssen nach dem Aktualisieren der Domain eine neue Anwendung erstellen.
**Öffentlicher Internetzugang**
Die folgenden Beispielbefehle veranschaulichen, wie Sie `EnableDockerAccess` beim Erstellen einer neuen Domain oder beim Aktualisieren einer bestehenden Domain mit öffentlichem Internetzugang festlegen:
```
# create new domain
aws --region region \
sagemaker create-domain --domain-name domain-name \
--vpc-id vpc-id \
--subnet-ids subnet-ids \
--auth-mode IAM \
--default-user-settings "ExecutionRole=execution-role" \
--domain-settings '{"DockerSettings": {"EnableDockerAccess": "ENABLED"}}' \
--query DomainArn \
--output text
# update domain
aws --region region \
sagemaker update-domain --domain-id domain-id \
--domain-settings-for-update '{"DockerSettings": {"EnableDockerAccess": "ENABLED"}}'
```
**`VPC-only` Modus**
Wenn Sie eine Domain im `VPC-only`-Modus verwenden, werden Image-Push- und Pull-Anfragen von Docker über die Service-VPC und nicht über die vom Kunden konfigurierte VPC weitergeleitet. Aufgrund dieser Funktionalität können Administratoren eine Liste vertrauenswürdiger AWS-Konten konfigurieren, an die Benutzer Push- und Pull-Anfragen von Amazon ECR Docker durchführen können.
Wenn eine Docker Image-Push- oder Pull-Anfrage an eine Person gestellt wird AWS-Konto , die nicht in der Liste der vertrauenswürdigen Dateien aufgeführt ist AWS-Konten, schlägt die Anfrage fehl. DockerPull- und Push-Operationen außerhalb von Amazon Elastic Container Registry (Amazon ECR) werden im `VPC-only` Modus nicht unterstützt.
Folgendes wird standardmäßig AWS-Konten als vertrauenswürdig eingestuft:
+ Das Konto, das die SageMaker AI-Domain hostet.
+ SageMaker AI-Konten, die die folgenden SageMaker Bilder hosten:
+ DLC-Framework-Images
+ SklearnSpark, Bilder XGBoost verarbeiten
Um eine Liste weiterer vertrauenswürdiger Dateien zu konfigurieren AWS-Konten, geben Sie den `VpcOnlyTrustedAccounts` Wert wie folgt an:
```
aws --region region \
sagemaker update-domain --domain-id domain-id \
--domain-settings-for-update '{"DockerSettings": {"EnableDockerAccess": "ENABLED", "VpcOnlyTrustedAccounts": ["account-list"]}}'
```
**Anmerkung**
Wenn [Rootless-Docker-Konfiguration](#studio-updated-local-rootless) aktiviert ist, wird `VpcOnlyTrustedAccounts` ignoriert und der Docker-Datenverkehr wird durch Ihre VPC-Konfiguration geleitet, sodass Sie auf jede Registrierung zugreifen können, die Ihre VPC erreichen kann.
## Rootless-Docker-Konfiguration
Wenn [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DockerSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DockerSettings.html) aktiviert ist, verwendet Studio einen [Rootless-Docker-Daemon](https://docs.docker.com/engine/security/rootless/), der den Datenverkehr über Ihre VPC weiterleitet. Dies bietet erhöhte Sicherheit und ermöglicht den Zugriff auf zusätzliche Docker-Registrierungen. Die wichtigsten Unterschiede zu `RootlessDocker` sind:
+ Auf Container-Ports kann über die Docker-Gateway-IP (`172.17.0.1`) statt über localhost zugegriffen werden.
+ Ihre VPC-Konfiguration bestimmt, auf welche Registrys für Docker-Operationen zugegriffen werden kann. `VpcOnlyTrustedAccounts` wird ignoriert und Docker-Datenverkehr wird durch Ihre VPC-Konfiguration geleitet.
Um Rootless Docker zu verwenden, müssen Sie und `EnableDockerAccess` und `RootlessDocker` auf `ENABLED`für Ihre `DockerSettings` festlegen. In den obigen [Festlegen von `EnableDockerAccess`](#studio-updated-local-enable)-Beispielen können Sie beispielsweise Ihre Domain-Einstellungen so ändern, dass sie Folgendes beinhalten:
```
'{"DockerSettings": {"EnableDockerAccess": "ENABLED", "RootlessDocker": "ENABLED"}}'
```
## Docker-Installation
Zur Verwendung von Docker müssen Sie Docker manuell vom Terminal Ihrer Studio-Anwendung aus installieren. Die Schritte zur Installation von Docker unterscheiden sich, je nachdem, ob die Domain Zugang zum Internet hat oder nicht.
### Internetzugang
Wenn die Domain mit öffentlichem Internetzugang oder im `VPC-only`-Modus mit eingeschränktem Internetzugang erstellt wurde, befolgen Sie die Schritte zur Installation von Docker.
1. (Optional) Wenn Ihre Domain im `VPC-only`-Modus mit eingeschränktem Internetzugang erstellt wurde, erstellen Sie ein öffentliches NAT-Gateway mit Zugriff auf die Docker-Website. Detaillierte Anweisungen finden Sie unter [NAT-Gateways](https://docs.aws.amazon.com/vpc/latest/userguide/vpc-nat-gateway.html).
1. Navigieren Sie zum Terminal der Studio-Anwendung, in der Sie Docker installieren möchten.
1. Führen Sie den folgenden Befehl vom Terminal aus, um das Betriebssystem der Anwendung zurückzugeben:
```
cat /etc/os-release
```
1. DockerFolgen Sie bei der Installation den Anweisungen für das Betriebssystem der Anwendung im [Amazon SageMaker AI Local Mode Examples Repository](https://github.com/aws-samples/amazon-sagemaker-local-mode/tree/main/sagemaker_studio_docker_cli_install).
Folgen Sie bei der Installation beispielsweise Docker dem Ubuntu Skript unter [https://github.com/aws-samples/amazon-sagemaker-local-mode/blob/main/sagemaker\$1studio\$1docker\$1cli\$1install/sagemaker- ubuntu-focal-docker-cli -install.sh](https://github.com/aws-samples/amazon-sagemaker-local-mode/blob/main/sagemaker_studio_docker_cli_install/sagemaker-ubuntu-focal-docker-cli-install.sh) und beachten Sie dabei die folgenden Überlegungen:
+ Wenn verkettete Befehle fehlschlagen, führen Sie die Befehle nacheinander aus.
+ Studio unterstützt nur Docker-Version `20.10.X.` und Docker Engine-API-Version `1.41`.
+ Die folgenden Pakete sind für die Verwendung der Docker-CLI in Studio nicht erforderlich und ihre Installation kann übersprungen werden:
+ `containerd.io`
+ `docker-ce`
+ `docker-buildx-plugin`
**Anmerkung**
Sie müssen den Docker-Service in Ihren Anwendungen nicht starten. Die Instance, die die Studio-Anwendung hostet, führt den Docker-Service standardmäßig aus. Alle Docker-API-Aufrufe werden automatisch über den Docker-Service weitergeleitet.
1. Verwenden Sie den exponierten Docker-Socket für Docker-Interaktionen innerhalb von Studio-Anwendungen. Standardmäßig ist der folgende Socket verfügbar:
```
unix:///docker/proxy.sock
```
Die folgende Umgebungsvariable der Studio-Anwendung `USER` verwendet standardmäßig diesen exponierten Socket:
```
DOCKER_HOST
```
### Kein Internetzugang
Wenn die Domain im `VPC-only`-Modus ohne Internetzugang erstellt wurde, befolgen Sie die Schritte zur Installation von Docker.
1. Navigieren Sie zum Terminal der Studio-Anwendung, in der Sie Docker installieren möchten.
1. Führen Sie den folgenden Befehl vom Terminal aus, um das Betriebssystem der Anwendung zurückzugeben:
```
cat /etc/os-release
```
1. Laden Sie die erforderlichen Docker–`.deb`-Dateien auf Ihren lokalen Rechner herunter. Anweisungen zum Herunterladen der erforderlichen Dateien für das Betriebssystem der Studio-Anwendung finden Sie unter [Installieren von Docker Engine](https://docs.docker.com/engine/install/).
Installieren Sie beispielsweise Docker aus einem Paket auf Ubuntu und folgen Sie dabei den Schritten 1–4 unter [Aus einem Paket installieren](https://docs.docker.com/engine/install/ubuntu/#install-from-a-package). Beachten Sie dabei die folgenden Überlegungen:
+ Installieren Sie Docker aus einem Paket. Die Verwendung anderer Methoden zur Installation von Docker schlägt fehl.
+ Installieren Sie die neuesten Pakete, die der Docker-Version `20.10.X` entsprechen.
+ Die folgenden Pakete sind nicht erforderlich, um die Docker-CLI in Studio zu verwenden. Sie müssen Folgendes nicht installieren:
+ `containerd.io`
+ `docker-ce`
+ `docker-buildx-plugin`
**Anmerkung**
Sie müssen den Docker-Service in Ihren Anwendungen nicht starten. Die Instance, die die Studio-Anwendung hostet, führt den Docker-Service standardmäßig aus. Alle Docker-API-Aufrufe werden automatisch über den Docker-Service weitergeleitet.
1. Laden Sie die `.deb`-Dateien in das Amazon-EFS-Dateisystem oder in das Amazon-EBS-Dateisystem der Anwendung hoch.
1. Installieren Sie die `.deb`-Pakete `docker-ce-cli` und `docker-compose-plugin` manuell vom Studio-Anwendungsterminal aus. Weitere Informationen und Anweisungen finden Sie in Schritt 5 unter [Aus einem Paket installieren](https://docs.docker.com/engine/install/ubuntu/#install-from-a-package) auf der Docker-Docs-Website.
1. Verwenden Sie den exponierten Docker-Socket für Docker-Interaktionen innerhalb von Studio-Anwendungen. Standardmäßig ist der folgende Socket verfügbar:
```
unix:///docker/proxy.sock
```
Die folgende Umgebungsvariable der Studio-Anwendung `USER` verwendet standardmäßig diesen exponierten Socket:
```
DOCKER_HOST
```
# Anzeigen Ihrer laufenden Studio-Instances, -Anwendungen und -Bereiche
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich auf die Verwendung der aktualisierten Studio-Erfahrung. Informationen zur Verwendung der Studio-Classic-Anwendung finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
Die folgenden Themen enthalten Informationen und Anweisungen dazu, wie Sie Ihre laufenden Studio-Instances, -Anwendungen und -Bereiche anzeigen können. Weitere Informationen über Studio-Bereiche finden Sie unter [Amazon SageMaker Studio-Räume](studio-updated-spaces.md).
## Anzeigen Ihrer laufenden Studio-Instances und -Anwendungen
Die Seite **Running Instances** enthält Informationen über alle laufenden Anwendungsinstanzen, die vom Benutzer in Amazon SageMaker Studio erstellt oder mit dem Benutzer geteilt wurden.
Sie können laufende Instances für all Ihre Anwendungen und Bereiche anzeigen und beenden. Wenn eine Instance gestoppt wurde, wird sie nicht auf dieser Seite angezeigt. Gestoppte Instances können auf der Landingpage für ihre jeweiligen Anwendungstypen eingesehen werden.
Sie können eine Liste der laufenden Anwendungen und deren Details in Studio einsehen.
**So zeigen Sie laufende Instances an**
1. Starten Sie Studio, indem Sie die Schritte in [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md) befolgen.
1. Wählen Sie im linken Navigationsbereich die Option **Laufende Instances** aus.
1. Auf der Seite **Laufende Instances** können Sie eine Liste der laufenden Anwendungen und Details zu diesen Anwendungen einsehen.
Um nicht ausgeführte Instances anzuzeigen, wählen Sie im linken Navigationsbereich unter **Anwendungen** die entsprechende Anwendung aus. Für die nicht ausgeführten Anwendungen wird in der Spalte **Status** der Status **Angehalten** angezeigt.
## Anzeigen Ihrer Studio-Bereiche
Der Abschnitt **Bereiche** auf Ihrer Seite mit den **Domaindetails** enthält Informationen zu Studio-Bereichen innerhalb Ihrer Domain. Auf dieser Seite können Sie Bereiche anzeigen, erstellen und löschen.
Bei den Bereichen, die Sie im Abschnitt **Bereiche** einsehen können, handelt es sich um laufende Bereiche für Folgendes:
+ JupyterLab privater Bereich. Informationen zu finden JupyterLab Sie unter[SageMaker JupyterLab](studio-updated-jl.md).
+ Privater Bereich von Code Editor. Weitere Informationen zu Code Editor, basierend auf Code-OSS, Visual Studio Code – Open Source, finden Sie unter [Code-Editor in Amazon SageMaker Studio](code-editor.md).
+ Gemeinsam genutzter Bereich von Studio Classic. Weitere Informationen über den gemeinsam genutzten Bereich von Studio Classic finden Sie unter [Zusammenarbeit mit gemeinsam genutzten Räumen](domain-space.md).
Es gibt keine Leerzeichen für SageMaker Canvas, Studio Classic (privat) oder RStudio.
**Sehen Sie sich Ihre Studio-Bereiche in einer Domain an**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die Domain aus, in der Sie die Bereiche anzeigen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Bereichsverwaltung** aus, um den Abschnitt **Bereiche** zu öffnen.
**Sehen Sie sich Ihre Studio-Bereiche mit dem an AWS CLI**
Verwenden Sie den folgenden Befehl, um alle Bereiche in Ihrer Domain aufzulisten:
```
aws sagemaker list-spaces --region us-east-1 --domain-id domain-id
```
+ `us-east-1`ist dein AWS-Region.
+ *domain-id* ist Ihre Domain-ID. Weitere Informationen finden Sie unter [Anzeigen von Domains](domain-view.md).
# Stoppen und Löschen Ihrer laufenden Studio-Anwendungen und -Bereiche
Die folgende Seite enthält Informationen und Anweisungen zum Stoppen und Löschen ungenutzter Amazon SageMaker Studio-Ressourcen, um unerwünschte zusätzliche Kosten zu vermeiden. Für die Studio-Ressourcen, die Sie nicht mehr verwenden möchten, müssen Sie beides tun:
+ Anwendung beenden: Dadurch wird sowohl die Anwendung beendet als auch die Instance gelöscht, auf der die Anwendung ausgeführt wird. Sobald Sie eine Anwendung beendet haben, können Sie sie erneut starten.
+ Bereich löschen: Dadurch wird das Amazon-EBS-Volume gelöscht, das für die Anwendung und die Instance erstellt wurde.
**Wichtig**
Wenn Sie den Bereich löschen, verlieren Sie den Zugriff auf die Daten in diesem Bereich. Löschen Sie den Bereich nicht, es sei denn, Sie sind sich sicher, dass Sie dies möchten.
Weitere Informationen zu den Unterschieden zwischen Studio-Bereichen und -Anwendungen finden Sie unter [Anzeigen Ihrer laufenden Studio-Instances, -Anwendungen und -Bereiche](studio-updated-running.md).
**Topics**
+ [Beenden Sie Ihre Amazon SageMaker Studio-Anwendung](#studio-updated-running-stop-app)
+ [Löschen eines Studio-Bereichs](#studio-updated-running-stop-space)
## Beenden Sie Ihre Amazon SageMaker Studio-Anwendung
Um zusätzliche Kosten durch ungenutzte laufende Anwendungen zu vermeiden, müssen Sie diese beenden. Im Folgenden finden Sie Informationen darüber, was das Beenden einer Anwendung bewirkt und wie das geht.
+ Die folgenden Anweisungen verwenden die [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html)-API, um die Anwendung zu beenden. Dadurch wird auch die Instance gestoppt, auf der die Anwendung ausgeführt wird.
+ Nachdem Sie eine Anwendung beendet haben, können Sie sie später erneut starten.
+ Wenn Sie eine Anwendung beenden, bleiben die Dateien im Bereich erhalten. Sie können die Anwendung erneut ausführen und davon ausgehen, dass Sie Zugriff auf dieselben Dateien haben, die im Speicherbereich gespeichert sind, wie vor dem Löschen der Anwendung.
+ Wenn Sie eine Anwendung beenden, werden die *Metadaten* für die Anwendung innerhalb von 24 Stunden gelöscht. Weitere Informationen finden Sie im Hinweis im `CreationTime` Antwortelement für die [DescribeApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeApp.html#sagemaker-DescribeApp-response-CreationTime)API.
**Anmerkung**
Wenn der Service feststellt, dass eine Anwendung nicht ordnungsgemäß funktioniert, übernimmt er die mit dem [AmazonSageMakerNotebooksServiceRolePolicy](security-iam-awsmanpol-notebooks.md#security-iam-awsmanpol-AmazonSageMakerNotebooksServiceRolePolicy)-Service verknüpfte Rolle und löscht die Anwendung mithilfe der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html)-API.
Die folgenden Registerkarten enthalten Anweisungen zum Stoppen einer Anwendung von Ihrer Domain aus mithilfe der Studio-Benutzeroberfläche, der SageMaker AI-Konsole oder der AWS CLI.
**Anmerkung**
Um all Ihre laufenden Studio-Instances an einem Ort anzuzeigen und zu beenden, empfehlen wir den [Beenden der Anwendungen unter Verwendung der Studio-Benutzeroberfläche](#studio-updated-running-stop-app-using-studio-updated-ui)-Workflow mit den folgenden Optionen.
### Beenden der Anwendungen unter Verwendung der Studio-Benutzeroberfläche
Gehen Sie wie folgt vor, um Ihre Studio-Anwendungen über die Studio-Benutzeroberfläche zu beenden.
**So löschen Sie Ihre Anwendungen (Studio-Benutzeroberfläche)**
1. Studio starten. Dieser Vorgang kann je nach Einrichtung unterschiedlich sein. Weitere Informationen zum Starten von Studio finden Sie unter [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md).
1. Wählen Sie im linken Navigationsbereich **Laufende Instances** aus.
Wenn die Tabelle auf der Seite leer ist, haben Sie keine laufenden Instances oder Anwendungen in Ihren Bereiche.
1. Suchen Sie in der Tabelle unter den Spalten **Name** und **Anwendung** nach dem Namen des Bereichs und der Anwendung, die Sie beenden möchten.
1. Wählen Sie die entsprechende **Beenden**-Schaltfläche aus, um die Anwendung zu beenden.
### Beenden Sie Anwendungen mithilfe der SageMaker AI-Konsole
Informationen zum Anzeigen oder Beenden von laufenden Studio-Instances von einem zentralen Ort aus finden Sie unter [Beenden der Anwendungen unter Verwendung der Studio-Benutzeroberfläche](#studio-updated-running-stop-app-using-studio-updated-ui). Befolgen Sie andernfalls die folgenden Anweisungen.
In der SageMaker AI-Konsole können Sie die laufenden Studio-Anwendungen nur für die Bereiche beenden, die Sie im Bereich **Spaces** der Konsole anzeigen können. Eine Liste der sichtbaren Bereiche finden Sie unter [Anzeigen Ihrer Studio-Bereiche](studio-updated-running.md#studio-updated-running-view-space).
Diese Schritte zeigen, wie Sie Ihre Studio-Anwendungen mithilfe der SageMaker AI-Konsole beenden können.
**Um Ihre Anwendungen zu stoppen (SageMaker AI-Konsole)**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die Domain aus, die Sie zurücksetzen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** **Speicherverwaltung** aus.
1.
**Wichtig**
Auf der Registerkarte **Bereichsverwaltung** haben Sie die Möglichkeit, den Bereich zu löschen. Es gibt einen Unterschied zwischen dem Löschen des Bereichs und dem Löschen einer Anwendung. Wenn Sie den Bereich löschen, verlieren Sie den Zugriff auf die Daten in diesem Bereich. Löschen Sie den Bereich nicht, es sei denn, Sie sind sich sicher, dass Sie dies möchten.
Um die Anwendung zu beenden, wählen Sie auf der Registerkarte **Bereichsverwaltung** in der Spalte **Name** den Bereich für die Anwendung aus.
1. Suchen Sie im Bereich **Apps** und in der Spalte **App-Typ** nach der App, die beendet werden soll.
1. Wählen Sie in der Spalte **Aktion** die entsprechende Schaltfläche **App löschen** aus.
1. Wählen Sie im Popup-Feld **Ja, App löschen** aus. Nachdem Sie dies getan haben, wird das Eingabefeld „Löschen“ verfügbar.
1. Geben Sie **delete** in das Feld ein, um den Löschvorgang zu bestätigen.
1. Wählen Sie **Löschen** aus.
### Stoppen Sie Ihre Domain-Anwendungen mit dem AWS CLI
Informationen zum Anzeigen oder Beenden Ihrer laufenden Studio-Instances von einem zentralen Ort aus finden Sie unter [Beenden der Anwendungen unter Verwendung der Studio-Benutzeroberfläche](#studio-updated-running-stop-app-using-studio-updated-ui). Befolgen Sie andernfalls die folgenden Anweisungen.
In den folgenden Codebeispielen wird die [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html)-API verwendet, um eine Anwendung in einer Beispieldomain zu beenden.
Verwenden Sie das folgende **Codebeispiel, um Ihre laufenden Instanzen **JupyterLab**oder Code-Editor-Instanzen** zu beenden:
```
aws sagemaker delete-app \
--domain-id example-domain-id \
--region AWS-Region \
--app-name default \
--app-type example-app-type \
--space-name example-space-name
```
+ Verwenden Sie folgende Anweisungen, um Ihre `example-domain-id` abzurufen:
**So rufen Sie `example-domain-id` ab**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die entsprechende Domain aus.
1. Wählen Sie auf der Seite mit den **Domain-Details** **Domain-Einstellungen** aus.
1. Kopieren Sie die **Domain-ID**.
+ Um Ihre `AWS-Region` abzurufen, befolgen Sie die folgenden Anweisungen, um sicherzustellen, dass Sie die richtige AWS-Region für Ihre Domain verwenden:
**So rufen Sie `AWS-Region` ab**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die entsprechende Domain aus.
1. Vergewissern Sie sich auf der Seite mit den **Domaindetails**, dass es sich um die entsprechende Domain handelt.
1. Erweitern Sie die Dropdownliste für die Region oben rechts in der SageMaker AI-Konsole und verwenden Sie die entsprechende AWS-Region ID rechts neben Ihrem AWS-Region Namen. Beispiel, `us-west-1`.
+ Verwenden Sie für `example-app-type` den Anwendungstyp, der für die Anwendung relevant ist, die Sie beenden möchten. Ersetzen Sie beispielsweise `example-app-type` durch einen der folgenden Anwendungstypen:
+ JupyterLab Art der Anwendung:`JupyterLab`. Informationen zu finden JupyterLab Sie unter[SageMaker JupyterLab](studio-updated-jl.md).
+ Anwendungstyp von Code Editor: `CodeEditor`. Weitere Informationen zu Code Editor, basierend auf Code-OSS, Visual Studio Code – Open Source, finden Sie unter [Code-Editor in Amazon SageMaker Studio](code-editor.md).
+ Gehen Sie wie folgt vor, um Ihren `example-space-name` abzurufen:
**So rufen Sie `example-space-name` ab**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die entsprechende Domain aus.
1. Wählen Sie auf der Seite mit den **Domaindetails** **Speicherverwaltung** aus.
1. Kopieren Sie den entsprechenden Bereichsnamen.
Verwenden Sie das folgende Codebeispiel, um die Ausführung von Instances für **SageMaker Canvas **RStudio****, **Studio Classic** oder zu beenden:
```
aws sagemaker delete-app \
--domain-id example-domain-id \
--region AWS-Region \
--app-name default \
--app-type example-app-type \
--user-profile example-user-name
```
+ Verwenden Sie für `example-app-type` den Anwendungstyp, der für die Anwendung relevant ist, die Sie beenden möchten. Ersetzen Sie beispielsweise `example-app-type` durch einen der folgenden Anwendungstypen:
+ SageMaker Canvas-Anwendungstyp:`Canvas`. Informationen zu SageMaker Canvas finden Sie unter[Amazon SageMaker Leinwand](canvas.md).
+ Studio-Classic-Anwendungstyp: `JupyterServer`. Weitere Informationen zu Studio Classic finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
+ RStudio Art der Anwendung:`RStudioServerPro`. Informationen zu finden RStudio Sie unter[RStudio auf Amazon SageMaker AI](rstudio.md).
+ Um Ihren `example-user-name` abzurufen, navigieren Sie zur Seite mit den **Domaindetails**.
+ Wählen Sie als Nächstes die Registerkarte **Benutzerprofile** aus und kopieren Sie den entsprechenden Bereichsnamen.
Alternative Anweisungen zum Beenden Ihrer laufenden Studio-Anwendungen finden Sie unter:
+ JupyterLab: [Löschen von nicht genutzten Ressourcen](studio-updated-jl-admin-guide-clean-up.md).
+ Code Editor: [Herunterfahren der Code-Editor-Ressourcen](code-editor-use-log-out.md).
+ SageMaker Leinwand:[Von Amazon SageMaker Canvas abmelden](canvas-log-out.md).
+ Studio Classic: [Amazon SageMaker Studio Classic und Apps herunterfahren und aktualisieren](studio-tasks-update.md).
+ RStudio: [Herunterfahren RStudio](rstudio-shutdown.md).
## Löschen eines Studio-Bereichs
**Wichtig**
Nachdem Sie Ihren Bereich gelöscht haben, gehen alle darin gespeicherten Daten verloren. Wir empfehlen Ihnen, Ihre Daten zu sichern, bevor Sie Ihren Bereich löschen.
Sie benötigen Administratorrechte oder zumindest die Berechtigung, Domain, IAM und Amazon S3 zu aktualisieren, um einen Studio-Bereich zu löschen.
+ Bereiche werden verwendet, um den Speicher- und Ressourcenbedarf der jeweiligen Anwendung zu verwalten. Wenn Sie einen Bereich löschen, wird auch das Speichervolume gelöscht. Dadurch verlieren Sie den Zugriff auf die in diesem Bereich gespeicherten Dateien. Weitere Informationen über Studio-Bereiche finden Sie unter [Amazon SageMaker Studio-Räume](studio-updated-spaces.md).
Es wird empfohlen, Ihre Daten zu sichern, wenn Sie einen Bereich löschen möchten.
+ Nachdem Sie einen Bereich gelöscht haben, können Sie nicht mehr auf diesen zugreifen.
Sie können die Studio-Bereiche löschen, die im Abschnitt **Bereiche** der Konsole sichtbar sind. Eine Liste der sichtbaren Bereiche finden Sie unter [Anzeigen Ihrer Studio-Bereiche](studio-updated-running.md#studio-updated-running-view-space).
Es gibt keine Leerzeichen für SageMaker Canvas, Studio Classic (privat) und RStudio. Informationen zum Beenden und Löschen von SageMaker Canvas-, Studio Classic- (privat) oder RStudio Anwendungen finden Sie unter[Beenden Sie Ihre Amazon SageMaker Studio-Anwendung](#studio-updated-running-stop-app).
### Löschen Sie einen Bereich mithilfe der SageMaker AI-Konsole
Der Abschnitt **Bereiche** auf Ihrer Seite mit den **Domaindetails** enthält Informationen zu Studio-Bereichen innerhalb Ihrer Domain. Auf dieser Seite können Sie Bereiche anzeigen, erstellen und löschen.
**So zeigen Sie Studio-Bereiche in einer Domain an**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die Domain aus, in der Sie die Bereiche anzeigen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Bereichsverwaltung** aus, um den Abschnitt **Bereiche** zu öffnen.
1. Wählen Sie den Bereich aus, der gelöscht werden soll.
1. Wählen Sie **Löschen** aus.
1. Im Popup-Feld mit dem Titel **Bereich löschen** haben Sie zwei Optionen:
+ Wenn Sie bereits alle Anwendungen in dem Bereich heruntergefahren haben, wählen Sie **Ja, Bereich löschen** aus.
+ Wenn noch Anwendungen im Bereich ausgeführt werden, wählen Sie **Ja, alle Apps herunterfahren und Bereich löschen** aus.
1. Geben Sie **delete** in das Feld ein, um den Löschvorgang zu bestätigen.
1. Es gibt zwei Möglichkeiten zum Löschen des Bereichs:
+ Wenn Sie bereits alle Anwendungen in dem Bereich heruntergefahren haben, wählen Sie **Bereich löschen** aus.
+ Wenn noch Anwendungen im Bereich ausgeführt werden, wählen Sie **Alle Apps herunterfahren und Bereich löschen** aus.
### Löschen Sie einen Bereich mit dem AWS CLI
Bevor Sie einen Bereich mit dem löschen können AWS CLI, müssen Sie die zugehörige Anwendung löschen. Weitere Informationen über das Beenden eines Studio-Anwendung finden Sie unter [Beenden Sie Ihre Amazon SageMaker Studio-Anwendung](#studio-updated-running-stop-app).
Verwenden Sie den folgenden AWS CLI Befehl, um ein Leerzeichen innerhalb einer Domain zu löschen:
```
aws sagemaker delete-space \
--domain-id example-domain-id \
--region AWS-Region \
--space-name example-space-name
```
+ Verwenden Sie folgende Anweisungen, um Ihre `example-domain-id` abzurufen:
**So rufen Sie `example-domain-id` ab**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die entsprechende Domain aus.
1. Wählen Sie auf der Seite mit den **Domain-Details** **Domain-Einstellungen** aus.
1. Kopieren Sie die **Domain-ID**.
+ Um Ihre `AWS-Region` abzurufen, befolgen Sie die folgenden Anweisungen, um sicherzustellen, dass Sie die richtige AWS-Region für Ihre Domain verwenden:
**So rufen Sie `AWS-Region` ab**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die entsprechende Domain aus.
1. Vergewissern Sie sich auf der Seite mit den **Domaindetails**, dass es sich um die entsprechende Domain handelt.
1. Erweitern Sie die Dropdownliste für die Region oben rechts in der SageMaker AI-Konsole und verwenden Sie die entsprechende AWS-Region ID rechts neben Ihrem AWS-Region Namen. Beispiel, `us-west-1`.
+ Gehen Sie wie folgt vor, um Ihren `example-space-name` abzurufen:
**So rufen Sie `example-space-name` ab**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die entsprechende Domain aus.
1. Wählen Sie auf der Seite mit den **Domaindetails** **Speicherverwaltung** aus.
1. Kopieren Sie den entsprechenden Bereichsnamen.
# SageMaker Richtlinie zur Unterstützung von Studio-Images
**Wichtig**
Derzeit sind alle Pakete in SageMaker Distribution-Images für die Verwendung mit Amazon SageMaker AI lizenziert und erfordern keine zusätzlichen kommerziellen Lizenzen. Dies könnte sich jedoch in Zukunft ändern und wir empfehlen, die Lizenzbedingungen regelmäßig auf Aktualisierungen zu überprüfen.
Amazon SageMaker Distribution ist eine Reihe von Docker-Images, die auf SageMaker Studio verfügbar sind und beliebte Frameworks für maschinelles Lernen, Datenwissenschaft und Visualisierung enthalten.
Die Bilder enthalten Deep-Learning-Frameworks wie Keras PyTorch, TensorFlow beliebte Python-Pakete wie numpy, scikit-learn und pandas sowie IDEs like JupyterLab und Code Editor, basierend auf Code-OSS, Visual Studio Code — Open Source. Die Distribution enthält die neuesten Versionen all dieser Pakete, sodass sie miteinander kompatibel sind.
Auf dieser Seite werden die Support-Richtlinien und die Verfügbarkeit für Distribution Images on Studio beschrieben. SageMaker SageMaker
## Versionsverwaltung, Veröffentlichungsrhythmus und Support-Richtlinien
In der folgenden Tabelle sind der Veröffentlichungszeitplan für SageMaker Distribution Image-Versionen und deren geplante Unterstützung aufgeführt. AWS bietet fortlaufende Funktions- und Sicherheitsupdates für unterstützte Image-Versionen. Neue Nebenversionen werden für Hauptversionen 12 Monate lang veröffentlicht und unterstützte Nebenversionen erhalten fortlaufend Funktions- und Sicherheitspatches. In einigen Fällen muss der Support für eine Image-Version möglicherweise früher als ursprünglich geplant eingestellt werden, wenn (a) Sicherheitsprobleme nicht behoben werden können, während die Richtlinien für die semantische Versionierung beibehalten werden, oder (b) eine unserer Hauptabhängigkeiten, wie Python, erreicht wird. end-of-life AWS veröffentlicht Ad-hoc-Haupt- oder Nebenversionen nach Bedarf.
| Version | Description | Release-Taktfrequenz | Geplante Unterstützung |
| --- | --- | --- | --- |
| Hauptversion | Die Hauptversionsversionen von Amazon SageMaker Distribution beinhalten das Upgrade aller Kernabhängigkeiten auf die neuesten kompatiblen Versionen. Diese Hauptversionen können im Rahmen des Updates auch Pakete hinzufügen oder entfernen. Hauptversionen werden durch die erste Zahl in der Versionszeichenfolge gekennzeichnet, beispielsweise 1.0, 2.0 oder 3.0. | 6 Monate | 18 Monate |
| Nebenversion | Zu den Nebenversionsversionen von Amazon SageMaker Distribution gehört das Upgrade aller Kernabhängigkeiten auf die neuesten kompatiblen Nebenversionen innerhalb derselben Hauptversion. SageMaker Distribution kann während der Veröffentlichung einer Nebenversion neue Pakete hinzufügen. Nebenversionen werden durch die zweite Zahl in der Versionszeichenfolge angegeben, beispielsweise 1.1, 1.2 oder 2.1. | 1 Monat | 6 Monate |
| Patch | Die Patch-Versionen von Amazon SageMaker Distribution beinhalten die Aktualisierung aller Kernabhängigkeiten auf die neuesten kompatiblen Patch-Versionen innerhalb derselben Nebenversion. SageMaker Distribution fügt während der Veröffentlichung einer Patch-Version keine Pakete hinzu oder entfernt sie. Patch-Versionen werden durch die dritte Zahl in der Versionszeichenfolge angegeben, beispielsweise 1.1.1, 1.2.1 oder 2.1.3. Da Patch-Versionen in der Regel zur Behebung von Sicherheitslücken veröffentlicht werden, empfehlen wir, stets auf die neueste Patch-Version zu aktualisieren, sobald diese verfügbar ist. | Soweit erforderlich, um Sicherheitslücken zu beheben | Bis eine neue Patch-Version veröffentlicht wird |
Jede Hauptversion der Amazon SageMaker Distribution ist 18 Monate lang verfügbar. In den ersten 12 Monaten werden monatlich neue Nebenversionen veröffentlicht. In den verbleibenden 6 Monaten werden die vorhandenen Nebenversionen weiterhin unterstützt.
## Unterstützte Image-Versionen
In den folgenden Tabellen sind die unterstützten SageMaker Distributions-Image-Versionen, ihre geplanten Termine für das Ende des Supports und ihre Verfügbarkeit in SageMaker Studio aufgeführt. Bei Image-Versionen, deren Support vor dem geplanten Support-Enddatum endet, bleiben die Versionen bis zum angegebenen Verfügbarkeitsdatum in Studio verfügbar. Sie können das Image bis zu 90 Tage lang oder bis zum Verfügbarkeitsdatum auf Studio, je nachdem, was zuerst eintritt, weiterhin zum Starten von Anwendungen verwenden. Weitere Informationen zu solchen Fällen erhalten Sie unter Support.
Wir empfehlen Ihnen, so bald wie möglich auf eine neuere unterstützte Version umzusteigen, um sicherzustellen, dass Sie weiterhin Funktions- und Sicherheitsupdates erhalten. Bei der Auswahl einer Image-Version in SageMaker Studio empfehlen wir Ihnen, eine unterstützte Image-Version aus den folgenden Tabellen auszuwählen.
### Unterstützte Hauptversionen
In der folgenden Tabelle sind die unterstützten Haupt-Image-Versionen der SageMaker Distribution aufgeführt.
| Image-Version | Letzte Nebenversion-Veröffentlichung | Unterstützt bis | Description |
| --- | --- | --- | --- |
| 1.x.x | 30. April 2025 | 30. Oktober 2025 | SageMaker Die Hauptversion 1 der Distribution wurde mit Python 3.10 erstellt. |
| 2.x.x | 25. August 2025 | 25. Februar 2026 | SageMaker Die Hauptversion 2 der Distribution wurde mit Python 3.11 erstellt. |
| 3.x.x | 29. März 2026 | 29. September 2026 | SageMaker Die Hauptversion 3 der Distribution wurde mit Python 3.12 erstellt. |
### Nebenversionen des CPU-Images
In der folgenden Tabelle sind die unterstützten Neben-Image-Versionen der SageMaker Distribution für CPUs aufgeführt.
| Image-Version | Image-URL von Amazon ECR | Geplantes Datum für das Ende des Supports | Verfügbarkeit auf Studio bis | Versionshinweise |
| --- | --- | --- | --- | --- |
| 3.1.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 3.1-CPU | 19. November 2025 | 19. November 2025 | [Versionshinweise](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.1) |
| 3.0.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 3.0-CPU | 30. Juni 2025 | 29. September 2025 | [Versionshinweise](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.0) |
| 2.6.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.6-cpu | 30. Juni 2025 | 28. Oktober 2025 | [Versionshinweise](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v2/v2.6) |
### Nebenversionen des GPU-Images
In der folgenden Tabelle sind die unterstützten SageMaker Distribution-Neben-Image-Versionen für aufgeführt. GPUs
| Image-Version | Image-URL von Amazon ECR | Geplantes Datum für das Ende des Supports | Verfügbarkeit auf Studio bis | Versionshinweise für den neuesten Patch |
| --- | --- | --- | --- | --- |
| 3.1.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 3.1-GPU | 19. November 2025 | 19. November 2025 | [Versionshinweise](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.1) |
| 3.0.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 3.0-GPU | 30. Juni 2025 | 29. September 2025 | [Versionshinweise](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.0) |
| 2.6.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.6-GPU | 30. Juni 2025 | 28. Oktober 2025 | [Versionshinweise](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v2/v2.6) |
### Nicht unterstützte Images
In der folgenden Tabelle sind die nicht unterstützten Distributions-Image-Versionen aufgeführt. SageMaker
| Image-Version | Image-URL von Amazon ECR | Datum des Endes des Supports | Verfügbarkeit auf Studio bis |
| --- | --- | --- | --- |
| 2.4.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.4-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.4-CPU | 7. September 2025 | 7. September 2025 |
| 2.3.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.3-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.3-CPU | 27. Juli 2025 | 27. Juli 2025 |
| 2.2.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.2-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.2-GPU | 15. Mai 2025 | 15. Mai 2025 |
| 2.1.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.1-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.1-GPU | 25. April 2025 | 12. Mai 2025 |
| 2.0.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.0-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 2.0-GPU | 25. Februar 2025 | 21. April 2025 |
| 1.13.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.13-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.13-GPU | 15. Mai 2025 | 20. September 2025 |
| 1.12.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.12-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.12-gpu | 23. Juli 2025 | 23. Juli 2025 |
| 1.11.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.11-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.11-gpu | 1. April 2025 | 12. Mai 2025 |
| 1.10.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.10-cpu public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.10-gpu | 5. Februar 2025 | 10. April 2025 |
| 1.9.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.9-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.9-GPU | 15. Januar 2025 | 10. April 2025 |
| 1.8.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.8-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.8-GPU | 31. Dezember 2024 | 10. April 2025 |
| 1.7.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.7-cpu public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.7-GPU | 15. Dezember 2024 | 10. April 2025 |
| 1.6.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.6-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.6-GPU | 15. Dezember 2024 | 10. April 2025 |
| 1.5.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.5-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.5-GPU | 31. Oktober 2024 | 1. November 2024 |
| 1.4.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.4-CPU public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.4-GPU | 31. Oktober 2024 | 1. November 2024 |
| 1.3.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.3-CPU | 28. Juni 2024 | 18. Oktober 2024 |
| 1.2.x | public.ecr. aws/sagemaker/sagemaker-Verteilung: 1.2-CPU | 28. Juni 2024 | 18. Oktober 2024 |
### Häufig gestellte Fragen
**Was macht die Veröffentlichung einer Image-Hauptversion aus?**
Wichtige Image-Versionen werden alle 6 Monate veröffentlicht. Eine größere Image-Version für Amazon SageMaker Distribution beinhaltet das Upgrade aller Kernabhängigkeiten auf die neuesten kompatiblen Versionen und kann das Hinzufügen oder Entfernen von Paketen beinhalten. Das Python-Framework wird nur mit neuen Hauptversionen aktualisiert. Mit der Hauptversion 2 wurde das Python-Framework beispielsweise von 3.10 auf 3.11 aktualisiert, PyTorch von 2.0 auf 2.3 aktualisiert, TensorFlow von 2.14 auf 2.17 aktualisiert, Autogluon wurde von 0.8 auf 1.1 aktualisiert und dem Image wurden 4 Pakete hinzugefügt.
**Was macht die Veröffentlichung einer Image-Nebenversion aus?**
Für alle unterstützten Hauptversionen werden monatlich Image-Nebenversionen veröffentlicht. Eine kleinere Image-Version für Amazon SageMaker Distribution beinhaltet das Upgrade aller Kernabhängigkeiten außer Python und CUDA auf die neuesten kompatiblen Nebenversionen innerhalb derselben Hauptversion und kann das Hinzufügen neuer Pakete beinhalten. Bei einer Nebenversion könnte beispielsweise Langchain von 0.1 auf 0.2 und Jupyter-ai von 2.18 auf 2.20 aktualisiert werden.
**Was macht die Veröffentlichung einer Patch-Image-Version aus?**
Patch-Image-Versionen werden nach Bedarf veröffentlicht, um Sicherheitslücken zu beheben. Eine Patch-Image-Version für Amazon SageMaker Distribution beinhaltet die Aktualisierung aller Kernabhängigkeiten auf die neuesten kompatiblen Patch-Versionen innerhalb derselben Nebenversion. SageMaker Bei der Distribution werden während der Veröffentlichung einer Patch-Version keine Pakete hinzugefügt oder entfernt. Bei der Veröffentlichung einer Patch-Version könnte beispielsweise matplotlib von 3.9.1 auf 3.9.2 und boto3 von 1.34.131 auf 1.34.162 aktualisiert werden.
**Wo finde ich die Pakete, die in einer bestimmten Image-Version verfügbar sind?**
Jede Image-Version hat eine `release.md` Datei im `build_artifacts` Ordner [des GitHub Repositorys](https://github.com/aws/sagemaker-distribution), in der alle Pakete und Paketversionen für CPU- und GPU-Images angezeigt werden. Separate Änderungsprotokoll-Dateien für CPU- und GPU-Versionen enthalten detaillierte Informationen zu Paket-Upgrades. In den Änderungsprotokollen wird die neue Image-Version mit der vorherigen verglichen. Beispielsweise wird Version 1.9.0 mit der neuesten Patch-Version von 1.8 verglichen, Version 1.9.1 mit 1.9.0 und Version 2.0.0 mit der neuesten Patch-Version der zu diesem Zeitpunkt verfügbaren neuesten Nebenversion.
**Wie werden Bilder nach häufigen Sicherheitslücken und Sicherheitslücken gescannt (CVEs)?**
Amazon SageMaker AI nutzt das [erweiterte Scannen von Amazon Elastic Container Registry (Amazon ECR)](https://docs.aws.amazon.com/AmazonECR/latest/userguide/image-scanning-enhanced.html), um Sicherheitslücken automatisch zu erkennen und Lösungen für SageMaker Distribution-Images zu finden. AWS führt kontinuierlich erweiterte ECR-Scans für die neueste Patch-Version aller unterstützten Image-Versionen durch. Wenn Sicherheitslücken erkannt werden und ein Fix verfügbar ist, AWS veröffentlicht er eine aktualisierte Image-Version, um das Problem zu beheben.
**Kann ich ältere Images weiterhin verwenden, wenn ein Image nicht mehr unterstützt wird?**
Bilder sind bis zum angegebenen Verfügbarkeitsdatum in SageMaker Studio verfügbar. Ältere Images bleiben auch nach Ablauf des Supports in ECR verfügbar und werden aus Studio entfernt. Sie können ältere Image-Versionen von ECR herunterladen und [ein benutzerdefiniertes SageMaker Image erstellen](studio-byoi-create.md). Wir empfehlen jedoch dringend, auf eine unterstützte Image-Version zu aktualisieren, die kontinuierlich Sicherheitsupdates und Bugfixes erhält. Kunden, die ihre eigenen benutzerdefinierten Images erstellen, sind für das Scannen und Patchen ihrer Images verantwortlich. Weitere Informationen finden Sie unter [AWS -Modell der geteilten Verantwortung](https://aws.amazon.com/compliance/shared-responsibility-model/).
**Wichtig**
SageMaker Distribution v0.x.y wird nur in Studio Classic verwendet. SageMaker Die Distribution v1.x.y wird nur in verwendet. JupyterLab
# Amazon SageMaker Studio-Preise
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich auf die Verwendung der aktualisierten Studio-Erfahrung. Informationen zur Verwendung der Studio-Classic-Anwendung finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
Für die Nutzung der Amazon SageMaker Studio-Benutzeroberfläche fallen keine zusätzlichen Gebühren an.
Für Folgendes fallen Kosten an:
+ Volumes von Amazon Elastic Block Store oder Amazon Elastic File System, die mit Ihren Anwendungen verbunden sind.
+ Alle Aufträge und Ressourcen, die Benutzer über Studio-Anwendungen starten.
+ Eine JupyterLab Anwendung starten, auch wenn in der Anwendung keine Ressourcen oder Jobs gestartet wurden.
Informationen zur Abrechnung von Amazon SageMaker Studio Classic finden Sie unter[Amazon SageMaker Studio Classic — Preise](studio-pricing.md).
Weitere Informationen zur Abrechnung sowie Preisbeispiele finden Sie unter [ SageMaker Amazon-Preise](https://aws.amazon.com//sagemaker/pricing/).
# Fehlerbehebung
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich auf die Verwendung der aktualisierten Studio-Erfahrung. Informationen zur Verwendung der Studio-Classic-Anwendung finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
In diesem Abschnitt wird gezeigt, wie Sie häufig auftretende Probleme in Amazon SageMaker Studio beheben können.
## Wiederherstellungsmodus
Im Wiederherstellungsmodus können Sie auf Ihre Studio-Anwendung zugreifen, wenn ein Konfigurationsproblem den normalen Start verhindert. Es bietet eine vereinfachte Umgebung mit grundlegenden Funktionen, die Ihnen bei der Diagnose und Behebung des Problems behilflich sind.
Wenn eine Anwendung nicht gestartet werden kann, wird möglicherweise eine Fehlermeldung angezeigt, die Sie auffordert, den Wiederherstellungsmodus aufzurufen, um eines der folgenden Konfigurationsprobleme zu beheben.
+ Die [https://docs.conda.io/projects/conda/en/latest/user-guide/configuration/use-condarc.html](https://docs.conda.io/projects/conda/en/latest/user-guide/configuration/use-condarc.html)-Datei ist beschädigt.
Informationen zur Problembehebung Ihrer `.condarc`-Datei finden Sie auf der Seite zur [Fehlerbehebung](https://docs.conda.io/projects/conda/en/latest/user-guide/troubleshooting.html) im *Conda-Benutzerhandbuch*.
+ Es ist nicht genügend Speicher-Volume verfügbar.
Sie können den für die Anwendung verfügbaren Amazon EBS-Speicherplatz erhöhen oder den Wiederherstellungsmodus aufrufen, um nicht mehr benötigte Daten zu entfernen.
Informationen zur Erhöhung der Größe des Amazon-EBS-Volumes finden Sie unter [Kontingentgröße anfordern](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) im *Entwicklerhandbuch für Service Quotas*.
Im Wiederherstellungsmodus:
+ Ihr Home-Verzeichnis unterscheidet sich von Ihrem normalen Startverzeichnis. Dieses Verzeichnis ist temporär und stellt sicher, dass beschädigte Konfigurationen in Ihrem Standard-Home-Verzeichnis keinen Einfluss auf Ihre Vorgänge im Wiederherstellungsmodus haben. Sie können mit dem Befehl `cd /home/sagemaker-user` zu Ihrem Standard-Home-Verzeichnis navigieren.
+ Standardmodus: `/home/sagemaker-user`
+ Wiederherstellungsmodus: `/tmp/sagemaker-recovery-mode-home`
+ Die Conda-Umgebung verwendet eine minimale Basis-Conda-Umgebung, die nur die wesentlichen Pakete enthält. Die vereinfachte Conda-Einrichtung unterstützt die Isolierung von umgebungsbezogenen Problemen und bietet grundlegende Funktionen zur Fehlerbehebung.
Sie können die Studio-Benutzeroberfläche oder die verwenden AWS CLI , um im Wiederherstellungsmodus auf die Anwendung zuzugreifen.
### Verwenden der Studio-Benutzeroberfläche, um im Wiederherstellungsmodus auf die Anwendung zuzugreifen
Im Folgenden finden Sie Anweisungen für den Zugriff auf Ihre Anwendung im Wiederherstellungsmodus.
1. Sofern noch nicht geschehen, starten Sie die Studio-Benutzeroberfläche, indem Sie den Anweisungen unter [Von der Amazon SageMaker AI-Konsole aus starten](studio-updated-launch.md#studio-updated-launch-console) folgen.
1. Wählen Sie im linken Navigationsmenü unter **Anwendungen** die Anwendung aus.
1. Wählen Sie den Bereich aus, bei dem Sie Konfigurationsprobleme haben.
Die folgenden Schritte stehen Ihnen zur Verfügung, wenn Sie eines oder mehrere der zuvor genannten Konfigurationsprobleme haben. In diesem Fall werden ein Warnbanner und eine Meldung zum **Wiederherstellungsmodus** angezeigt.
**Anmerkung**
Das Warnbanner sollte eine empfohlene Lösung für das Problem enthalten. Nehmen Sie es zur Kenntnis, bevor Sie fortfahren.
1. Wählen Sie **Bereich ausführen (Wiederherstellungsmodus)** aus.
1. Um im Wiederherstellungsmodus auf Ihre Anwendung zuzugreifen, wählen Sie **Öffnen *application* (Wiederherstellungsmodus)**.
### Verwenden Sie den AWS CLI , um im Wiederherstellungsmodus auf die Anwendung zuzugreifen
Um im Wiederherstellungsmodus auf Ihre Anwendung zuzugreifen, müssen Sie den Befehl `--recovery-mode` an Ihren Befehl [AWS CLI create-app](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-app.html) anhängen. Im Folgenden finden Sie ein Beispiel dafür, wie Sie auf Ihre Anwendung im Wiederherstellungsmodus zugreifen.
Für das folgende Beispiel benötigen Sie:
+ *domain-id*
Informationen zu Ihren Domaindetails finden Sie unter [Anzeigen von Domains](domain-view.md).
+ *space-name*
Um die mit Ihrer Domain verbundenen Bereichsnamen zu erhalten, besuchen Sie [Verwenden Sie den AWS CLI , um die SageMaker KI-Bereiche in Ihrer Domain einzusehen](sm-console-domain-resources-view.md#sm-console-domain-resources-view-spaces-cli).
+ *app-name*
Der Name Ihrer -Anwendung. Informationen zum Anzeigen Ihrer Anwendungen finden Sie unter [Verwenden Sie die AWS CLI , um die SageMaker KI-Anwendungen in Ihrer Domain anzuzeigen](sm-console-domain-resources-view.md#sm-console-domain-resources-view-apps-cli).
------
#### [ Access Code Editor application in recovery mode ]
```
aws sagemaker create-app \
--app-name app-name \
--app-type CodeEditor \
--domain-id domain-id \
--space-name space-name \
--recovery-mode
```
------
#### [ Access JupyterLab application in recovery mode ]
```
aws sagemaker create-app \
--app-name app-name \
--app-type JupyterLab \
--domain-id domain-id \
--space-name space-name \
--recovery-mode
```
------
## Der Code-Editor oder die Anwendung können nicht gelöscht werden JupyterLab
Dieses Problem tritt auf, wenn ein Benutzer eine Anwendung in Amazon SageMaker Studio erstellt, die nur in Studio verfügbar ist, und dann seine Standarderfahrung auf Studio Classic zurücksetzt. Daher kann der Benutzer keine Anwendung für den Code-Editor löschen, die auf Code-OSS, Visual Studio Code — Open Source oder, weil er nicht auf die Studio-Benutzeroberfläche zugreifen kann JupyterLab, basiert.
Um dieses Problem zu beheben, benachrichtigen Sie Ihren Administrator, damit er die Anwendung manuell mit dem AWS Command Line Interface ()AWS CLI löschen kann.
## EC2InsufficientCapacityError
Dieses Problem tritt auf, wenn Sie versuchen, einen Space zu betreiben und derzeit AWS nicht genügend On-Demand-Kapazität verfügbar ist, um Ihre Anfrage zu bearbeiten.
Gehen Sie wie folgt vor, um dieses Problem zu beheben.
+ Warten Sie einige Minuten und senden Sie Ihre Anfrage erneut. Die Kapazität kann häufig wechseln.
+ Führen Sie den Bereich mit einer anderen Instance-Größe oder einem anderen Instance-Typ aus.
**Anmerkung**
Kapazität ist in verschiedenen Availability Zones verfügbar. Um die Kapazitätsverfügbarkeit für Benutzer zu maximieren, empfehlen wir, Subnetze in allen Availability Zones einzurichten. Studio versucht erneut, alle verfügbaren Availability Zones für die Domain zu überprüfen.
Die Verfügbarkeit des Instance-Typs ist je nach Region unterschiedlich. Eine Liste der unterstützten Instance-Typen pro Region finden Sie unter [Amazon SageMaker AI (Preise](https://aws.amazon.com/sagemaker/pricing/))
In der folgenden Tabelle sind Instance-Familien und ihre empfohlenen Alternativen aufgeführt.
| Instance-Familie | CPU-Typ | v CPUs | Arbeitsspeicher (GiB) | GPU-Typ | GPUs | GPU-Speicher (GiB) | Empfohlene Alternative |
| --- | --- | --- | --- | --- | --- | --- | --- |
| G4dn | Skalierbare Intel Xeon-Prozessoren der 2. Generation | 4 bis 96 | 16 bis 384 | NVIDIA T4 Tensor Core | 1 bis 8 | 16 pro GPU | G6 |
| G5 | AMD-EPYC-Prozessoren der 2. Generation | 4 bis 192 | 16 bis 768 | NVIDIA A10G Tensor Core | 1 bis 8 | 24 pro GPU | G6e |
| G6 | AMD-EPYC-Prozessoren der 3. Generation | 4 bis 192 | 16 bis 768 | NVIDIA L4 Tensor Core | 1 bis 8 | 24 pro GPU | G4dn |
| G6e | AMD-EPYC-Prozessoren der 3. Generation | 4 bis 192 | 32 bis 1 536 | NVIDIA L40S Tensor Core | 1 bis 8 | 48 pro GPU | G5, P4 |
| P3 | Skalierbare Intel-Xeon-Prozessoren | 8 bis 96 | 61 bis 768 | NVIDIA Tesla V100 | 1 bis 8 | 16 pro GPU (32 pro GPU für P3dn) | G6e, P4 |
| P4 | Skalierbare Intel Xeon-Prozessoren der 2. Generation | 96 | 1 152 | NVIDIA A100 Tensor Core | 8 | 320 (640 für P4de) | G6e |
| P5 | AMD-EPYC-Prozessoren der 3. Generation | 192 | 2000 | NVIDIA H100 Tensor Core | 8 | 640 | P4de |
## Unzureichendes Limit (Erhöhung des Kontingents erforderlich)
Dieses Problem tritt auf, wenn Sie beim Versuch, einen Bereich auszuführen, die folgende Fehlermeldung erhalten.
```
Error when creating application for space: ... : The account-level service limit is X Apps, with current utilization Y Apps and a request delta of 1 Apps. Please use Service Quotas to request an increase for this quota.
```
Für jeden Instance-Typ gibt es ein Standardlimit für die Anzahl der Instances, die Sie in jeder AWS-Region ausführen können. Dieser Fehler bedeutet, dass Sie dieses Limit erreicht haben.
Um dieses Problem zu beheben, fordern Sie eine Erhöhung des Instance-Limits für den Space an AWS-Region , in dem Sie den Space starten. Weitere Informationen finden Sie unter [Anfordern einer Kontingenterhöhung](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html).
## Benutzerdefiniertes Image konnte nicht geladen werden
Dieses Problem tritt auf, wenn ein SageMaker AI-Image gelöscht wird, bevor das Bild von Ihrer Domain getrennt wird. Dies wird angezeigt, wenn Sie die Registerkarte **Umgebung** für Ihre Domain aufrufen.
Um dieses Problem zu beheben, müssen Sie ein temporäres neues Image mit demselben Namen wie das gelöschte Image erstellen, das Image trennen und dann das temporäre Image löschen. Befolgen Sie die folgenden Anweisungen für eine Schritt-für-Schritt-Anleitung.
1. Starten Sie die [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker), falls Sie dies noch nicht getan haben.
1. Wählen Sie im linken Navigationsmenü unter **Admin-Konfigurationen** die Option **Domains** aus.
1. Wählen Sie Ihre Domain aus.
1. Wählen Sie die Registerkarte **Umgebung** aus. Auf dieser Seite wird die Fehlermeldung angezeigt.
1. Kopieren Sie den Image-Namen aus dem Image-ARN.
1. Wählen Sie im linken Navigationsmenü unter **Admin-Konfigurationen** die Option **Images** aus.
1. Wählen Sie **Create Image (Image erstellen)** aus.
1. Folgen Sie den Schritten im Verfahren, stellen Sie jedoch sicher, dass Ihr Image-Name mit dem Image-Namen von oben übereinstimmt.
Wenn Sie kein Image in einem Amazon-ECR-Verzeichnis haben, lesen Sie die Anweisungen unter [Erstellen eines benutzerdefinierten Images und Übertragen auf Amazon ECR](studio-updated-byoi-how-to-prepare-image.md).
1. Sobald Sie Ihr SageMaker KI-Image erstellt haben, kehren Sie zur Registerkarte **Umgebung** Ihrer Domain zurück. Sie werden sehen, dass das Bild an Ihre Domain angefügt ist.
1. Wählen Sie das Image und dann die Option **Trennen** aus.
1. Folgen Sie den Anweisungen, um das temporäre SageMaker AI-Image zu trennen und zu löschen.
# Migration von Amazon SageMaker Studio Classic
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Wenn Sie Amazon SageMaker Studio öffnen, basiert die webbasierte Benutzeroberfläche auf der ausgewählten Standarderfahrung. Amazon SageMaker AI unterstützt derzeit zwei verschiedene Standarderlebnisse: das Amazon SageMaker Studio-Erlebnis und das Amazon SageMaker Studio Classic-Erlebnis. Um auf die neuesten Amazon SageMaker Studio-Funktionen zugreifen zu können, müssen Sie bestehende Domains aus dem Amazon SageMaker Studio Classic-Erlebnis migrieren. Wenn Sie Ihre Standardumgebung von Studio Classic zu Studio migrieren, gehen keine Features verloren, und Sie können weiterhin innerhalb von Studio auf die Studio-Classic-IDE zugreifen. Informationen zu den zusätzlichen Vorteilen des Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
**Anmerkung**
Für bestehende Kunden, die ihr Konto vor dem 30. November 2023 erstellt haben, kann Studio Classic die Standardumgebung sein. Sie können Studio mit der AWS Command Line Interface (AWS CLI) oder der Amazon SageMaker AI-Konsole als Standarderlebnis aktivieren. Weitere Informationen über Studio Classic finden Sie unter [Amazon SageMaker Studio Klassisch](studio.md).
Für Kunden, die ihre Konten nach dem 30. November 2023 erstellt haben, empfehlen wir, Studio als Standarderlebnis zu verwenden, da es verschiedene integrierte Entwicklungsumgebungen (IDEs), einschließlich der Studio Classic IDE, und andere neue Funktionen enthält.
JupyterLab 3 hat das Ende der Wartungsarbeiten am 15. Mai 2024 erreicht. Nach dem 31. Dezember 2024 können Sie nur für einen begrenzten Zeitraum neue Studio Classic-Notizbücher auf JupyterLab 3 erstellen. Nach dem 31. Dezember 2024 wird SageMaker KI jedoch keine Lösungen mehr für kritische Probleme auf Studio Classic-Notebooks on JupyterLab 3 bereitstellen. Wir empfehlen Ihnen, Ihre Workloads auf das neue Studio-Erlebnis zu migrieren, das JupyterLab 4 unterstützt.
+ Wenn Studio Ihre Standardkonfiguration ist, ähnelt die Benutzeroberfläche den Images in [Überblick über die Amazon SageMaker Studio-Benutzeroberfläche](studio-updated-ui.md).
+ Wenn Studio Classic Ihre Standardkonfiguration ist, ähnelt die Benutzeroberfläche den Images in [Überblick über die Amazon SageMaker Studio Classic-Benutzeroberfläche](studio-ui.md).
Zum Migrieren müssen Sie eine vorhandene Domain aktualisieren. Die Migration einer bestehenden Domain von Studio Classic zu Studio erfolgt in drei Phasen:
1. **Migrieren der Benutzeroberfläche von Studio Classic zu Studio**: Eine einmalige Aufgabe mit geringem Aufwand, bei der eine Testdomain erstellt werden muss, um sicherzustellen, dass Studio mit den Netzwerkkonfigurationen Ihres Unternehmens kompatibel ist, bevor die Benutzeroberfläche der bestehenden Domain von Studio Classic zu Studio migriert wird.
1. **(Optional) Migrieren von benutzerdefinierten Images und Lebenszyklus-Konfigurationsskripten**: Mittlere Aufgabe zur Migration Ihrer benutzerdefinierten Images und LCC-Skripte von Studio Classic zu Studio.
1. **(Optional) Migrieren von Studio Classic nach Studio**: Eine anspruchsvolle Aufgabe, die die Migration von Daten vom Volume von Studio Classic Amazon Elastic File System entweder zu einem Ziel-Volume von Amazon EFS oder einem Amazon Elastic Block Store erfordert.
1. **(Optional) Datenflüsse von Data Wrangler in Studio Classic migrieren**: Einmalige, einfache Aufgabe für die Migration Ihrer Datenflüsse von Data Wrangler in Studio Classic zu Studio, auf die Sie dann in der neuesten Version von Studio über Canvas zugreifen können. SageMaker Weitere Informationen finden Sie unter [Migrieren von Datenflüssen aus Data Wrangler](studio-updated-migrate-data.md#studio-updated-migrate-flows).
Die folgenden Themen beschreiben, wie Sie diese Phasen durchführen, um eine bestehende Domain von Studio Classic zu Studio zu migrieren.
## Automatische Migration
Zwischen Juli 2024 und August 2024 werden wir die Standard-Landingpage für Benutzer automatisch auf die neue Studio-Konfiguration aktualisieren. Dies bewirkt lediglich eine Änderung der Standard-Benutzeroberfläche auf die aktualisierte Studio-Benutzeroberfläche. Die Anwendung „Studio Classic“ ist weiterhin über die neue Studio-Benutzeroberfläche zugänglich.
Informationen dazu, wie Sie sicherstellen können, dass die Migration für Ihre Benutzer erfolgreich funktioniert, finden Sie unter [Migrieren der Benutzeroberfläche von Studio Classic zu Studio](studio-updated-migrate-ui.md). Bitte stellen Sie insbesondere Folgendes sicher:
+ Die Ausführungsrolle der Domain verfügt über die erforderlichen Berechtigungen.
+ Die Standard-Landingpage ist auf Studio eingestellt.
+ Die Amazon VPC der Domain ist, falls zutreffend, über den Studio-VPC-Endpunkt für Studio konfiguriert.
Sollten Sie jedoch Studio Classic für einen begrenzten Zeitraum weiterhin als Standard-Benutzeroberfläche verwenden müssen, stellen Sie die Landingpage explizit auf Studio Classic ein. Weitere Informationen finden Sie unter [Festlegen von Studio Classic als Standardkonfiguration](studio-updated-migrate-ui.md#studio-updated-migrate-revert).
**Topics**
+ [Automatische Migration](#studio-updated-migrate-auto)
+ [Erfüllen der Voraussetzungen für die Migration der Studio-Konfiguration](studio-updated-migrate-prereq.md)
+ [Migrieren der Benutzeroberfläche von Studio Classic zu Studio](studio-updated-migrate-ui.md)
+ [(Optional) Migrieren von benutzerdefinierten Images und Lebenszykluskonfigurationen](studio-updated-migrate-lcc.md)
+ [(Optional) Migrieren von Daten von Studio Classic zu Studio](studio-updated-migrate-data.md)
# Erfüllen der Voraussetzungen für die Migration der Studio-Konfiguration
Die Migration der Standardkonfiguration von Studio Classic zu Studio wird vom Administrator der bestehenden Domain verwaltet. Sollten Sie nicht über die erforderlichen Berechtigungen verfügen, um Studio als Standardkonfiguration für die vorhandene Domain festzulegen, wenden Sie sich bitte an Ihren Administrator. Um Ihr Standarderlebnis zu migrieren, benötigen Sie Administratorrechte oder zumindest die Rechte, die bestehende Domain AWS Identity and Access Management (IAM) und Amazon Simple Storage Service (Amazon S3) zu aktualisieren. Bitte erfüllen Sie die folgenden Voraussetzungen, bevor Sie eine bestehende Domain von Studio Classic zu Studio migrieren.
+ Der AWS Identity and Access Management Rolle, die für den Abschluss der Migration verwendet wurde, muss eine Richtlinie mit mindestens den folgenden Berechtigungen zugeordnet sein. Informationen zum Erstellen einer IAM-Richtlinie finden Sie unter [Erstellen von IAM-Richtlinien](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_create.html).
**Anmerkung**
Die Version von Studio beinhaltet Aktualisierungen der AWS verwalteten Richtlinien. Weitere Informationen finden Sie unter [SageMaker KI-Updates für AWS verwaltete Richtlinien](security-iam-awsmanpol.md#security-iam-awsmanpol-updates).
+ Phase 1 erforderte Berechtigungen:
+ `iam:CreateServiceLinkedRole`
+ `iam:PassRole`
+ `sagemaker:DescribeDomain`
+ `sagemaker:UpdateDomain`
+ `sagemaker:CreateDomain`
+ `sagemaker:CreateUserProfile`
+ `sagemaker:ListApps`
+ `sagemaker:AddTags`
+ `sagemaker:DeleteApp`
+ `sagemaker:DeleteSpace`
+ `sagemaker:UpdateSpace`
+ `sagemaker:DeleteUserProfile`
+ `sagemaker:DeleteDomain`
+ `s3:PutBucketCORS`
+ Für Phase 2 erforderliche Berechtigungen (optional, nur bei Verwendung von Skripten zur Lebenszykluskonfiguration):
Weitere Berechtigungen sind nicht erforderlich. Wenn die vorhandene Domain über Lebenszykluskonfigurationen und benutzerdefinierte Images verfügt, verfügt der Administrator bereits über die erforderlichen Berechtigungen.
+ Phase 3 unter Verwendung benutzerdefinierter Berechtigungen für das Amazon Elastic File System (optional, nur bei Datenübertragung):
+ `efs:CreateFileSystem`
+ `efs:CreateMountTarget`
+ `efs:DescribeFileSystems`
+ `efs:DescribeMountTargets`
+ `efs:DescribeMountTargetSecurityGroups`
+ `efs:ModifyMountTargetSecurityGroups`
+ `ec2:DescribeSubnets`
+ `ec2:DescribeSecurityGroups`
+ `ec2:DescribeNetworkInterfaceAttribute`
+ `ec2:DescribeNetworkInterfaces`
+ `ec2:AuthorizeSecurityGroupEgress`
+ `ec2:AuthorizeSecurityGroupIngress`
+ `ec2:CreateNetworkInterface`
+ `ec2:CreateNetworkInterfacePermission`
+ `ec2:RevokeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupEgress`
+ `ec2:DeleteSecurityGroup`
+ `datasync:CreateLocationEfs`
+ `datasync:CreateTask`
+ `datasync:StartTaskExecution`
+ `datasync:DeleteTask`
+ `datasync:DeleteLocation`
+ `sagemaker:ListUserProfiles`
+ `sagemaker:DescribeUserProfile`
+ `sagemaker:UpdateDomain`
+ `sagemaker:UpdateUserProfile`
+ Phase 3 unter Verwendung von Amazon Simple Storage Service erfordert Berechtigungen (optional, nur bei Datenübertragung):
+ `iam:CreateRole`
+ `iam:GetRole`
+ `iam:AttachRolePolicy`
+ `iam:DetachRolePolicy`
+ `iam:DeleteRole`
+ `efs:DescribeFileSystems`
+ `efs:DescribeMountTargets`
+ `efs:DescribeMountTargetSecurityGroups`
+ `ec2:DescribeSubnets`
+ `ec2:CreateSecurityGroup`
+ `ec2:DescribeSecurityGroups`
+ `ec2:DescribeNetworkInterfaces`
+ `ec2:CreateNetworkInterface`
+ `ec2:CreateNetworkInterfacePermission`
+ `ec2:DetachNetworkInterfaces`
+ `ec2:DeleteNetworkInterface`
+ `ec2:DeleteNetworkInterfacePermission`
+ `ec2:CreateTags`
+ `ec2:AuthorizeSecurityGroupEgress`
+ `ec2:AuthorizeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupEgress`
+ `ec2:DeleteSecurityGroup`
+ `datasync:CreateLocationEfs`
+ `datasync:CreateLocationS3`
+ `datasync:CreateTask`
+ `datasync:StartTaskExecution`
+ `datasync:DescribeTaskExecution`
+ `datasync:DeleteTask`
+ `datasync:DeleteLocation`
+ `sagemaker:CreateStudioLifecycleConfig`
+ `sagemaker:UpdateDomain`
+ `s3:ListBucket`
+ `s3:GetObject`
+ Zugriff auf AWS Dienste von einer Terminalumgebung aus auf einer der folgenden Plattformen:
+ Ihr lokaler Computer, der die AWS CLI Version verwendet`2.13+`. Verwenden Sie den folgenden Befehl, um die AWS CLI Version zu überprüfen.
```
aws --version
```
+ AWS CloudShell. Weitere Informationen finden Sie unter [Was ist AWS CloudShell?](https://docs.aws.amazon.com/cloudshell/latest/userguide/welcome.html)
+ Führen Sie auf Ihrem lokalen Computer oder AWS CloudShell den folgenden Befehl aus und geben Sie Ihre AWS Anmeldeinformationen ein. Informationen zu AWS Anmeldeinformationen finden Sie unter [Grundlegendes zu Ihren AWS Anmeldeinformationen und deren Abruf](https://docs.aws.amazon.com/IAM/latest/UserGuide/security-creds.html).
```
aws configure
```
+ Stellen Sie sicher, dass der Lightweight-JSON-Prozessorjq,, in der Terminalumgebung installiert ist. jqist erforderlich, um AWS CLI Antworten zu analysieren.
```
jq --version
```
Wenn jq nicht installiert ist, installieren Sie es mit dem folgenden Befehl.
+
```
sudo apt-get install -y jq
```
+
```
sudo yum install -y jq
```
# Migrieren der Benutzeroberfläche von Studio Classic zu Studio
Die erste Phase der Migration einer vorhandenen Domain beinhaltet die Migration der Benutzeroberfläche von Amazon SageMaker Studio Classic zu Amazon SageMaker Studio. Diese Phase beinhaltet nicht die Migration von Daten. Benutzer können mit ihren Daten auf dieselbe Weise wie vor der Migration weiterarbeiten. Informationen zur Migration von Daten finden Sie unter [(Optional) Migrieren von Daten von Studio Classic zu Studio](studio-updated-migrate-data.md).
Phase 1 besteht aus folgenden Schritten:
1. Aktualisieren Sie die Berechtigungen zur Erstellung neuer Anwendungen, die in Studio verfügbar sind.
1. Aktualisieren Sie die VPC-Konfiguration für die Domain.
1. Führen Sie ein Upgrade der Domain durch, um die Studio-Benutzeroberfläche zu verwenden.
## Voraussetzungen
Bevor Sie diese Schritte ausführen, erfüllen Sie die Voraussetzungen in [Erfüllen der Voraussetzungen für die Migration der Studio-Konfiguration](studio-updated-migrate-prereq.md).
## Schritt 1: Aktualisieren der Anwendungserstellungsberechtigungen
Bevor Sie die Domain migrieren, aktualisieren Sie die Ausführungsrolle der Domain, um Benutzern Berechtigungen zum Erstellen von Anwendungen zu gewähren.
1. Erstellen Sie eine AWS Identity and Access Management Richtlinie mit einem der folgenden Inhalte, indem Sie den Schritten unter [Erstellen von IAM-Richtlinien](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_create.html) folgen:
+ Verwenden Sie die folgende Richtlinie, um Berechtigungen für alle Anwendungstypen und Bereiche zu gewähren.
**Anmerkung**
Wenn die Domain die `SageMakerFullAccess`-Richtlinie verwendet, müssen Sie diese Aktion nicht ausführen. `SageMakerFullAccess` gewährt Berechtigungen zum Erstellen aller Anwendungen.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "SMStudioUserProfileAppPermissionsCreateAndDelete",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioCreatePresignedDomainUrlForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
{
"Sid": "SMStudioAppPermissionsListAndDescribe",
"Effect": "Allow",
"Action": [
"sagemaker:ListApps",
"sagemaker:ListDomains",
"sagemaker:ListUserProfiles",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:DescribeUserProfile",
"sagemaker:DescribeSpace"
],
"Resource": "*"
},
{
"Sid": "SMStudioAppPermissionsTagOnCreate",
"Effect": "Allow",
"Action": [
"sagemaker:AddTags"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:*/*",
"Condition": {
"Null": {
"sagemaker:TaggingAction": "false"
}
}
},
{
"Sid": "SMStudioRestrictSharedSpacesWithoutOwners",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:space/${sagemaker:DomainId}/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioRestrictSpacesToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:space/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private",
"Shared"
]
}
}
},
{
"Sid": "SMStudioRestrictCreatePrivateSpaceAppsToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private"
]
}
}
},
{
"Sid": "AllowAppActionsForSharedSpaces",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:*:*:app/${sagemaker:DomainId}/*/*/*",
"Condition": {
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Shared"
]
}
}
}
]
}
```
------
+ Da Studio eine erweiterte Anzahl von Anwendungen anzeigt, haben Benutzer möglicherweise Zugriff auf Anwendungen, die zuvor nicht angezeigt wurden. Administratoren können den Zugriff auf diese Standardanwendungen einschränken, indem sie eine AWS Identity and Access Management (IAM-) Richtlinie erstellen, die bestimmten Benutzern Berechtigungen für einige Anwendungen verweigert.
**Anmerkung**
Der Anwendungstyp kann entweder `jupyterlab` oder `codeeditor` sein.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "DenySageMakerCreateAppForSpecificAppTypes",
"Effect": "Deny",
"Action": "sagemaker:CreateApp",
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/domain-id/*/app-type/*"
}
]
}
```
------
1. Ordnen Sie die Richtlinie der Ausführungsrolle der Domain zu. Anweisungen finden Sie unter [Hinzufügen von IAM-Identitätsberechtigungen (Konsole)](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console).
## Schritt 2: Aktualisieren der VPC-Konfiguration
Wenn Sie Ihre Domain im `VPC-Only`-Modus verwenden, stellen Sie sicher, dass Ihre VPC-Konfiguration die Anforderungen für die Verwendung von Studio im `VPC-Only`-Modus erfüllt. Weitere Informationen finden Sie unter [Amazon SageMaker Studio in einer VPC mit externen Ressourcen Connect](studio-updated-and-internet-access.md).
## Schritt 3: Aktualisieren auf die Studio-Benutzeroberfläche
Bevor Sie Ihre bestehende Domain von Studio Classic zu Studio migrieren, empfehlen wir, mit Studio eine Testdomain mit denselben Konfigurationen wie Ihre bestehende Domain zu erstellen.
### (Optional) Erstellen einer Testdomain
Verwenden Sie diese Testdomain, um mit Studio zu interagieren, Netzwerkkonfigurationen zu testen und Anwendungen zu starten, bevor Sie die bestehende Domain migrieren.
1. Rufen Sie die Domain-ID Ihrer vorhandenen Domain ab.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die bestehende Domain aus.
1. Wählen Sie auf der Seite mit den **Domain-Details** **Domain-Einstellungen** aus.
1. Kopieren Sie die **Domain-ID**.
1. Fügen Sie die Domain-ID Ihrer vorhandenen Domain hinzu.
```
export REF_DOMAIN_ID="domain-id"
export SM_REGION="region"
```
1. Verwenden Sie `describe-domain`, um wichtige Informationen über die bestehende Domain zu erhalten.
```
export REF_EXECROLE=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.DefaultUserSettings.ExecutionRole')
export REF_VPC=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.VpcId')
export REF_SIDS=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.SubnetIds | join(",")')
export REF_SGS=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.DefaultUserSettings.SecurityGroups | join(",")')
export AUTHMODE=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.AuthMode')
```
1. Überprüfen Sie die Parameter.
```
echo "Execution Role: $REF_EXECROLE || VPCID: $REF_VPC || SubnetIDs: $REF_SIDS || Security GroupIDs: $REF_SGS || AuthMode: $AUTHMODE"
```
1. Erstellen Sie eine Testdomain mit den Konfigurationen der vorhandenen Domain.
```
IFS=',' read -r -a subnet_ids <<< "$REF_SIDS"
IFS=',' read -r -a security_groups <<< "$REF_SGS"
security_groups_json=$(printf '%s\n' "${security_groups[@]}" | jq -R . | jq -s .)
aws sagemaker create-domain \
--domain-name "TestV2Config" \
--vpc-id $REF_VPC \
--auth-mode $AUTHMODE \
--subnet-ids "${subnet_ids[@]}" \
--app-network-access-type VpcOnly \
--default-user-settings "
{
\"ExecutionRole\": \"$REF_EXECROLE\",
\"StudioWebPortal\": \"ENABLED\",
\"DefaultLandingUri\": \"studio::\",
\"SecurityGroups\": $security_groups_json
}
"
```
1. Nachdem die Testdomain `In Service` ist, verwenden Sie die ID der Testdomain, um ein Benutzerprofil zu erstellen. Dieses Benutzerprofil wird zum Starten und Testen von Anwendungen verwendet.
```
aws sagemaker create-user-profile \
--region="$SM_REGION" --domain-id=test-domain-id \
--user-profile-name test-network-user
```
#### Testen der Studio-Funktionalität
Starten Sie die Testdomain mithilfe des `test-network-user`-Benutzerprofils. Wir empfehlen Ihnen, die Studio-Benutzeroberfläche gründlich zu testen und Anwendungen zu erstellen, um die Studio-Funktionalität im `VPCOnly`-Modus zu testen. Testen Sie die folgenden Workflows:
+ Erstellen Sie einen neuen JupyterLab Space, eine neue Testumgebung und Konnektivität.
+ Erstellen Sie einen neuen Code Editor, der auf Code-OSS, Visual Studio Code – Open Source Space, Testumgebung und Konnektivität basiert.
+ Starten Sie eine neue Studio-Classic-App, Testumgebung und Konnektivität.
+ Testen Sie die Konnektivität von Amazon Simple Storage Service mit Test-Lese- und Schreibaktionen.
Wenn diese Tests erfolgreich sind, führen Sie ein Upgrade der vorhandenen Domain durch. Wenn Sie auf Fehler stoßen, empfehlen wir, Ihre Umgebungs- und Verbindungsprobleme zu beheben, bevor Sie die bestehende Domain aktualisieren.
#### Bereinigen der Ressourcen der Testdomain
Nachdem Sie die bestehende Domain migriert haben, bereinigen Sie die Ressourcen der Testdomain.
1. Fügen Sie die ID der Testdomain hinzu.
```
export TEST_DOMAIN="test-domain-id"
export SM_REGION="region"
```
1. Listet alle Anwendungen in der Domain auf, die gerade ausgeführt werden.
```
active_apps_json=$(aws sagemaker list-apps --region=$SM_REGION --domain-id=$TEST_DOMAIN)
echo $active_apps_json
```
1. Analysieren Sie die JSON-Liste der laufenden Anwendungen und löschen Sie sie. Wenn Benutzer versucht haben, eine Anwendung zu erstellen, für die sie keine Berechtigungen haben, sind möglicherweise Umgebungen vorhanden, die im folgenden Skript nicht erfasst werden. Sie müssen diese Umgebungen manuell löschen.
```
echo "$active_apps_json" | jq -c '.Apps[]' | while read -r app;
do
if echo "$app" | jq -e '. | has("SpaceName")' > /dev/null;
then
app_type=$(echo "$app" | jq -r '.AppType')
app_name=$(echo "$app" | jq -r '.AppName')
domain_id=$(echo "$app" | jq -r '.DomainId')
space_name=$(echo "$app" | jq -r '.SpaceName')
echo "Deleting App - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || SpaceName: $space_name"
aws sagemaker delete-app --region=$SM_REGION --domain-id=$domain_id \
--app-type $app_type --app-name $app_name --space-name $space_name
echo "Deleting Space - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || SpaceName: $space_name"
aws sagemaker delete-space --region=$SM_REGION --domain-id=$domain_id \
--space-name $space_name
else
app_type=$(echo "$app" | jq -r '.AppType')
app_name=$(echo "$app" | jq -r '.AppName')
domain_id=$(echo "$app" | jq -r '.DomainId')
user_profile_name=$(echo "$app" | jq -r '.UserProfileName')
echo "Deleting Studio Classic - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || UserProfileName: $user_profile_name"
aws sagemaker delete-app --region=$SM_REGION --domain-id=$domain_id \
--app-type $app_type --app-name $app_name --user-profile-name $user_profile_name
fi
done
```
1. Löschen Sie das Testbenutzerprofil.
```
aws sagemaker delete-user-profile \
--region=$SM_REGION --domain-id=$TEST_DOMAIN \
--user-profile-name "test-network-user"
```
1. Löschen Sie die Testdomain.
```
aws sagemaker delete-domain \
--region=$SM_REGION --domain-id=$TEST_DOMAIN
```
Nachdem Sie die Studio-Funktionalität mit den Konfigurationen in Ihrer Testdomain getestet haben, migrieren Sie die vorhandene Domain. Wenn Studio die Standardkonfiguration für eine Domain ist, ist Studio die Standardkonfiguration für alle Benutzer in der Domain. Die Benutzereinstellungen haben jedoch Vorrang vor den Domaineinstellungen. Wenn also die Standardkonfiguration eines Benutzers in seinen Benutzereinstellungen auf Studio Classic festgelegt ist, hat dieser Benutzer Studio Classic als Standardkonfiguration.
Sie können die bestehende Domain migrieren, indem Sie sie über die SageMaker AI-Konsole, das oder AWS CLI, aktualisieren AWS CloudFormation. Wählen Sie eine der folgenden Registerkarten, um die entsprechenden Anweisungen anzuzeigen.
### Legen Sie Studio mithilfe der SageMaker AI-Konsole als Standarderlebnis für die bestehende Domain fest
Sie können Studio mithilfe der SageMaker AI-Konsole als Standarderlebnis für die vorhandene Domain festlegen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die vorhandene Domain aus, für die Sie Studio als Standardkonfiguration aktivieren möchten.
1. Erweitern Sie auf der Seite mit den **Domaindetails** die Option **Neues Studio aktivieren**.
1. (Optional) Um die Details zu den Schritten anzuzeigen, die zur Aktivierung von Studio als Standardkonfiguration erforderlich sind, wählen Sie **Details anzeigen** aus. Auf der Seite wird Folgendes angezeigt.
+ Im Bereich **SageMaker Studio-Übersicht** können Sie sich die Anwendungen ansehen, die in der webbasierten Studio-Oberfläche enthalten oder verfügbar sind.
+ Im Abschnitt **Aktivierungsprozess** finden Sie Beschreibungen der Workflow-Aufgaben zur Aktivierung von Studio.
**Anmerkung**
Sie müssen Ihre Daten manuell migrieren. Anweisungen zur Migration Ihrer Daten finden Sie unter [(Optional) Migrieren von Daten von Studio Classic zu Studio](studio-updated-migrate-data.md).
+ Im Abschnitt **Zur Studio-Classic-Konfiguration zurückkehren** können Sie nachlesen, wie Sie nach der Aktivierung von Studio als Standardkonfiguration zu Studio Classic zurückkehren können.
1. Um mit der Aktivierung von Studio als Standardkonfiguration zu beginnen, wählen Sie **Neues Studio aktivieren** aus.
1. Im Abschnitt **Rolle angeben und konfigurieren** können Sie sich die Standardanwendungen ansehen, die automatisch in Studio enthalten sind.
Um zu verhindern, dass Benutzer diese Anwendungen ausführen, wählen Sie die AWS Identity and Access Management -Rolle (IAM) aus, deren IAM-Richtlinie den Zugriff verweigert. Informationen zum Erstellen einer Richtlinien für die Beschränkung des Zugriffs finden Sie unter [Schritt 1: Aktualisieren der Anwendungserstellungsberechtigungen](#studio-updated-migrate-limit-apps).
1. Im Abschnitt **Standard-S3-Bucket zum Anhängen der CORS-Richtlinie auswählen** können Sie Studio-Zugriff auf Amazon-S3-Buckets gewähren. Der standardmäßige Amazon-S3-Bucket ist in diesem Fall der standardmäßige Amazon-S3-Bucket für Ihr Studio Classic. In diesem Schritt können Sie Folgendes tun:
+ Überprüfen Sie den standardmäßigen Amazon-S3-Bucket der Domain, an den die CORS-Richtlinie angehängt werden soll. Wenn Ihre Domain keinen standardmäßigen Amazon S3 S3-Bucket hat, erstellt SageMaker AI einen Amazon S3 S3-Bucket mit der korrekten CORS-Richtlinie.
+ Sie können 10 zusätzliche Amazon-S3-Buckets hinzufügen, an die Sie die CORS-Richtlinie anhängen können.
Wenn Sie mehr als 10 Buckets hinzufügen möchten, können Sie dies manuell tun. Weitere Informationen zum manuellen Anfügen der CORS-Richtlinie an Ihre Amazon-S3-Buckets finden Sie unter [(Optional) Aktualisieren der CORS-Richtlinie für den Zugriff auf Amazon-S3-Buckets](#studio-updated-migrate-cors).
Um fortzufahren, aktivieren Sie das Kontrollkästchen neben **Sind Sie damit einverstanden, bestehende CORS-Richtlinien für die ausgewählten Amazon-S3-Buckets zu überschreiben?**.
1. Der Abschnitt **Daten migrieren** enthält Informationen zu den verschiedenen Datenspeichervolumes für Studio Classic und Studio. Ihre Daten werden bei diesem Vorgang nicht automatisch migriert. Anweisungen zur Migration Ihrer Daten, Lebenszykluskonfigurationen und JupyterLab Erweiterungen finden Sie unter. [(Optional) Migrieren von Daten von Studio Classic zu Studio](studio-updated-migrate-data.md)
1. Wenn Sie die Aufgaben auf der Seite abgeschlossen und Ihre Konfiguration verifiziert haben, wählen Sie **Neues Studio aktivieren** aus.
### Legen Sie Studio als Standarderfahrung für die bestehende Domain fest, indem Sie AWS CLI
Um Studio mithilfe der AWS CLI als Standardkonfiguration für die bestehende Domain festzulegen, verwenden Sie den Aufruf [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html). Sie müssen `ENABLED` als Wert für `StudioWebPortal` und `studio::` als Wert für `DefaultLandingUri` als Teil des `default-user-settings`-Parameters festlegen.
`StudioWebPortal` gibt an, ob die Studio-Konfiguration die Standardkonfiguration ist, und `DefaultLandingUri` bezeichnet die Standardkonfiguration, zu der der Benutzer beim Zugriff auf die Domain weitergeleitet wird. In diesem Beispiel wird Studio durch die Festlegung dieser Werte auf Domainebene (in `default-user-settings`) zur Standardkonfiguration für Benutzer innerhalb der Domain.
Wenn ein Benutzer innerhalb der Domain seinen `StudioWebPortal` auf `DISABLED` und `DefaultLandingUri` auf `app:JupyterServer:` auf Benutzerebene (in `UserSettings`) festgelegt hat, hat dies Vorrang vor den Domaineinstellungen. Mit anderen Worten, für diesen Benutzer ist Studio Classic die Standardkonfiguration, unabhängig von den Domaineinstellungen.
Das folgende Codebeispiel zeigt, wie Studio als Standardkonfiguration für Benutzer innerhalb der Domain festgelegt wird:
```
aws sagemaker update-domain \
--domain-id existing-domain-id \
--region AWS-Region \
--default-user-settings '
{
"StudioWebPortal": "ENABLED",
"DefaultLandingUri": "studio::"
}
'
```
+ Verwenden Sie folgende Anweisungen, um Ihre `existing-domain-id` abzurufen:
**So rufen Sie `existing-domain-id` ab**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die bestehende Domain aus.
1. Wählen Sie auf der Seite mit den **Domain-Details** **Domain-Einstellungen** aus.
1. Kopieren Sie die **Domain-ID**.
+ Gehen Sie wie folgt vor, um sicherzustellen, dass Sie das Richtige AWS-Region für Ihre Domain verwenden:
**So rufen Sie `AWS-Region` ab**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die bestehende Domain aus.
1. Vergewissern Sie sich auf der Seite mit den **Domaindetails**, dass es sich um die bestehende Domain handelt.
1. Erweitern Sie die AWS-Region Dropdownliste oben rechts in der SageMaker AI-Konsole und verwenden Sie die entsprechende AWS-Region ID rechts neben Ihrem AWS-Region Namen. Beispiel, `us-west-1`.
Nachdem Sie Ihre Standardkonfiguration zu Studio migriert haben, können Sie Studio Zugriff auf Amazon-S3-Buckets gewähren. Sie können beispielsweise den Zugriff auf Ihren standardmäßigen Amazon-S3-Bucket in Studio Classic und zusätzliche Amazon-S3-Buckets einbeziehen. Dazu müssen Sie manuell eine CORS-Konfiguration ([Cross-Origin Resource Sharing](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS)) an die Amazon-S3-Buckets anhängen. Weitere Informationen zum manuellen Anfügen der CORS-Richtlinie an Ihre Amazon-S3-Buckets finden Sie unter [(Optional) Aktualisieren der CORS-Richtlinie für den Zugriff auf Amazon-S3-Buckets](#studio-updated-migrate-cors).
Ebenso können Sie Studio als Standarderlebnis festlegen, wenn Sie eine Domain AWS CLI mithilfe des Aufrufs [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) erstellen.
### Legen Sie Studio als Standarderfahrung für die bestehende Domain fest, indem Sie den AWS CloudFormation
Sie können die Standardkonfiguration beim Erstellen einer Domain mithilfe der AWS CloudFormation festlegen. Eine CloudFormation Migrationsvorlage finden Sie unter [SageMaker Studio Administrator IaC-Vorlagen](https://github.com/aws-samples/sagemaker-studio-admin-iac-templates/tree/main?tab=readme-ov-file#phase-1-migration). Weitere Informationen zum Erstellen einer Domain mit CloudFormation finden Sie unter [Amazon SageMaker AI-Domain erstellen mit CloudFormation](https://github.com/aws-samples/cloudformation-studio-domain?tab=readme-ov-file#creating-sagemaker-studio-domains-using-cloudformation).
Informationen zur Domain-Ressource, die von unterstützt wird AWS CloudFormation, finden Sie unter [AWS:: SageMaker AI: :Domain](https://docs.aws.amazon.com//AWSCloudFormation/latest/UserGuide/aws-resource-sagemaker-domain.html#cfn-sagemaker-domain-defaultusersettings).
Nachdem Sie Ihre Standardkonfiguration zu Studio migriert haben, können Sie Studio Zugriff auf Amazon-S3-Buckets gewähren. Sie können beispielsweise den Zugriff auf Ihren standardmäßigen Amazon-S3-Bucket in Studio Classic und zusätzliche Amazon-S3-Buckets einbeziehen. Dazu müssen Sie manuell eine CORS-Konfiguration ([Cross-Origin Resource Sharing](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS)) an die Amazon-S3-Buckets anhängen. Informationen zum manuellen Anfügen der CORS-Richtlinie an Ihre Amazon-S3-Buckets finden Sie unter [(Optional) Aktualisieren der CORS-Richtlinie für den Zugriff auf Amazon-S3-Buckets](#studio-updated-migrate-cors).
### (Optional) Aktualisieren der CORS-Richtlinie für den Zugriff auf Amazon-S3-Buckets
In Studio Classic können Benutzer Dateien erstellen, auflisten und in Buckets von Amazon Simple Storage Service (Amazon S3) hochladen. Um dieselbe Konfiguration in Studio zu unterstützen, müssen Administratoren eine CORS-Konfiguration ([Cross-Origin Resource Sharing](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS)) an die Amazon-S3-Buckets anhängen. Dies ist erforderlich, da Studio Amazon-S3-Aufrufe vom Internetbrowser aus tätigt. Der Browser ruft CORS im Namen von Benutzern auf. Infolgedessen schlagen alle Anfragen an Amazon-S3-Buckets fehl, es sei denn, die CORS-Richtlinie ist an die Amazon-S3-Buckets angehängt.
Möglicherweise müssen Sie die CORS-Richtlinie aus den folgenden Gründen manuell an Amazon-S3-Buckets anhängen.
+ Wenn bereits ein Standard-Bucket von Amazon S3 vorhanden ist, an den nicht die richtige CORS-Richtlinie angehängt ist, wenn Sie die Standardkonfiguration der vorhandenen Domain zu Studio migrieren.
+ Wenn Sie das verwenden AWS CLI , um die Standarderfahrung der vorhandenen Domain zu Studio zu migrieren. Informationen zur Verwendung von für AWS CLI die Migration finden Sie unter[Legen Sie Studio als Standarderfahrung für die bestehende Domain fest, indem Sie AWS CLI](#studio-updated-migrate-set-studio-updated-cli).
+ Wenn Sie die CORS-Richtlinie an zusätzliche Amazon-S3-Buckets anhängen möchten.
**Anmerkung**
Wenn Sie die SageMaker KI-Konsole verwenden möchten, um Studio als Standarderlebnis zu aktivieren, werden die vorhandenen CORS-Richtlinien der Amazon S3 S3-Buckets, an die Sie die CORS-Richtlinie anhängen, während der Migration überschrieben. Aus diesem Grund können Sie die folgenden manuellen Anweisungen ignorieren.
Wenn Sie die SageMaker AI-Konsole jedoch bereits für die Migration verwendet haben und weitere Amazon S3 S3-Buckets hinzufügen möchten, an die Sie die CORS-Richtlinie anhängen möchten, fahren Sie mit den folgenden manuellen Anweisungen fort.
Das folgende Verfahren zeigt, wie Sie manuell eine CORS-Konfiguration zu einem Amazon-S3-Bucket hinzufügen können.
**So fügen Sie eine CORS-Konfiguration einem Amazon-S3-Bucket hinzu**
1. Stellen Sie sicher, dass sich in derselben Domain AWS-Region wie die bestehende Domain ein Amazon S3 S3-Bucket mit dem folgenden Namen befindet. Anweisungen finden Sie unter [Anzeigen der Eigenschaften für einen Amazon-S3-Bucket](https://docs.aws.amazon.com//AmazonS3/latest/userguide/view-bucket-properties.html).
```
sagemaker-region-account-id
```
1. Fügen Sie dem standardmäßigen Amazon-S3-Bucket eine CORS-Konfiguration mit dem folgenden Inhalt hinzu. Anweisungen finden Sie unter [Konfigurieren von Cross-Origin Resource Sharing (CORS)](https://docs.aws.amazon.com//AmazonS3/latest/userguide/enabling-cors-examples.html).
```
[
{
"AllowedHeaders": [
"*"
],
"AllowedMethods": [
"POST",
"PUT",
"GET",
"HEAD",
"DELETE"
],
"AllowedOrigins": [
"https://*.sagemaker.aws"
],
"ExposeHeaders": [
"ETag",
"x-amz-delete-marker",
"x-amz-id-2",
"x-amz-request-id",
"x-amz-server-side-encryption",
"x-amz-version-id"
]
}
]
```
### (Optional) Migrieren Sie von Data Wrangler in Studio Classic zu Canvas SageMaker
Amazon SageMaker Data Wrangler ist als eigene Funktion in der Studio Classic-Erfahrung enthalten. Wenn Sie Studio als Standarderlebnis aktivieren, verwenden Sie die [Amazon SageMaker Canvas-Anwendung](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html), um auf die Data Wrangler-Funktionalität zuzugreifen. SageMaker Canvas ist eine Anwendung, mit der Sie Modelle für maschinelles Lernen trainieren und einsetzen können, ohne Code schreiben zu müssen. Canvas bietet Funktionen zur Datenvorbereitung, die von Data Wrangler unterstützt werden.
Die neue Studio-Konfiguration unterstützt die klassische Data-Wrangler-Benutzeroberfläche nicht. Wenn Sie Data Wrangler weiterhin verwenden möchten, müssen Sie eine Canvas-Anwendung erstellen. Sie müssen jedoch über die erforderlichen Berechtigungen verfügen, um Canvas-Anwendungen zu erstellen und zu verwenden.
Gehen Sie wie folgt vor, um der AWS IAM-Rolle Ihrer SageMaker AI-Domain oder Ihres Benutzers die erforderlichen Berechtigungsrichtlinien zuzuweisen.
**So gewähren Sie Berechtigungen für die Data-Wrangler-Funktionalität in Canvas**
1. Ordnen Sie die AWS verwaltete Richtlinie der IAM-Rolle Ihres Benutzers [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol.html#security-iam-awsmanpol-AmazonSageMakerFullAccess)zu. Eine Anleitung zum Hinzufügen von IAM-Richtlinien zu einer Rolle finden Sie unter [Hinzufügen von IAM-Identitätsberechtigungen (Konsole)](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console) im *AWS -IAM-Benutzerhandbuch.*
Sollte diese Berechtigungsrichtlinie für Ihren Anwendungsfall zu freizügig sein, können Sie eingeschränkte Richtlinien erstellen, die mindestens die folgenden Berechtigungen enthalten:
```
{
"Sid": "AllowStudioActions",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl",
"sagemaker:DescribeDomain",
"sagemaker:ListDomains",
"sagemaker:DescribeUserProfile",
"sagemaker:ListUserProfiles",
"sagemaker:DescribeSpace",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:ListApps"
],
"Resource": "*"
},
{
"Sid": "AllowAppActionsForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:region:account-id:app/domain-id/user-profile-name/canvas/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
}
```
1. Ordnen Sie die AWS verwaltete Richtlinie der IAM-Rolle Ihres Benutzers [AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)zu.
Nachdem Sie die erforderlichen Berechtigungen hinzugefügt haben, können Sie eine Canvas-Anwendung erstellen und sich anmelden. Weitere Informationen finden Sie unter [Erste Schritte mit der Verwendung von Amazon SageMaker Canvas](canvas-getting-started.md).
Wenn Sie sich bei Canvas angemeldet haben, können Sie direkt auf Data Wrangler zugreifen und mit der Erstellung von Datenflüssen beginnen. Weitere Informationen finden Sie unter [Datenaufbereitung](canvas-data-prep.md) in der Canvas-Dokumentation.
### (Optional) Migrieren Sie von Autopilot in Studio Classic zu Canvas SageMaker
[Amazon SageMaker Autopilot](https://docs.aws.amazon.com/sagemaker/AWSIronmanApiDoc/integ/npepin-studio-migration-autopilot-to-canvas/latest/dg/autopilot-automate-model-development.html) ist als eigene Funktion in der Studio Classic-Erfahrung enthalten. Wenn Sie zur aktualisierten Studio-Oberfläche migrieren, verwenden Sie die [Amazon SageMaker Canvas-Anwendung](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html), um weiterhin dieselben Funktionen für automatisiertes maschinelles Lernen (AutoML) über eine Benutzeroberfläche (UI) zu verwenden. SageMaker Canvas ist eine Anwendung, in der Sie Modelle für maschinelles Lernen trainieren und bereitstellen können, ohne Code schreiben zu müssen, und Canvas bietet eine Benutzeroberfläche zum Ausführen Ihrer AutoML-Aufgaben.
Die neue Studio-Konfiguration unterstützt die klassische Autopilot-Benutzeroberfläche nicht. Erstellen Sie eine Canvas-Anwendung, wenn Sie die AutoML-Features von Autopilot weiterhin über eine Benutzeroberfläche nutzen möchten.
Sie müssen jedoch über die erforderlichen Berechtigungen verfügen, um Canvas-Anwendungen zu erstellen und zu verwenden.
+ Wenn Sie von Studio aus auf SageMaker Canvas zugreifen, fügen Sie diese Berechtigungen der Ausführungsrolle Ihrer SageMaker AI-Domäne oder Ihres Benutzerprofils hinzu.
+ Wenn Sie von der Konsole aus auf SageMaker Canvas zugreifen, fügen Sie diese Berechtigungen der AWS IAM-Rolle Ihres Benutzers hinzu.
+ Wenn Sie über eine [vorsignierte URL](https://docs.aws.amazon.com/sagemaker/latest/dg/setting-up-canvas-sso.html#canvas-optional-access) auf SageMaker Canvas zugreifen, fügen Sie diese Berechtigungen der IAM-Rolle hinzu, die Sie für den Okta-SSO-Zugriff verwenden.
Um AutoML-Funktionen in Canvas zu aktivieren, fügen Sie die folgenden Richtlinien zu Ihrer Ausführungsrolle oder Ihrer IAM-Benutzerrolle hinzu.
+ AWS [verwaltete Richtlinie:. `CanvasFullAccess`](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)
+ Inline-Richtlinie:
```
{
"Sid": "AllowAppActionsForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:region:account-id:app/domain-id/user-profile-name/canvas/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
}
```
**So fügen Sie IAM-Richtlinien an eine Ausführungsrolle an**
1.
**Suchen Sie nach der Ausführungsrolle, die Ihrem SageMaker KI-Benutzerprofil zugeordnet ist**
1. Navigieren Sie in der SageMaker AI-Konsole [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/) zu **Domains** und wählen Sie dann Ihre SageMaker AI-Domain aus.
1. Die Ausführungsrolle ARN ist unter *Ausführungsrolle* auf der Seite **Benutzerdetails** Ihres Benutzerprofils aufgeführt. Notieren Sie sich den Namen der Ausführungsrolle in der ARN.
1. Wählen Sie in der IAM-Konsole [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)**Rollen** aus.
1. Suchen Sie Ihre Rolle anhand des Namens im Suchfeld.
1. Wählen Sie die Rolle aus.
1. Hinzufügen von Richtlinien zur Rolle
1. **Wählen Sie in der IAM-Konsole [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)Rollen aus.**
1. Suchen Sie Ihre Rolle anhand des Namens im Suchfeld.
1. Wählen Sie die Rolle aus.
1. Navigieren Sie auf der Registerkarte **Berechtigungen** zum Dropdown-Menü **Berechtigungen hinzufügen**.
1.
+ Für verwaltete Richtlinien: Wählen Sie **Richtlinien anhängen** aus und suchen Sie nach dem Namen der Verwaltungsrichtlinie, die Sie anhängen möchten.
Wählen Sie die Richtlinie und dann **Berechtigungen hinzufügen** aus.
+ Für Inline-Richtlinien: Wählen Sie **Inline-Richtlinie erstellen** aus, fügen Sie Ihre Richtlinie in die JSON-Registerkarte ein, wählen Sie „Weiter“ aus, geben Sie Ihrer Richtlinie einen Namen und wählen Sie **Erstellen** aus.
Eine Anleitung zum Hinzufügen von IAM-Richtlinien zu einer Rolle finden Sie unter [Hinzufügen von IAM-Identitätsberechtigungen (Konsole)](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console) im *AWS -IAM-Benutzerhandbuch.*
Nachdem Sie die erforderlichen Berechtigungen hinzugefügt haben, können Sie eine Canvas-Anwendung erstellen und sich anmelden. Weitere Informationen finden Sie unter [Erste Schritte mit der Verwendung von Amazon SageMaker Canvas](canvas-getting-started.md).
## Festlegen von Studio Classic als Standardkonfiguration
Administratoren können zu Studio Classic als Standardkonfiguration für eine bestehende Domain zurückkehren. Dies kann nicht über die AWS CLI erfolgen.
**Anmerkung**
Wenn Studio Classic als Standardkonfiguration auf Domainebene festgelegt ist, ist Studio Classic die Standardkonfiguration für alle Benutzer in der Domain. Einstellungen auf Benutzerebene haben jedoch Vorrang vor den Einstellungen auf Domainebene. Wenn also die Standardkonfiguration eines Benutzers auf Studio festgelegt ist, hat dieser Benutzer Studio als Standardkonfiguration.
Verwenden Sie den Aufruf [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html), um mithilfe von zu Studio Classic als Standarderfahrung für die AWS CLI bestehende Domain zurückzukehren. Als Teil des`default-user-settings`-Feldes müssen Sie Folgendes festlegen:
+ `StudioWebPortal`-Wert auf `DISABLED`.
+ `DefaultLandingUri`-Wert auf `app:JupyterServer:`
`StudioWebPortal` gibt an, ob die Studio-Konfiguration die Standardkonfiguration ist, und `DefaultLandingUri` bezeichnet die Standardkonfiguration, zu der der Benutzer beim Zugriff auf die Domain weitergeleitet wird. In diesem Beispiel wird Studio Classic durch die Festlegung dieser Werte auf Domainebene (in `default-user-settings`) zur Standardkonfiguration für Benutzer innerhalb der Domain.
Wenn ein Benutzer innerhalb der Domain seinen `StudioWebPortal` auf `ENABLED` und `DefaultLandingUri` auf `studio::` auf Benutzerebene (in `UserSettings`) festgelegt hat, hat dies Vorrang vor den Einstellungen auf Domainebene. Mit anderen Worten, für diesen Benutzer ist Studio die Standardkonfiguration, unabhängig von den Einstellungen auf Domainebene.
Das folgende Codebeispiel zeigt, wie Studio Classic als Standardkonfiguration für Benutzer innerhalb der Domain festgelegt wird:
```
aws sagemaker update-domain \
--domain-id existing-domain-id \
--region AWS-Region \
--default-user-settings '
{
"StudioWebPortal": "DISABLED",
"DefaultLandingUri": "app:JupyterServer:"
}
'
```
Verwenden Sie folgende Anweisungen, um Ihre `existing-domain-id` abzurufen:
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die bestehende Domain aus.
1. Wählen Sie auf der Seite mit den **Domain-Details** **Domain-Einstellungen** aus.
1. Kopieren Sie die **Domain-ID**.
Um Ihre zu erhalten`AWS-Region`, folgen Sie den folgenden Anweisungen, um sicherzustellen, dass Sie die richtige AWS-Region für Ihre Domain verwenden.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Erweitern Sie im linken Navigationsbereich **Admin-Konfigurationen** und wählen Sie **Domains** aus.
1. Wählen Sie die bestehende Domain aus.
1. Vergewissern Sie sich auf der Seite mit den **Domaindetails**, dass es sich um die bestehende Domain handelt.
1. Erweitern Sie die AWS-Region Dropdownliste oben rechts in der SageMaker AI-Konsole und verwenden Sie die entsprechende AWS-Region ID rechts neben Ihrem AWS-Region Namen. Beispiel, `us-west-1`.
# (Optional) Migrieren von benutzerdefinierten Images und Lebenszykluskonfigurationen
Sie müssen Ihre benutzerdefinierten Images und LCC-Skripts (Lifecycle Configuration) aktualisieren, damit sie mit dem vereinfachten lokalen Ausführungsmodell in Amazon SageMaker Studio funktionieren. Wenn Sie in Ihrer Domain keine benutzerdefinierten Images oder Lebenszykluskonfigurationen erstellt haben, überspringen Sie diese Phase.
Amazon SageMaker Studio Classic arbeitet in einer geteilten Umgebung mit:
+ einer `JupyterServer`-Anwendung, auf der der Jupyter Server ausgeführt wird.
+ Studio-Classic-Notebooks, die auf einer oder mehreren `KernelGateway`-Anwendungen ausgeführt werden.
Studio hat keine geteilte Umgebung mehr. Studio führt den JupyterLab und Code-Editor auf der Grundlage von Code-OSS, Visual Studio Code — Open-Source-Anwendungen in einem lokalen Laufzeitmodell aus. Weitere Informationen zur Änderung der Architektur finden Sie unter [Steigern Sie die Produktivität in Amazon SageMaker Studio](https://aws.amazon.com/blogs//machine-learning/boost-productivity-on-amazon-sagemaker-studio-introducing-jupyterlab-spaces-and-generative-ai-tools/).
## Migrieren von benutzerdefinierten Images
Ihre vorhandenen benutzerdefinierten Studio-Classic-Images funktionieren möglicherweise nicht in Studio. Wir empfehlen, ein neues benutzerdefiniertes Image zu erstellen, das die Anforderungen für die Verwendung in Studio erfüllt. Die Version von Studio vereinfacht den Prozess zur Erstellung benutzerdefinierter Images durch die Bereitstellung von[SageMaker Richtlinie zur Unterstützung von Studio-Images](sagemaker-distribution.md). SageMaker Zu den Images von AI Distribution gehören beliebte Bibliotheken und Pakete für maschinelles Lernen, Datenwissenschaft und Datenanalyse-Visualisierung. Eine Liste der SageMaker Basis-Distribution-Images und Kontoinformationen der Amazon Elastic Container Registry finden Sie unter[SageMaker Amazon-Bilder sind für die Verwendung mit Studio Classic-Notebooks verfügbar](notebooks-available-images.md).
Um ein benutzerdefiniertes Image zu erstellen, führen Sie einen der folgenden Schritte aus.
+ Erweitern Sie ein SageMaker Distribution-Image mit benutzerdefinierten Paketen und Modulen. Diese Images sind mit einem JupyterLab Code-Editor vorkonfiguriert, der auf Code-OSS, Visual Studio Code - Open Source, basiert.
+ Erstellen Sie eine benutzerdefinierte Dockerfile-Datei, indem Sie den Anweisungen unter [Bring Your Own Image (BYOI)](studio-updated-byoi.md) folgen. Sie müssen JupyterLab und den Open-Source-CodeServer auf dem Image installieren, damit es mit Studio kompatibel ist.
## Migrieren von Lebenszykluskonfigurationen
Aufgrund des vereinfachten lokalen Laufzeitmodells in Studio empfehlen wir, die Struktur Ihres vorhandenen Studio Classic zu migrieren. LCCs In Studio Classic ist es häufig erforderlich, separate Lebenszykluskonfigurationen für beide Anwendungen KernelGateway und JupyterServer zu erstellen. Da die JupyterServer und KernelGateway -Anwendungen auf separaten Rechenressourcen in Studio Classic ausgeführt werden, LCCs kann Studio Classic von beiden Typen sein:
+ JupyterServerLCC: Diese regeln LCCs hauptsächlich die Home-Aktionen eines Benutzers, einschließlich der Einstellung eines Proxys, der Erstellung von Umgebungsvariablen und des automatischen Herunterfahrens von Ressourcen.
+ KernelGatewayLCC: Diese LCCs regeln die Optimierung der Studio Classic-Notebook-Umgebung. Dies umfasst die Aktualisierung der Numpy-Paketversionen im `Data Science 3.0`-Kernel und die Installation des Snowflake-Pakets im `Pytorch 2.0 GPU`-Kernel.
In der vereinfachten Studio-Architektur benötigen Sie nur ein LCC-Skript, das beim Start der Anwendung ausgeführt wird. Obwohl die Migration Ihrer LCC-Skripte je nach Entwicklungsumgebung unterschiedlich ist, empfehlen wir, ein kombiniertes LCC zu kombinieren JupyterServer und KernelGateway LCCs zu erstellen.
LCCs in Studio kann mit einer der folgenden Anwendungen verknüpft werden:
+ JupyterLab
+ Code-Editor
Benutzer können bei der Erstellung eines Raums die LCC für den jeweiligen Anwendungstyp auswählen oder die vom Administrator festgelegte Standard-LCC verwenden.
**Anmerkung**
Die vorhandenen Skripte zum automatischen Herunterfahren von Studio Classic sind mit Studio nicht kompatibel. Ein Beispiel für ein Studio-Skript zum automatischen Herunterfahren finden Sie unter [Beispiele für die SageMaker Studio-Lebenszykluskonfiguration](https://github.com/aws-samples/sagemaker-studio-apps-lifecycle-config-examples).
### Überlegungen beim Refactoring LCCs
Beachten Sie beim Refactoring Ihres die folgenden Unterschiede zwischen Studio Classic und Studio. LCCs
+ JupyterLab und Code-Editor-Anwendungen werden, wenn sie erstellt wurden, wie `sagemaker-user` mit `UID:1001` und ausgeführt. `GID:101` `sagemaker-user`Hat standardmäßig die Berechtigung, sudo/root Berechtigungen anzunehmen. KernelGatewayAnwendungen werden `root` standardmäßig ausgeführt.
+ SageMaker Distributions-Images, die innerhalb JupyterLab von Code Editor-Apps ausgeführt werden, verwenden den Debian basierten Paketmanager,`apt-get`.
+ Studio JupyterLab - und Code Editor-Anwendungen verwenden den Conda Paketmanager. SageMaker AI erstellt eine einzige Python3 Conda Basisumgebung, wenn eine Studio-Anwendung gestartet wird. Informationen zum Aktualisieren von Paketen in der Conda-Basisumgebung und zum Erstellen neuer Conda-Umgebungen finden Sie unter [JupyterLab Benutzerleitfaden](studio-updated-jl-user-guide.md). Im Gegensatz dazu verwenden nicht alle KernelGateway-Anwendungen Conda als Paketmanager.
+ Die JupyterLab Studio-Anwendung verwendet`JupyterLab 4.0`, während Studio Classic verwendet`JupyterLab 3.0`. Stellen Sie sicher, dass alle von Ihnen verwendeten JupyterLab-Erweiterungen mit `JupyterLab 4.0` kompatibel sind. Weitere Informationen zu Erweiterungen finden Sie unter [Erweiterungskompatibilität mit JupyterLab 4.0](https://github.com/jupyterlab/jupyterlab/issues/14590).
# (Optional) Migrieren von Daten von Studio Classic zu Studio
Studio Classic und Studio verwenden zwei verschiedene Arten von Speicher-Volumes. Studio Classic verwendet ein einziges Volume von Amazon Elastic File System (Amazon EFS), um Daten aller Benutzer und gemeinsam genutzter Bereiche in der Domain zu speichern. In Studio erhält jeder Bereich sein eigenes Volume von Amazon Elastic Block Store (Amazon EBS). Wenn Sie die Standarderfahrung einer vorhandenen Domain aktualisieren, hängt SageMaker AI automatisch einen Ordner in einem Amazon EFS-Volume für jeden Benutzer in einer Domain ein. Dadurch können Benutzer in ihren Studio-Anwendungen auf Dateien aus Studio Classic zugreifen. Weitere Informationen finden Sie unter [Automatisches Mounten von Amazon EFS in Studio](studio-updated-automount.md).
Sie können auch das automatische Mounting von Amazon EFS deaktivieren und die Daten manuell migrieren, um Benutzern Zugriff auf Dateien aus Studio Classic in Studio-Anwendungen zu gewähren. Um dies zu erreichen, müssen Sie die Dateien aus den Home-Verzeichnissen der Benutzer auf die Amazon-EBS-Volumes übertragen, die diesen Bereichen zugeordnet sind. Der folgende Abschnitt enthält Informationen zu diesem Workflow. Weitere Informationen zum Abmelden vom automatischen Mounting von Amazon EFS finden Sie unter [Deaktivieren des automatischen Mountings von Amazon EFS](studio-updated-automount-optout.md).
## Manuelles Migrieren all Ihrer Daten aus Studio Classic
Im folgenden Abschnitt wird beschrieben, wie Sie alle Daten von Ihrem Studio-Classic-Speichervolume auf die neue Studio-Konfiguration migrieren.
Bei der manuellen Migration der Daten, des Codes und der Artefakte eines Benutzers von Studio Classic nach Studio empfehlen wir einen der folgenden Ansätze:
1. Verwenden eines benutzerdefinierten Amazon-EFS-Volumes
1. Verwenden von Amazon Simple Storage Service (Amazon S3)
Wenn Sie Amazon SageMaker Data Wrangler in Studio Classic verwendet haben und Ihre Datenflussdateien migrieren möchten, wählen Sie eine der folgenden Migrationsoptionen:
+ Wenn Sie alle Daten von Ihrem Studio-Classic-Speichervolume migrieren möchten, einschließlich Ihrer Datenflussdateien, gehen Sie zu [Manuelles Migrieren all Ihrer Daten aus Studio Classic](#studio-updated-migrate-data-all) und vervollständigen Sie den Abschnitt **Verwenden von Amazon S3 zum Migrieren von Daten**. Fahren Sie dann mit dem Abschnitt [Importieren der Flow-Dateien in Canvas](#studio-updated-migrate-flows-import) fort.
+ Wenn Sie nur Ihre Datenflussdateien und keine anderen Daten von Ihrem Studio-Classic-Speichervolume migrieren möchten, fahren Sie mit dem Abschnitt [Migrieren von Datenflüssen aus Data Wrangler](#studio-updated-migrate-flows) fort.
### Voraussetzungen
Bevor Sie diese Schritte ausführen, erfüllen Sie die Voraussetzungen in [Erfüllen der Voraussetzungen für die Migration der Studio-Konfiguration](studio-updated-migrate-prereq.md). Sie müssen auch die Schritte unter [Migrieren der Benutzeroberfläche von Studio Classic zu Studio](studio-updated-migrate-ui.md) ausführen.
### Auswahl des Ansatzes
Beachten Sie bei der Auswahl eines Ansatzes für die Migration Ihrer Studio-Classic-Daten Folgendes.
**Vor- und Nachteile der Verwendung eines benutzerdefinierten Amazon-EFS-Volumes**
Bei diesem Ansatz verwenden Sie eine Amazon EFS-to-Amazon AWS DataSync EFS-Aufgabe (einmalig oder in regelmäßigen Abständen), um Daten zu kopieren und anschließend das Amazon EFS-Zielvolume in die Bereiche eines Benutzers einzubinden. Dadurch erhalten Benutzer Zugriff auf Daten aus Studio Classic in ihren Studio-Datenverarbeitungsumgebungen.
Vorteile:
+ In den Bereichen des Benutzers sind nur die Stammverzeichnisdaten des Benutzers sichtbar. Es findet keine Cross-Pollination der Daten statt.
+ Die Synchronisierung vom Amazon EFS-Quellvolume mit einem Amazon EFS-Zielvolume ist sicherer, als das von SageMaker KI verwaltete Amazon EFS-Quellvolume direkt in Spaces einzubinden. Dadurch wird die Gefahr einer Beeinträchtigung der Benutzerdateien im Stammverzeichnis vermieden.
+ Benutzer haben die Flexibilität, weiterhin in Studio-Classic- und Studio-Anwendungen zu arbeiten und gleichzeitig ihre Daten in beiden Anwendungen verfügbar zu haben, wenn AWS DataSync in regelmäßigen Abständen eingerichtet ist.
+ Mit Amazon S3 ist kein wiederholtes Übertragen und Abrufen erforderlich.
Nachteile:
+ Kein Schreibzugriff auf das Amazon-EFS-Zielvolume, das in die Bereiche des Benutzers eingebunden ist. Um Schreibzugriff auf das Ziel-Amazon-EFS-Volume zu erhalten, müssen Kunden das Ziel-Amazon-EFS-Volume in einer Instance von Amazon Elastic Compute Cloud mounten und den Benutzern die entsprechenden Berechtigungen zum Schreiben in das Amazon-EFS-Präfix erteilen.
+ Erfordert eine Änderung der von SageMaker KI verwalteten Sicherheitsgruppen, um eingehenden und ausgehenden Datenfluss über das Netzwerkdateisystem (NFS) zu ermöglichen.
+ Kostet mehr als die Nutzung von Amazon S3.
+ Wenn Sie [Datenflüsse aus Data Wrangler in Studio Classic migrieren](#studio-updated-migrate-flows), müssen Sie die Schritte zum manuellen Exportieren von Flow-Dateien befolgen.
**Vor- und Nachteile der Verwendung von Amazon S3**
Bei diesem Ansatz verwenden Sie eine Amazon EFS-to-Amazon AWS DataSync S3-Aufgabe (einmalig oder in regelmäßigen Abständen), um Daten zu kopieren, und erstellen dann eine Lebenszykluskonfiguration, um die Daten des Benutzers von Amazon S3 auf das Amazon EBS-Volume seines privaten Bereichs zu kopieren.
Vorteile:
+ Wenn das LCC mit der Domain verbunden ist, können Benutzer wählen, ob sie das LCC zum Kopieren von Daten in ihren Bereich verwenden oder den Bereich ohne LCC-Skript ausführen möchten. Dadurch haben Benutzer die Wahl, ihre Dateien nur in die Bereiche zu kopieren, die sie benötigen.
+ Wenn eine AWS DataSync Aufgabe in regelmäßigen Abständen eingerichtet wird, können Benutzer ihre Studio-Anwendung neu starten, um die neuesten Dateien abzurufen.
+ Da die Daten nach Amazon EBS kopiert werden, haben Benutzer Schreibberechtigungen für die Dateien.
+ Der Amazon-S3-Speicher ist günstiger als Amazon EFS.
+ Wenn Sie [Datenflüsse aus Data Wrangler in Studio Classic migrieren](#studio-updated-migrate-flows), können Sie die manuellen Exportschritte überspringen und die Datenflüsse direkt von Amazon S3 in SageMaker Canvas importieren.
Nachteile:
+ Wenn Administratoren Cross-Pollination verhindern müssen, müssen sie AWS Identity and Access Management -Richtlinien auf Benutzerebene erstellen, um sicherzustellen, dass Benutzer nur auf das Amazon-S3-Präfix zugreifen können, das ihre Dateien enthält.
### Verwenden des benutzerdefinierten Amazon-EFS-Volumes, um Daten zu migrieren
Bei diesem Ansatz verwenden Sie ein Amazon EFS-to-Amazon EFS, AWS DataSync um den Inhalt eines Studio Classic Amazon EFS-Volumes einmal oder in regelmäßigen Abständen auf ein Amazon EFS-Zielvolume zu kopieren und dann das Amazon EFS-Zielvolume in die Spaces eines Benutzers einzubinden. Dadurch erhalten Benutzer Zugriff auf Daten aus Studio Classic in ihren Studio-Datenverarbeitungsumgebungen.
1. Erstellen Sie ein Amazon-EFS-Zielvolume. Sie übertragen Daten in dieses Amazon-EFS-Volume und binden es mithilfe der Präfix-Ebene in den Bereichs eines entsprechenden Benutzers ein.
```
export SOURCE_DOMAIN_ID="domain-id"
export AWS_REGION="region"
export TARGET_EFS=$(aws efs create-file-system --performance-mode generalPurpose --throughput-mode bursting --encrypted --region $REGION | jq -r '.FileSystemId')
echo "Target EFS volume Created: $TARGET_EFS"
```
1. Fügen Sie Variablen für das Amazon-EFS-Quellvolume hinzu, das derzeit an die Domain angehängt und von allen Benutzern verwendet wird. Die Informationen von Amazon Virtual Private Cloud der Domain sind erforderlich, um sicherzustellen, dass das Ziel-Amazon-EFS in derselben Amazon VPC und demselben Subnetz mit derselben Sicherheitsgruppenkonfiguration erstellt wird.
```
export SOURCE_EFS=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.HomeEfsFileSystemId')
export VPC_ID=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.VpcId')
echo "EFS managed by SageMaker: $SOURCE_EFS | VPC: $VPC_ID"
```
1. Erstellen Sie ein Amazon-EFS-Mount-Ziel in derselben Amazon VPC und demselben Subnetz wie das Amazon-EFS-Quellvolume mit derselben Sicherheitsgruppenkonfiguration. Es kann einige Minuten dauern, bis das Mount-Ziel verfügbar ist.
```
export EFS_VPC_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].VpcId")
export EFS_AZ_NAME=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].AvailabilityZoneName")
export EFS_AZ_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].AvailabilityZoneId")
export EFS_SUBNET_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].SubnetId")
export EFS_MOUNT_TARG_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].MountTargetId")
export EFS_SG_IDS=$(aws efs describe-mount-target-security-groups --mount-target-id $EFS_MOUNT_TARG_ID | jq -r '.SecurityGroups[]')
aws efs create-mount-target \
--file-system-id $TARGET_EFS \
--subnet-id $EFS_SUBNET_ID \
--security-groups $EFS_SG_IDS
```
1. Erstellen Sie Amazon EFS-Quell- und Zielorte für die AWS DataSync Aufgabe.
```
export SOURCE_EFS_ARN=$(aws efs describe-file-systems --file-system-id $SOURCE_EFS | jq -r ".FileSystems[0].FileSystemArn")
export TARGET_EFS_ARN=$(aws efs describe-file-systems --file-system-id $TARGET_EFS | jq -r ".FileSystems[0].FileSystemArn")
export EFS_SUBNET_ID_ARN=$(aws ec2 describe-subnets --subnet-ids $EFS_SUBNET_ID | jq -r ".Subnets[0].SubnetArn")
export ACCOUNT_ID=$(aws ec2 describe-security-groups --group-id $EFS_SG_IDS | jq -r ".SecurityGroups[0].OwnerId")
export EFS_SG_ID_ARN=arn:aws:ec2:$REGION:$ACCOUNT_ID:security-group/$EFS_SG_IDS
export SOURCE_LOCATION_ARN=$(aws datasync create-location-efs --subdirectory "/" --efs-filesystem-arn $SOURCE_EFS_ARN --ec2-config SubnetArn=$EFS_SUBNET_ID_ARN,SecurityGroupArns=$EFS_SG_ID_ARN --region $REGION | jq -r ".LocationArn")
export DESTINATION_LOCATION_ARN=$(aws datasync create-location-efs --subdirectory "/" --efs-filesystem-arn $TARGET_EFS_ARN --ec2-config SubnetArn=$EFS_SUBNET_ID_ARN,SecurityGroupArns=$EFS_SG_ID_ARN --region $REGION | jq -r ".LocationArn")
```
1. Lassen Sie den Datenverkehr zwischen den Quell- und Ziel-Mounts des Netzwerkdateisystems (NFS) zu. Wenn eine neue Domain erstellt wird, erstellt SageMaker AI zwei Sicherheitsgruppen.
+ Eingehende NFS-Sicherheitsgruppe mit ausschließlich eingehendem Datenverkehr.
+ Ausgehende NFS-Sicherheitsgruppe mit ausschließlich ausgehendem Datenverkehr.
Das Quell- und das Ziel-NFS befinden sich in denselben Sicherheitsgruppen. Sie können den Verkehr zwischen diesen Mounts vom AWS-Managementkonsole oder AWS CLI aus zulassen.
+ Erlaube Verkehr von AWS-Managementkonsole
1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die Amazon VPC-Konsole unter [https://console.aws.amazon.com/vpc/](https://console.aws.amazon.com/vpc/).
1. Wählen Sie **Security Groups**.
1. Suchen Sie auf der Seite **Sicherheitsgruppen** nach der ID der vorhandenen Domain.
```
d-xxxxxxx
```
Die Ergebnisse sollten zwei Sicherheitsgruppen zurückgeben, deren Name die Domain-ID enthält.
+ `security-group-for-inbound-nfs-domain-id`
+ `security-group-for-outbound-nfs-domain-id`
1. Wählen Sie die eingehende Sicherheitsgruppen-ID aus. Dadurch wird eine neue Seite mit Details zur Sicherheitsgruppe geöffnet.
1. Wählen Sie die Registerkarte **Ausgehende Regeln** aus.
1. Wählen Sie **Ausgehende Regeln bearbeiten** aus.
1. Aktualisieren Sie die vorhandenen Regeln für ausgehenden Datenverkehr oder fügen Sie eine neue Regel für ausgehenden Datenverkehr mit den folgenden Werten hinzu:
+ **Typ**: NFS
+ **Protocol (Protokoll)**: TCP
+ **Portbereich: 2049**
+ **Ziel**: security-group-for-outbound -nfs- \$1 *domain-id* *security-group-id*
1. Wählen Sie **Regeln speichern** aus.
1. Wählen Sie die Registerkarte **Regeln für eingehenden Datenverkehr** aus.
1. Wählen Sie **Regeln für ausgehenden Datenverkehr bearbeiten** aus.
1. Aktualisieren Sie die vorhandenen Regeln für eingehenden Datenverkehr oder fügen Sie eine neue Regel für ausgehenden Datenverkehr mit den folgenden Werten hinzu:
+ **Typ**: NFS
+ **Protocol (Protokoll)**: TCP
+ **Portbereich**: 2049
+ **Ziel**: security-group-for-outbound -nfs- \$1 *domain-id* *security-group-id*
1. Wählen Sie **Regeln speichern** aus.
+ Erlaube Verkehr von AWS CLI
1. Aktualisieren Sie die Regeln für eingehenden und ausgehenden Datenverkehr der Sicherheitsgruppe mit den folgenden Werten:
+ **Protocol (Protokoll)**: TCP
+ **Portbereich**: 2049
+ **Gruppen-ID**: Sicherheitsgruppen-ID für eingehenden Datenverkehr oder Sicherheitsgruppen-ID für ausgehenden Datenverkehr
```
export INBOUND_SG_ID=$(aws ec2 describe-security-groups --filters "Name=group-name,Values=security-group-for-inbound-nfs-$SOURCE_DOMAIN_ID" | jq -r ".SecurityGroups[0].GroupId")
export OUTBOUND_SG_ID=$(aws ec2 describe-security-groups --filters "Name=group-name,Values=security-group-for-outbound-nfs-$SOURCE_DOMAIN_ID" | jq -r ".SecurityGroups[0].GroupId")
echo "Outbound SG ID: $OUTBOUND_SG_ID | Inbound SG ID: $INBOUND_SG_ID"
aws ec2 authorize-security-group-egress \
--group-id $INBOUND_SG_ID \
--protocol tcp --port 2049 \
--source-group $OUTBOUND_SG_ID
aws ec2 authorize-security-group-ingress \
--group-id $OUTBOUND_SG_ID \
--protocol tcp --port 2049 \
--source-group $INBOUND_SG_ID
```
1. Fügen Sie sowohl die eingehenden als auch die ausgehenden Sicherheitsgruppen zu den Quell- und Ziel-Mount-Zielen von Amazon EFS hinzu. Dies ermöglicht den Datenverkehr zwischen den beiden Amazon-EFS-Mounts.
```
export SOURCE_EFS_MOUNT_TARGET=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].MountTargetId")
export TARGET_EFS_MOUNT_TARGET=$(aws efs describe-mount-targets --file-system-id $TARGET_EFS | jq -r ".MountTargets[0].MountTargetId")
aws efs modify-mount-target-security-groups \
--mount-target-id $SOURCE_EFS_MOUNT_TARGET \
--security-groups $INBOUND_SG_ID $OUTBOUND_SG_ID
aws efs modify-mount-target-security-groups \
--mount-target-id $TARGET_EFS_MOUNT_TARGET \
--security-groups $INBOUND_SG_ID $OUTBOUND_SG_ID
```
1. Erstellen Sie eine AWS DataSync Aufgabe. Dadurch wird eine Aufgaben-ARN zurückgegeben, die verwendet werden kann, um die Aufgabe bei Bedarf oder als Teil eines regelmäßigen Rhythmus auszuführen.
```
export EXTRA_XFER_OPTIONS='VerifyMode=ONLY_FILES_TRANSFERRED,OverwriteMode=ALWAYS,Atime=NONE,Mtime=NONE,Uid=NONE,Gid=NONE,PreserveDeletedFiles=REMOVE,PreserveDevices=NONE,PosixPermissions=NONE,TaskQueueing=ENABLED,TransferMode=CHANGED,SecurityDescriptorCopyFlags=NONE,ObjectTags=NONE'
export DATASYNC_TASK_ARN=$(aws datasync create-task --source-location-arn $SOURCE_LOCATION_ARN --destination-location-arn $DESTINATION_LOCATION_ARN --name "SMEFS_to_CustomEFS_Sync" --region $REGION --options $EXTRA_XFER_OPTIONS | jq -r ".TaskArn")
```
1. Starten Sie eine AWS DataSync Aufgabe, um Daten automatisch vom Amazon EFS-Quell-Mount in den Amazon EFS-Ziel-Mount zu kopieren. Dadurch bleiben die POSIX-Berechtigungen der Datei nicht erhalten, sodass Benutzer zwar aus dem Amazon-EFS-Ziel-Mount lesen, aber nicht in diesen schreiben können.
```
aws datasync start-task-execution --task-arn $DATASYNC_TASK_ARN
```
1. Mounten Sie das Amazon-EFS-Zielvolume auf der Root-Ebene auf der Domain.
```
aws sagemaker update-domain --domain-id $SOURCE_DOMAIN_ID \
--default-user-settings '{"CustomFileSystemConfigs": [{"EFSFileSystemConfig": {"FileSystemId": "'"$TARGET_EFS"'", "FileSystemPath": "/"}}]}'
```
1. Überschreiben Sie jedes Benutzerprofil mit einem `FileSystemPath`-Präfix. Das Präfix beinhaltet die UID des Benutzers, die von SageMaker AI erstellt wird. Dadurch wird sichergestellt, dass Benutzer nur Zugriff auf ihre Daten haben, und Cross-Pollination wird verhindert. Wenn ein Bereich in der Domain erstellt und das Amazon-EFS-Zielvolume in die Anwendung eingebunden wird, überschreibt das Präfix des Benutzers das Domainpräfix. Daher hängt SageMaker AI das `/user-id` Verzeichnis nur in der Anwendung des Benutzers ein.
```
aws sagemaker list-user-profiles --domain-id $SOURCE_DOMAIN_ID | jq -r '.UserProfiles[] | "\(.UserProfileName)"' | while read user; do
export uid=$(aws sagemaker describe-user-profile --domain-id $SOURCE_DOMAIN_ID --user-profile-name $user | jq -r ".HomeEfsFileSystemUid")
echo "$user $uid"
aws sagemaker update-user-profile --domain-id $SOURCE_DOMAIN_ID --user-profile-name $user --user-settings '{"CustomFileSystemConfigs": [{"EFSFileSystemConfig":{"FileSystemId": "'"$TARGET_EFS"'", "FileSystemPath": "'"/$uid/"'"}}]}'
done
```
1. Benutzer können dann beim Starten einer Anwendung das benutzerdefinierte Amazon-EFS-Dateisystem auswählen. Für weitere Informationen siehe [JupyterLab Benutzerleitfaden](studio-updated-jl-user-guide.md) oder [Starten einer Code-Editor-Anwendung in Studio](code-editor-use-studio.md).
### Verwenden von Amazon S3, um Daten zu migrieren
Bei diesem Ansatz verwenden Sie eine Amazon EFS-to-Amazon AWS DataSync S3-Aufgabe, um den Inhalt eines Studio Classic Amazon EFS-Volumes einmal oder in regelmäßigen Abständen in einen Amazon S3 S3-Bucket zu kopieren. Anschließend erstellen Sie eine Lebenszykluskonfiguration, um die Daten des Benutzers von Amazon S3 auf das Amazon EBS-Volume seines privaten Bereichs zu kopieren.
**Anmerkung**
Dieser Ansatz funktioniert nur für Domains mit Internetzugang.
1. Geben Sie die Quellvolume-ID von Amazon EFS der Domain ein, die die Daten enthält, die Sie migrieren.
```
timestamp=$(date +%Y%m%d%H%M%S)
export SOURCE_DOMAIN_ID="domain-id"
export AWS_REGION="region"
export ACCOUNT_ID=$(aws sts get-caller-identity --query Account --output text)
export EFS_ID=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.HomeEfsFileSystemId')
```
1. Legen Sie den Namen des Amazon-S3-Ziel-Buckets fest. Informationen zum Erstellen eines Amazon-S3-Buckets finden Sie unter [Erstellen eines Buckets](https://docs.aws.amazon.com/AmazonS3/latest/userguide/create-bucket-overview.html). Der verwendete Bucket muss über eine CORS-Richtlinie verfügen, wie unter [(Optional) Aktualisieren der CORS-Richtlinie für den Zugriff auf Amazon-S3-Buckets](studio-updated-migrate-ui.md#studio-updated-migrate-cors) beschrieben. Benutzer in der Domain müssen auch über Berechtigungen für den Zugriff auf den Amazon-S3-Bucket verfügen.
In diesem Beispiel kopieren wir Dateien in ein Präfix mit dem Namen `studio-new`. Wenn Sie einen einzelnen Amazon-S3-Bucket verwenden, um mehrere Domains zu migrieren, verwenden Sie das `studio-new/`-Präfix, um die Berechtigungen für die Dateien mithilfe von IAM einzuschränken.
```
export BUCKET_NAME=s3-bucket-name
export S3_DESTINATION_PATH=studio-new
```
1. Erstellen Sie eine Vertrauensrichtlinie, die Ihnen die AWS DataSync Erlaubnis erteilt, die Ausführungsrolle Ihres Kontos zu übernehmen.
```
export TRUST_POLICY=$(cat <
Wenn Sie Amazon SageMaker Data Wrangler zuvor in Amazon SageMaker Studio Classic für Datenvorbereitungsaufgaben verwendet haben, können Sie auf das neue Amazon SageMaker Studio migrieren und auf die neueste Version von Data Wrangler in Amazon Canvas zugreifen. SageMaker Data Wrangler in SageMaker Canvas bietet Ihnen eine verbesserte Benutzererfahrung und Zugriff auf die neuesten Funktionen, wie z. B. eine Benutzeroberfläche in natürlicher Sprache und eine schnellere Leistung.
Sie können SageMaker Canvas jederzeit nutzen, um mit der Nutzung des neuen Data Wrangler-Erlebnisses zu beginnen. Weitere Informationen finden Sie unter [Erste Schritte mit der Verwendung von Amazon SageMaker Canvas](canvas-getting-started.md).
Wenn Sie Datenflussdateien in Studio Classic gespeichert haben, an denen Sie zuvor gearbeitet haben, können Sie sie in Studio integrieren und die Flow-Dateien dann in Canvas importieren. Sie haben folgende Möglichkeiten für die Migration:
+ Migration mit einem Klick: Wenn Sie sich bei Canvas anmelden, können Sie eine einmalige Importoption verwenden, mit der alle Ihre Flow-Dateien in Ihrem Namen migriert werden.
+ Manuelle Migration: Sie können Ihre Flow-Dateien manuell in Canvas importieren. Exportieren Sie die Dateien von Studio Classic aus entweder nach Amazon S3 oder laden Sie sie auf Ihren lokalen Computer herunter. Anschließend melden Sie sich bei der SageMaker Canvas-Anwendung an, importieren die Flow-Dateien und setzen Ihre Datenvorbereitungsaufgaben fort.
Das folgende Handbuch beschreibt die Voraussetzungen für die Migration und wie Sie Ihre Datenflussdateien entweder mit der Ein-Klick-Option oder manuell migrieren können.
### Voraussetzungen
Überprüfen Sie die folgenden Voraussetzungen, bevor Sie mit der Migration Ihrer Flow-Dateien beginnen.
**Schritt 1. Migrieren der Domain und Gewähren von Berechtigungen**
Bevor Sie Datenflussdateien migrieren, müssen Sie bestimmte Schritte des [Migration von Amazon SageMaker Studio Classic](studio-updated-migrate.md) Handbuchs befolgen, um sicherzustellen, dass die AWS IAM-Ausführungsrolle Ihres Benutzerprofils über die erforderlichen Berechtigungen verfügt. Befolgen Sie die [Voraussetzungen](studio-updated-migrate-prereq.md) und [Migrieren der Benutzeroberfläche von Studio Classic zu Studio](studio-updated-migrate-ui.md) und konfigurieren Sie Studio als neue Umgebung, bevor Sie fortfahren. Dort wird beschrieben, wie Sie die erforderlichen Berechtigungen erteilen und Ihre bestehende Domain migrieren können.
Insbesondere benötigen Sie Berechtigungen, um eine SageMaker Canvas-Anwendung zu erstellen und die SageMaker Canvas-Datenvorbereitungsfunktionen zu verwenden. Um diese Berechtigungen zu erhalten, können Sie entweder:
+ Fügen Sie die [ AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)Richtlinie zu Ihrer IAM-Rolle hinzu, oder
+ Fügen Sie eine Richtlinie mit den geringsten Berechtigungen hinzu, wie im Abschnitt **(optional) Von Data Wrangler in Studio Classic zu SageMaker Canvas migrieren** auf der Seite gezeigt. [Migrieren der Benutzeroberfläche von Studio Classic zu Studio](studio-updated-migrate-ui.md)
Stellen Sie sicher, dass Sie dasselbe Benutzerprofil für Studio und Canvas verwenden. SageMaker
Nachdem Sie die im Migrationsleitfaden beschriebenen Voraussetzungen erfüllt haben, sollten Sie über eine neue Domain mit den erforderlichen Berechtigungen für den Zugriff auf SageMaker Canvas über Studio verfügen.
**Schritt 2. (Optional) Vorbereiten eines Amazon-S3-Speicherorts**
Wenn Sie eine manuelle Migration durchführen und Amazon S3 zum Übertragen Ihrer Flow-Dateien anstelle der lokalen Download-Option verwenden möchten, sollten Sie in Ihrem Konto über einen Amazon-S3-Bucket verfügen, den Sie zum Speichern der Flow-Dateien verwenden möchten.
### Migrationsmethode mit einem Klick
SageMaker Canvas bietet eine einmalige Importoption für die Migration Ihrer Datenflüsse von Data Wrangler in Studio Classic zu Data Wrangler in Canvas. SageMaker Solange Ihre Studio-Classic- und Canvas-Anwendungen dasselbe Amazon-EFS-Speichervolume verwenden, können Sie mit einem Klick von Canvas migrieren. Dieser optimierte Prozess macht manuelle Export- und Importschritte überflüssig und Sie können alle Ihre Flows auf einmal importieren.
Gehen Sie wie folgt vor, um alle Ihre Flow-Dateien zu migrieren:
1. Öffnen Sie die neueste Version von Studio.
1. Wählen Sie in Studio im linken Navigationsbereich das Dropdown-Menü **Daten** aus.
1. Wählen Sie in den Navigationsoptionen **Data Wrangler** aus.
1. Wählen Sie auf der Seite **Data Wrangler** die Option **In Canvas ausführen** aus. Wenn Sie die Berechtigungen erfolgreich eingerichtet haben, wird eine Canvas-Anwendung für Sie erstellt. Es kann einige Minuten dauern, bis die Canvas-Anwendung fertig ist.
1. Wenn Canvas bereit ist, wählen Sie **In Canvas öffnen** aus.
1. Canvas öffnet die Seite **Data Wrangler** und oben auf der Seite erscheint ein Banner mit der Aufforderung Importieren Ihrer Datenflüsse aus Data Wrangler in Studio Classic nach Canvas. Dies ist ein einmaliger Import. Weitere Informationen. Wählen Sie im Banner die Option **Alle importieren** aus.
**Warnung**
Wenn Sie die Banner-Benachrichtigung schließen, können Sie sie nicht mehr erneut öffnen und die Migrationsmethode mit einem Klick nicht mehr verwenden.
Eine Popup-Benachrichtigung wird angezeigt, die darauf hinweist, dass Canvas Ihre Flow-Dateien aus Studio Classic importiert. Wenn der Import vollständig erfolgreich war, erhalten Sie eine weitere Benachrichtigung, dass die `X`-Anzahl der Flow-Dateien importiert wurde, und Sie können Ihre Flow-Dateien auf der Seite **Data Wrangler** der Canvas-Anwendung sehen. Alle importierten Flow-Dateien, die denselben Namen wie bestehende Datenflüsse in Ihrer Canvas-Anwendung haben, werden mit einem Postfix umbenannt. Sie können einen Datenfluss öffnen, um zu überprüfen, ob er wie erwartet aussieht.
Falls eine Ihrer Schemadateien nicht erfolgreich importiert werden kann, erhalten Sie eine Benachrichtigung, dass der Import entweder teilweise erfolgreich war oder fehlgeschlagen ist. Wählen Sie in der Benachrichtigung die Option **Fehler anzeigen** aus, um in den einzelnen Fehlermeldungen nach Anleitungen zur Neuformatierung falsch formatierter Flow-Dateien zu suchen.
Nach dem Import Ihrer Flow-Dateien sollten Sie Data Wrangler nun weiterhin verwenden können, um Daten in Canvas vorzubereiten. SageMaker
### Manuelle Migrationsmethode
In den folgenden Abschnitten wird beschrieben, wie Sie Ihre Flow-Dateien manuell in Canvas importieren, falls die Migrationsmethode mit einem Klick nicht funktioniert hat.
#### Exportieren der Flow-Dateien aus Studio Classic
**Anmerkung**
Wenn Sie Ihre Studio-Classic-Daten bereits gemäß den Anweisungen in [(Optional) Migrieren von Daten von Studio Classic zu Studio](#studio-updated-migrate-data) zu Amazon S3 migriert haben, können Sie diesen Schritt überspringen und direkt zum [Importieren der Flow-Dateien in Canvas](#studio-updated-migrate-flows-import)-Abschnitt übergehen, in dem Sie Ihre Flow-Dateien aus dem Amazon-S3-Speicherort importieren, an dem Ihre Studio-Classic-Daten gespeichert sind.
Sie können Ihre Flow-Dateien exportieren, indem Sie sie entweder in Amazon S3 speichern oder auf Ihren lokalen Computer herunterladen. Wenn Sie im nächsten Schritt Ihre Flow-Dateien in SageMaker Canvas importieren und die lokale Upload-Option wählen, können Sie nur 20 Flow-Dateien gleichzeitig hochladen. Wenn Sie eine große Anzahl von Flow-Dateien importieren möchten, empfehlen wir Ihnen, stattdessen Amazon S3 zu verwenden.
Folgen Sie den Anweisungen unter [Methode 1: Verwenden von Amazon S3, um Flow-Dateien zu übertragen](#studio-updated-migrate-flows-export-s3) oder [Methode 2: Verwenden Ihres lokalen Computers, um Flow-Dateien zu übertragen](#studio-updated-migrate-flows-export-local), um fortzufahren.
##### Methode 1: Verwenden von Amazon S3, um Flow-Dateien zu übertragen
Mit dieser Methode verwenden Sie Amazon S3 als Vermittler zwischen Data Wrangler in Studio Classic und Data Wrangler in SageMaker Canvas (Zugriff über die neueste Version von Studio). Sie exportieren die Flow-Dateien von Studio Classic nach Amazon S3 und greifen dann im nächsten Schritt über Studio auf Canvas zu und importieren die Flow-Dateien aus Amazon S3.
Stellen Sie sicher, dass ein Amazon-S3-Bucket als Speicherort für die Flow-Dateien vorbereitet ist.
Gehen Sie wie folgt vor, um Ihre Flow-Dateien von Studio Classic nach Amazon S3 zu exportieren:
1. Öffnen Sie Studio Classic
1. Öffnen Sie ein neues Terminal, indem Sie wie folgt vorgehen:
1. Wählen Sie in der Navigationsleiste oben die Option **Datei** aus.
1. Fahren Sie im Kontextmenü mit der Maus über **Neu** und wählen Sie dann **Terminal** aus.
1. Standardmäßig sollte das Terminal in Ihrem Stammverzeichnis geöffnet sein. Navigieren Sie zu dem Ordner, der alle Flow-Dateien enthält, die Sie migrieren möchten.
1. Verwenden Sie folgenden Befehl, um alle Flow-Dateien mit dem angegebenen Amazon-S3-Speicherort zu synchronisieren. Ersetzen Sie `{bucket-name}` und `{folder}` durch den Pfad zu Ihrem gewünschten Amazon-S3-Speicherort. Weitere Informationen zu dem Befehl und den Parametern finden Sie unter dem Befehl [sync in der Befehlsreferenz](https://docs.aws.amazon.com/cli/latest/reference/s3/sync.html). AWS AWS CLI
```
aws s3 sync . s3://{bucket-name}/{folder}/ --exclude "*.*" --include "*.flow"
```
Wenn Sie Ihren eigenen Befehl verwenden AWS KMS key, verwenden Sie stattdessen den folgenden Befehl, um die Dateien zu synchronisieren, und geben Sie Ihre KMS-Schlüssel-ID an. Stellen Sie sicher, dass der IAM-Ausführungsrolle des Benutzers (bei der es sich um dieselbe Rolle handeln sollte, die in **Schritt 1. Migrieren der Domain und Gewähren von Berechtigungen** der vorstehenden ([Voraussetzungen](#studio-updated-migrate-flows-prereqs) verwendet wurde), der Zugriff zur Verwendung des KMS-Schlüssels gewährt wurde.
```
aws s3 sync . s3://{bucket-name}/{folder}/ --exclude "*.*" --include "*.flow" --sse-kms-key-id {your-key-id}
```
Ihre Flow-Dateien sollten jetzt exportiert werden. Sie können Ihren Amazon-S3-Bucket überprüfen, um sicherzustellen, dass die Flow-Dateien erfolgreich synchronisiert wurden.
Um diese Dateien in die neueste Version von Data Wrangler zu importieren, folgen Sie den Schritten unter [Importieren der Flow-Dateien in Canvas](#studio-updated-migrate-flows-import).
##### Methode 2: Verwenden Ihres lokalen Computers, um Flow-Dateien zu übertragen
Mit dieser Methode laden Sie die Flow-Dateien von Studio Classic auf Ihren lokalen Computer herunter. Sie können die Dateien direkt herunterladen oder sie als ZIP-Archiv komprimieren. Anschließend entpacken Sie die ZIP-Datei lokal (falls zutreffend), melden sich bei Canvas an und importieren die Flow-Dateien, indem Sie sie von Ihrem lokalen Computer hochladen.
Gehen Sie wie folgt vor, um Ihre Flow-Dateien von Studio Classic nach Amazon S3 herunterzuladen:
1. Öffnen Sie Studio Classic
1. (Optional) Wenn Sie mehrere Flow-Dateien in ein ZIP-Archiv komprimieren und alle auf einmal herunterladen möchten, gehen Sie wie folgt vor:
1. Wählen Sie in Studio Classic in der Navigationsleiste oben die Option **Datei** aus.
1. Fahren Sie im Kontextmenü mit der Maus über **Neu** und wählen Sie dann **Terminal** aus.
1. Standardmäßig wird das Terminal in Ihrem Stammverzeichnis geöffnet. Navigieren Sie zu dem Ordner, der alle Flow-Dateien enthält, die Sie migrieren möchten.
1. Verwenden Sie den folgenden Befehl, um die Flow-Dateien im aktuellen Verzeichnis als ZIP-Datei zu packen. Der Befehl schließt alle ausgeblendeten Dateien aus:
```
find . -not -path "*/.*" -name "*.flow" -print0 | xargs -0 zip my_archive.zip
```
1. Laden Sie das ZIP-Archiv oder einzelne Flow-Dateien wie folgt auf Ihren lokalen Computer herunter:
1. Wählen Sie im linken Navigationsbereich von Studio Classic die Option **Dateibrowser** aus.
1. Suchen Sie im Dateibrowser nach der Datei, die Sie herunterladen möchten.
1. Klicken Sie mit der rechten Maustaste auf die Datei und wählen Sie im Kontextmenü die Option **Herunterladen** aus.
Die Datei sollte auf Ihren lokalen Computer heruntergeladen werden. Wenn Sie sie als ZIP-Archiv gepackt haben, extrahieren Sie die Dateien lokal. Nach dem Extrahieren der Dateien folgen Sie den Schritten unter [Importieren der Flow-Dateien in Canvas](#studio-updated-migrate-flows-import), um diese Dateien in die neueste Version von Data Wrangler zu importieren.
#### Importieren der Flow-Dateien in Canvas
Nachdem Sie Ihre Flow-Dateien exportiert haben, greifen Sie über Studio auf Canvas zu und importieren Sie die Dateien.
Gehen Sie wie folgt vor, um Flow-Dateien in Canvas zu importieren:
1. Öffnen Sie die neueste Version von Studio.
1. Wählen Sie in Studio im linken Navigationsbereich das Dropdown-Menü **Daten** aus.
1. Wählen Sie in den Navigationsoptionen **Data Wrangler** aus.
1. Wählen Sie auf der Seite **Data Wrangler** die Option **In Canvas ausführen** aus. Wenn Sie die Berechtigungen erfolgreich eingerichtet haben, wird eine Canvas-Anwendung für Sie erstellt. Es kann einige Minuten dauern, bis die Canvas-Anwendung fertig ist.
1. Wenn Canvas bereit ist, wählen Sie **In Canvas öffnen** aus.
1. Canvas öffnet die Seite **Data Wrangler**. Wählen Sie im oberen Bereich die Option **Datenflüsse importieren** aus.
1. Wählen Sie für **Datenquelle** entweder **Amazon S3** oder **Lokaler Upload** aus.
1. Wählen Sie Ihre Flow-Dateien aus Ihrem Amazon-S3-Bucket aus oder laden Sie die Dateien von Ihrem lokalen Computer hoch.
**Anmerkung**
Für den lokalen Upload können Sie maximal 20 Flow-Dateien gleichzeitig hochladen. Verwenden Sie für größere Importe Amazon S3. Wenn Sie einen Ordner für den Import auswählen, werden alle Flow-Dateien in Unterordnern ebenfalls importiert.
1. Wählen Sie **Daten importieren**.
Wenn der Import erfolgreich war, erhalten Sie eine Benachrichtigung, das `X` Anzahl der Flow-Dateien erfolgreich importiert wurde.
Falls Ihre Flow-Dateien nicht erfolgreich importiert werden können, erhalten Sie in der SageMaker Canvas-Anwendung eine Benachrichtigung. Wählen Sie in der Benachrichtigung die Option **Fehler anzeigen** aus, um in den einzelnen Fehlermeldungen nach Anleitungen zur Neuformatierung falsch formatierter Flow-Dateien zu suchen.
Rufen Sie nach dem Import Ihrer Flow-Dateien die **Data Wrangler-Seite** der SageMaker Canvas-Anwendung auf, um Ihre Datenflüsse anzusehen. Sie können einen Datenfluss öffnen, um zu überprüfen, ob er wie erwartet aussieht.
# Amazon SageMaker Studio Klassisch
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Amazon SageMaker Studio Classic ist eine webbasierte integrierte Entwicklungsumgebung (IDE) für maschinelles Lernen (ML). Studio Classic ermöglicht das Erstellen, Schulen, Debuggen, Bereitstellen und Überwachen Ihrer ML-Modelle. Studio Classic enthält alle Tools, die Sie benötigen, um Ihre Modelle produktiver zu machen – von der Datenaufbereitung über Experimente bis zur Produktion. In einer einzigen visuellen Oberfläche können Sie die folgenden Aufgaben ausführen:
+ Schreiben und Ausführen von Code in Jupyter Notebooks
+ Bereitstellen von Daten für Machine-Learning-Systeme
+ Erstellen und Trainieren von ML-Modellen
+ Bereitstellen der Modelle und Überwachen der Leistung ihrer Vorhersagen
+ Verfolgen und Debuggen von ML-Experimenten
+ Zusammenarbeiten mit anderen in Echtzeit
Informationen zu den Onboarding-Schritten für Studio Classic finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
Informationen zur Zusammenarbeit mit anderen Benutzern in Echtzeit finden Sie unter [Zusammenarbeit mit gemeinsam genutzten Räumen](domain-space.md).
Informationen zu den von Studio Classic unterstützten AWS Regionen finden Sie unter[Unterstützte Regionen und Kontingente](regions-quotas.md).
## Amazon SageMaker Studio Classic-Wartungsphasenplan
Die folgende Tabelle enthält Informationen zum Zeitplan für den Beginn der erweiterten Wartungsphase von Amazon SageMaker Studio Classic.
| Date | Description |
| --- | --- |
| 31.12.2024 | Ab dem 31. Dezember wird die Wartung von Studio Classic eingestellt. Ab dann werden für Studio Classic keine Updates und Sicherheitspatches mehr bereitgestellt. Alle neuen Domains werden standardmäßig mit Amazon SageMaker Studio erstellt. |
| 31.1.2025 | Ab dem 31. Januar können Benutzer in Studio Classic keine JupyterLab 3 neuen Notizbücher mehr erstellen. Benutzer können auch keine vorhandenen Notebooks neu starten oder aktualisieren. Benutzer können über Studio auf vorhandene Studio-Classic-Anwendungen zugreifen, jedoch ausschließlich zum Löschen oder Beenden bestehender Notebooks. |
**Anmerkung**
Ihre bestehende Studio-Classic-Domain wird nicht automatisch zu Studio migriert. Informationen zum Migrieren finden Sie unter [Migration von Amazon SageMaker Studio Classic](studio-updated-migrate.md).
**Topics**
+ [Amazon SageMaker Studio Classic-Wartungsphasenplan](#studio-deprecation)
+ [Funktionen von Amazon SageMaker Studio Classic](#studio-features)
+ [Überblick über die Amazon SageMaker Studio Classic-Benutzeroberfläche](studio-ui.md)
+ [Starten Sie Amazon SageMaker Studio Classic](studio-launch.md)
+ [JupyterLab Versionierung in Amazon SageMaker Studio Classic](studio-jl.md)
+ [Verwenden Sie den Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
+ [Verwenden Sie Amazon SageMaker Studio Classic-Notizbücher](notebooks.md)
+ [Amazon SageMaker Studio Classic anpassen](studio-customize.md)
+ [Allgemeine Aufgaben in Amazon SageMaker Studio Classic ausführen](studio-tasks.md)
+ [Amazon SageMaker Studio Classic — Preise](studio-pricing.md)
+ [Problembehebung bei Amazon SageMaker Studio Classic](studio-troubleshooting.md)
## Funktionen von Amazon SageMaker Studio Classic
Studio Classic umfasst die folgenden Features:
+ [SageMaker Autopilot](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development.html)
+ [SageMaker Klären](https://docs.aws.amazon.com/sagemaker/latest/dg/model-explainability.html)
+ [SageMaker Daten Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html)
+ [SageMaker Debugger](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-on-studio.html)
+ [SageMaker Experimente](https://docs.aws.amazon.com/sagemaker/latest/dg/experiments.html)
+ [SageMaker Feature-Shop](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store-use-with-studio.html)
+ [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)
+ [ SageMaker Amazon-Pipelines](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-studio.html)
+ [SageMaker Modellregistrierung](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html)
+ [SageMaker Projekte](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects.html)
+ [SageMakerStudio Classic-Notizbücher](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html)
+ [SageMaker Universelles Notizbuch von Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-cluster.html)
# Überblick über die Amazon SageMaker Studio Classic-Benutzeroberfläche
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Amazon SageMaker Studio Classic erweitert die Funktionen von JupyterLab um benutzerdefinierte Ressourcen, die Ihren Machine Learning Lernprozess (ML) beschleunigen können, indem sie die Rechenleistung nutzen. AWS Frühere Benutzer von JupyterLab werden die Ähnlichkeit der Benutzeroberfläche bemerken. Die wichtigsten Ergänzungen werden in den folgenden Abschnitten detailliert beschrieben. Einen Überblick über die ursprüngliche JupyterLab Benutzeroberfläche finden Sie unter [Die JupyterLab Benutzeroberfläche](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
Die folgende Abbildung zeigt die Standardansicht beim Start von Amazon SageMaker Studio Classic. Im *linken Navigationsbereich* werden alle Funktionskategorien der obersten Ebene angezeigt, und a *[Amazon SageMaker Studio Classic-Startseite](#studio-ui-home)* ist im *Hauptarbeitsbereich* geöffnet. Kehren Sie zu diesem zentralen Orientierungspunkt zurück, indem Sie zu einem beliebigen Zeitpunkt das **Startseite**-Symbol (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/house.png)) und anschließend im Navigationsmenü den **Startseite**-Knoten auswählen.
Im **Notizbuch Erste Schritte** finden Sie eine praktische Anleitung zum Einrichten und Kennenlernen der Funktionen von Amazon SageMaker Studio Classic. Wählen Sie auf der Studio-Classic-Startseite im Bereich **Schnellaktionen** die Option **Erste Schritte mit Notebook öffnen** aus.
![\[SageMaker Studio Classic-Startseite.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-home.png)
**Anmerkung**
Dieses Kapitel basiert auf der aktualisierten Benutzeroberfläche (UI) von Studio Classic, die ab Version `v5.38.x` JupyterLab 3 verfügbar ist.
Um Ihre Version der Studio-Benutzeroberfläche abzurufen, öffnen Sie im [Studio Classic Launcher](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html) ein System-Terminal und dann
Führen Sie Folgendes aus:`conda activate studio`
Führen Sie Folgendes aus:`jupyter labextension list`
Suchen Sie in der Ausgabe nach der Version, die danach in `@amzn/sagemaker-ui version` angezeigt wird.
Informationen zur Aktualisierung von Amazon SageMaker Studio Classic finden Sie unter[Amazon SageMaker Studio Classic herunterfahren und aktualisieren](studio-tasks-update-studio.md).
**Topics**
+ [Amazon SageMaker Studio Classic-Startseite](#studio-ui-home)
+ [Klassisches Amazon SageMaker Studio-Layout](#studio-ui-layout)
## Amazon SageMaker Studio Classic-Startseite
Die Startseite bietet Zugriff auf allgemeine Aufgaben und Workflows. Insbesondere enthält sie eine Liste mit **Schnellaktionen** für allgemeine Aufgaben wie das **Öffnen von Launcher** zum Erstellen von Notebooks und anderen Ressourcen und das **visuelle Importieren und Aufbereiten von Daten**, um einen neuen Flow in Data Wrangler zu erstellen. Die **Startseite** bietet auch Tooltips zu den wichtigsten Steuerelementen in der Benutzeroberfläche.
Die **vorgefertigten und automatisierten Lösungen** helfen Ihnen dabei, schnell mit den Low-Code-Lösungen von SageMaker AI wie Amazon SageMaker JumpStart und Autopilot loszulegen.
Unter **Workflows und Aufgaben** finden Sie eine Liste relevanter Aufgaben für jeden Schritt Ihres ML-Workflows, die Sie zum richtigen Tool für die jeweilige Aufgabe führt. Mit **Daten transformieren, analysieren und exportieren** gelangen Sie beispielsweise zu Amazon SageMaker Data Wrangler und öffnen den Workflow, um einen neuen Datenfluss zu erstellen, oder **Alle Experimente anzeigen führt Sie zu SageMaker Experimenten und öffnet die Listenansicht** der Experimente.
Beim Start von Studio Classic ist die **Startseite** im Hauptarbeitsbereich geöffnet. Sie können Ihre SageMaker **KI-Startseite** anpassen, indem Sie oben rechts auf der Registerkarte **Startseite** auf das Symbol „**Layout anpassen**“ (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/layout.png)) klicken.
## Klassisches Amazon SageMaker Studio-Layout
Die Amazon SageMaker Studio Classic-Oberfläche besteht aus einer *Menüleiste* oben, einer zusammenklappbaren *linken Seitenleiste* mit einer Vielzahl von Symbolen wie dem **Home-Symbol** und dem **Dateibrowser**, einer *Statusleiste* am unteren Bildschirmrand und einem *zentralen Bereich*, der horizontal in zwei Bereiche unterteilt ist. Der linke Bereich ist ein zusammenklappbares *Navigationsfenster*. Der rechte Bereich, also der Hauptarbeitsbereich, enthält eine oder mehrere Registerkarten für Ressourcen wie Startprogramme, Notebooks, Terminals, Metriken und Diagramme und kann weiter unterteilt werden.
**Melden Sie einen Fehler** in Studio Classic oder wählen Sie das Benachrichtigungssymbol (![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/Notification.png)), um Benachrichtigungen von Studio Classic, z. B. neue Studio Classic-Versionen und neue SageMaker KI-Funktionen, in der rechten Ecke der Menüleiste anzuzeigen. Informationen zum Update auf eine neue Version von Studio Classic finden Sie unter [Amazon SageMaker Studio Classic und Apps herunterfahren und aktualisieren](studio-tasks-update.md).
In den folgenden Abschnitten werden die Hauptbereiche der Studio-Classic-Benutzeroberfläche beschrieben.
### Linke Seitenleiste
Die *linke Seitenleiste* enthält die folgenden Symbole. Wenn Sie den Mauszeiger über ein Symbol bewegen, zeigt ein Tooltip den Namen des Symbols an. Ein einziger Klick auf ein Symbol öffnet den linken Navigationsbereich mit den beschriebenen Funktionen. Ein Doppelklick minimiert den linken Navigationsbereich.
| Symbol | Description |
| --- | --- |
| ![\[Das Startseite-Symbol.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/house@2x.png) | **Home** Wählen Sie das **Home** Symbol, um ein Navigationsmenü auf oberster Ebene im *linken Navigationsbereich* zu öffnen. Mithilfe des **Start**-Navigationsmenüs können Sie die richtigen Tools für jeden Schritt Ihres ML-Workflows finden und zu ihnen navigieren. Das Menü bietet auch Verknüpfungen zu Schnellstartlösungen und Lernressourcen wie Dokumentation und geführten Tutorials. In den Menükategorien sind relevante Funktionen zusammengefasst. Wenn Sie beispielsweise **Daten** auswählen, werden die relevanten SageMaker KI-Funktionen für Ihre Datenvorbereitungsaufgaben erweitert. Von hier aus können Sie Ihre Daten mit Data Wrangler vorbereiten, ML-Funktionen mit Amazon SageMaker Feature Store erstellen und speichern und Amazon EMR-Cluster für die umfangreiche Datenverarbeitung verwalten. Die Kategorien sind nach einem typischen ML-Workflow angeordnet, von der Datenvorbereitung bis hin zur Erstellung, Training und Bereitstellung von ML-Modellen (Daten, Pipelines, Modelle und Bereitstellungen). Wenn Sie einen bestimmten Knoten (z. B. Data Wrangler) auswählen, wird eine entsprechende Seite im Hauptarbeitsbereich geöffnet. Wählen Sie **Home** im Navigationsmenü, um [Amazon SageMaker Studio Classic-Startseite](#studio-ui-home) zu öffnen |
| ![\[Das Symbol Dateibrowser.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder@2x.png) | **Dateibrowser** Der **Dateibrowser** und Ressourcenbrowser zeigt Listen Ihrer Notebooks, Experimente, Testversionen, Tetstkomponenten und Endpunkte an. Ob Sie sich in einem persönlichen oder einem gemeinsam genutzten Bereich befinden, bestimmt, wer Zugriff auf Ihre Dateien hat. Anhand der oberen rechten Ecke können Sie feststellen, in welcher Art von Bereich Sie sich befinden. **Wenn Sie sich in einer persönlichen App befinden, sehen Sie ein Benutzersymbol gefolgt von *[user\$1name]***/Personal Studio**, und wenn Sie sich in einem kollaborativen Bereich befinden, sehen Sie ein Globussymbol gefolgt von "/“ *[user\$1name] *** *[space\$1name].* [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/studio-ui.html) Bei hierarchischen Einträgen zeigt ein auswählbarer Breadcrumb am oberen Rand des Browsers Ihre Postion in der Hierarchie an. |
| ![\[Das Symbol Eigenschafteninspektor.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/gears@2x.png) | **Immobilieninspektor** Der Eigenschafteninspektor ist ein Notebookinspektor für Zellenwerkzeuge, der beim Öffnen kontextbezogene Eigenschaftseinstellungen anzeigt. |
| ![\[Das Symbol Ausführen von Terminals und Kernel.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels@2x.png) | **Ausführen von Terminals und Kernel** Sie können die Liste aller *Kernel* und *Terminals* überprüfen, die derzeit auf allen Notebooks, Codekonsolen und Verzeichnissen ausgeführt werden. Sie können einzelne Ressourcen herunterfahren, darunter Notebooks, Terminals, Kernel, Apps und Instances. Sie können auch alle Ressourcen in einer dieser Kategorien gleichzeitig herunterfahren. Weitere Informationen finden Sie unter [Ressourcen von Amazon SageMaker Studio Classic herunterfahren](notebooks-run-and-manage-shut-down.md). |
| ![\[Das Symbol Git.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/git@2x.png) | **Git** Sie können eine Verbindung zu einem Git-Repository herstellen und dann auf eine vollständige Palette von Git-Tools und Operationen zugreifen. Weitere Informationen finden Sie unter [Klonen Sie ein Git-Repository in Amazon SageMaker Studio Classic](studio-tasks-git.md). |
| ![\[Das Symbol Inhaltsverzeichnis.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/table-of-contents@2x.png) | **Inhaltsübersicht**Sie können in der Struktur eines Dokuments navigieren, wenn ein Notebook oder Python-Dateien geöffnet sind. Ein Inhaltsverzeichnis wird im linken Navigationsbereich automatisch generiert, wenn Sie ein Notebook, Markdown-Dateien oder Python-Dateien geöffnet haben. Die Einträge sind anklickbar und das Dokument wird zur betreffenden Überschrift gescrollt. |
| ![\[Das Symbol Erweiterungen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/extensions@2x.png) | **Erweiterungen** Sie können JupyterLab Erweiterungen von Drittanbietern aktivieren und verwalten. Sie können die bereits installierten Erweiterungen überprüfen und nach Erweiterungen suchen, indem Sie den Namen in die Suchleiste eingeben. Wenn Sie die Erweiterung gefunden haben, die Sie installieren möchten, wählen Sie **Installieren**. Stellen Sie nach der Installation Ihrer neuen Erweiterungen sicher, dass Sie Ihren Browser neu starten, JupyterLab indem Sie Ihren Browser aktualisieren. Weitere Informationen finden Sie in der [Dokumentation zu JupyterLab Erweiterungen](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html). |
### Linkes Navigationsfeld
Der Inhalt des linken Navigationsfensters variiert je nach dem in der linken Seitenleiste ausgewählten Symbol.
Wenn Sie beispielsweise das **Home** Symbol auswählen, wird das Navigationsmenü angezeigt. Wenn Sie **Dateibrowser** wählen, werden alle Dateien und Verzeichnisse aufgelistet, die in Ihrem Workspace verfügbar sind (Notebooks, Experimente, Datenflüsse, Versuche, Testkomponenten, Endgeräte oder Low-Code-Lösungen).
Wenn Sie im Navigationsmenü einen Knoten auswählen, wird die entsprechende Feature-Seite im Hauptarbeitsbereich angezeigt. Wenn Sie beispielsweise **Data Wrangler** im Menü Daten auswählen, wird die Registerkarte **Data** **Data Wrangler** geöffnet, auf der alle vorhandenen Flows aufgelistet sind.
### Hauptarbeitsbereich
Der Hauptarbeitsbereich besteht aus mehreren Registerkarten, die Ihre offenen Notebooks, Terminals und detaillierte Informationen über Ihre Experimente und Endpunkte enthalten. Im Hauptarbeitsbereich können Sie Dokumente (wie Notebooks und Textdateien) und andere Aktivitäten (wie Terminals und Codekonsolen) in Registerkarten anordnen, deren Größe Sie ändern oder unterteilen können. Ziehen Sie eine Registerkarte in die Mitte eines Registerbereichs, um den Tab in den Bereich zu verschieben. Unterteilen Sie einen Registerbereich, indem Sie einen Tab an den linken, rechten, oberen oder unteren Rand des Bedienfelds ziehen. Die Registerkarte für die aktuelle Aktivität ist mit einem farbigen oberen Rand gekennzeichnet (standardmäßig blau).
**Anmerkung**
Alle Feature-Seiten bieten produktinterne Kontexthilfe. Um auf die Hilfe zuzugreifen, wählen Sie **Informationen anzeigen**. Die Hilfeschnittstelle bietet eine kurze Einführung in das Tool und Links zu zusätzlichen Ressourcen wie Videos, Tutorials oder Blogs.
# Starten Sie Amazon SageMaker Studio Classic
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Nachdem Sie sich bei einer Amazon SageMaker AI-Domain angemeldet haben, können Sie eine Amazon SageMaker Studio Classic-Anwendung entweder über die SageMaker AI-Konsole oder über starten. AWS CLI Weitere Informationen zum Onboarding zu einer Domain finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
**Topics**
+ [Starten Sie Amazon SageMaker Studio Classic mit der Amazon SageMaker AI-Konsole](#studio-launch-console)
+ [Starten Sie Amazon SageMaker Studio Classic mit dem AWS CLI](#studio-launch-cli)
## Starten Sie Amazon SageMaker Studio Classic mit der Amazon SageMaker AI-Konsole
Der Vorgang, um von der Amazon SageMaker AI Console zu Studio Classic zu navigieren, unterscheidet sich je nachdem, ob Studio Classic oder Amazon SageMaker Studio als Standarderlebnis für Ihre Domain festgelegt sind. Weitere Informationen zum Festlegen des Standardkonfiguration für Ihre Domain finden Sie unter [Migration von Amazon SageMaker Studio Classic](studio-updated-migrate.md).
**Topics**
+ [Voraussetzung](#studio-launch-console-prerequisites)
### Voraussetzung
Um dieses Verfahren abzuschließen, müssen Sie eine Domain abonnieren, indem Sie die Schritte unter [Onboard to Amazon SageMaker AI domain befolgen](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html).
### Starten von Studio Classic, wenn Studio Ihre Standardkonfiguration ist
1. Navigieren Sie zu Studio, indem Sie den Schritten unter [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md) folgen.
1. Suchen Sie in der Studio-Benutzeroberfläche den Anwendungsbereich auf der linken Seite.
1. Wählen Sie im Anwendungsbereich **Studio Classic** aus.
1. Wählen Sie auf der Studio-Classic-Landingpage die Studio-Classic-Instance aus, die Sie öffnen möchten.
1. Klicken Sie auf „Öffnen“.
## Starten Sie Amazon SageMaker Studio Classic mit dem AWS CLI
Sie können das AWS Command Line Interface (AWS CLI) verwenden, um Amazon SageMaker Studio Classic zu starten, indem Sie eine vorsignierte Domain-URL erstellen.
**Voraussetzungen**
Stellen Sie vor Beginn sicher, dass die folgenden Voraussetzungen erfüllt sind:
+ Integrieren Sie die Amazon SageMaker AI-Domain. Weitere Informationen finden Sie unter [Onboard to Amazon SageMaker AI domain](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html).
+ Aktualisieren Sie die, AWS CLI indem Sie den Schritten unter [Installation der aktuellen AWS CLI Version](https://docs.aws.amazon.com//cli/latest/userguide/install-cliv1.html#install-tool-bundled) folgen.
+ Führen Sie das Programm von Ihrem lokalen Computer aus `aws configure` und geben Sie Ihre AWS Anmeldeinformationen ein. Informationen zu AWS Anmeldeinformationen finden Sie unter [Ihre AWS Anmeldeinformationen verstehen und abrufen](https://docs.aws.amazon.com//general/latest/gr/aws-sec-cred-types.html).
Der folgende Codeausschnitt zeigt, wie Amazon SageMaker Studio Classic AWS CLI mithilfe einer vorsignierten Domain-URL gestartet wird. Weitere Informationen finden Sie unter [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html).
```
aws sagemaker create-presigned-domain-url \
--region region \
--domain-id domain-id \
--space-name space-name \
--user-profile-name user-profile-name \
--session-expiration-duration-in-seconds 43200
```
# JupyterLab Versionierung in Amazon SageMaker Studio Classic
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Die Amazon SageMaker Studio Classic-Oberfläche basiert auf JupyterLab einer webbasierten interaktiven Entwicklungsumgebung für Notebooks, Code und Daten. Studio Classic unterstützt nur die Verwendung von JupyterLab 3.
Wenn Sie Ihre Domain und Ihr Benutzerprofil AWS-Managementkonsole vor dem 31.08.2022 oder vor dem 22.02.23 erstellt haben, wurde Ihre Studio Classic-Instanz standardmäßig auf 1 gesetzt. AWS Command Line Interface JupyterLab Nach dem 01.07.2024 können Sie keine Studio Classic-Anwendungen mehr erstellen, auf denen 1 ausgeführt wird. JupyterLab
## JupyterLab 3
JupyterLab 3 umfasst die folgenden Funktionen, die in früheren Versionen nicht verfügbar waren. Weitere Informationen zu diesen Funktionen finden Sie unter [JupyterLab 3.0 ist veröffentlicht\$1](https://blog.jupyter.org/jupyterlab-3-0-is-out-4f58385e25bb) .
+ Visueller Debugger bei Verwendung der Basis-Kernel Python 2.0 und Data Science 2.0.
+ Dateibrowserfilter
+ Inhaltsverzeichnis (TOC)
+ Mehrsprachige Unterstützung
+ Einfacher Modus
+ Einzelbenutzermodus
### Wichtige Änderungen an JupyterLab 3
Beachten Sie bei der Verwendung von JupyterLab 3 Folgendes:
+ Wenn Sie die JupyterLab Version mithilfe von einstellen AWS CLI, wählen Sie das entsprechende Bild für Ihre Region und JupyterLab Version aus der Bilderliste unter aus[Aus dem AWS CLI](#studio-jl-set-cli).
+ In JupyterLab 3 müssen Sie die `studio` Conda-Umgebung aktivieren, bevor Sie Erweiterungen installieren. Weitere Informationen finden Sie unter [Installation JupyterLab und Jupyter Server-Erweiterungen](#studio-jl-install).
+ Der Debugger wird nur unterstützt, wenn die folgenden Images verwendet werden:
+ Python 2.0 als Basis
+ Datenwissenschaft 2.0
+ Python 3.0 als Basis
+ Datenwissenschaft 3.0
## Einschränken der JupyterLab Standardversion mithilfe eines IAM-Richtlinienbedingungsschlüssels
Sie können die Bedingungsschlüssel für IAM-Richtlinien verwenden, um die Version einzuschränken JupyterLab , die Ihre Benutzer starten können.
Die folgende Richtlinie zeigt, wie Sie die JupyterLab Version auf Domänenebene einschränken können.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "BlockJupyterLab3DomainLevelAppCreation",
"Effect": "Deny",
"Action": [
"sagemaker:CreateDomain",
"sagemaker:UpdateDomain"
],
"Resource": "*",
"Condition": {
"ForAnyValue:ArnLike": {
"sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3"
}
}
}
]
}
```
------
Die folgende Richtlinie zeigt, wie die JupyterLab Version auf Benutzerprofilebene begrenzt werden kann.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "BlockUsersFromCreatingJupyterLab3Apps",
"Effect": "Deny",
"Action": [
"sagemaker:CreateUserProfile",
"sagemaker:UpdateUserProfile"
],
"Resource": "*",
"Condition": {
"ForAnyValue:ArnLike": {
"sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3"
}
}
}
]
}
```
------
Die folgende Richtlinie zeigt, wie die JupyterLab Version auf Anwendungsebene begrenzt werden kann. Die `CreateApp`-Anfrage muss den Image-ARN enthalten, damit diese Richtlinie gilt.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "BlockJupyterLab3AppLevelAppCreation",
"Effect": "Deny",
"Action": "sagemaker:CreateApp",
"Resource": "*",
"Condition": {
"ForAnyValue:ArnLike": {
"sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3"
}
}
}
]
}
```
------
## Eine JupyterLab Standardversion festlegen
In den folgenden Abschnitten wird gezeigt, wie Sie mit der Konsole oder dem eine JupyterLab Standardversion für Studio Classic festlegen AWS CLI.
### Über die Konsole
Sie können die JupyterLab Standardversion auswählen, die bei der Ressourcenerstellung entweder auf Domänen- oder Benutzerprofilebene verwendet werden soll. Informationen zum Einstellen der JupyterLab Standardversion mithilfe der Konsole finden Sie unter[Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
### Aus dem AWS CLI
Mit dem können Sie die JupyterLab Standardversion auswählen, die entweder auf Domänen- oder Benutzerprofilebene verwendet werden soll AWS CLI.
Um die JupyterLab Standardversion mit dem festzulegen AWS CLI, müssen Sie den ARN der gewünschten JupyterLab Standardversion als Teil eines AWS CLI Befehls angeben. Dieser ARN unterscheidet sich je nach Version und Region der SageMaker AI-Domain.
In der folgenden Tabelle sind ARNs die verfügbaren JupyterLab Versionen für jede Region aufgeführt:
| Region | JL3 |
| --- | --- |
| us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/jupyter-server-3 |
| us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/jupyter-server-3 |
| us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/jupyter-server-3 |
| us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/jupyter-server-3 |
| af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/jupyter-server-3 |
| ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/jupyter-server-3 |
| ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/jupyter-server-3 |
| ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/jupyter-server-3 |
| ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/jupyter-server-3 |
| ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/jupyter-server-3 |
| ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/jupyter-server-3 |
| ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/jupyter-server-3 |
| eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/jupyter-server-3 |
| eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/jupyter-server-3 |
| eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/jupyter-server-3 |
| eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/jupyter-server-3 |
| eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/jupyter-server-3 |
| eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/jupyter-server-3 |
| eu-south-2 | arn:aws:sagemaker:eu-south-2:127363102723:image/jupyter-server-3 |
| sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/jupyter-server-3 |
| cn-north-1 | arn:aws-cn:sagemaker:cn-north-1:390048526115:image/jupyter-server-3 |
| cn-northwest-1 | arn:aws-cn:sagemaker:cn-northwest-1:390780980154:image/jupyter-server-3 |
#### Erstellen oder Aktualisieren der Domain
Sie können eine JupyterServer Standardversion auf Domänenebene festlegen, indem Sie [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)oder aufrufen [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)und das `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn` Feld übergeben.
Im Folgenden wird gezeigt, wie Sie eine Domäne mit JupyterLab 3 als Standard erstellen, indem Sie Folgendes AWS CLI verwenden:
```
aws --region \
sagemaker create-domain \
--domain-name \
--auth-mode \
--subnet-ids \
--vpc-id \
--default-user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
Im Folgenden wird gezeigt, wie Sie eine Domain so aktualisieren, dass sie JupyterLab 3 als Standard verwendet, und zwar mithilfe von AWS CLI:
```
aws --region \
sagemaker update-domain \
--domain-id \
--default-user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
#### Benutzerprofil erstellen oder aktualisieren
Sie können eine JupyterServer Standardversion auf Benutzerprofilebene festlegen, indem Sie [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)oder aufrufen [UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html)und das `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn` Feld übergeben.
Im Folgenden wird gezeigt, wie Sie ein Benutzerprofil mit JupyterLab 3 als Standard in einer vorhandenen Domäne erstellen, indem Sie Folgendes AWS CLI verwenden:
```
aws --region \
sagemaker create-user-profile \
--domain-id \
--user-profile-name \
--query UserProfileArn --output text \
--user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
Im Folgenden wird gezeigt, wie Sie ein Benutzerprofil so aktualisieren, dass es JupyterLab 3 als Standard verwendet. Dabei wird Folgendes verwendet AWS CLI:
```
aws --region \
sagemaker update-user-profile \
--domain-id \
--user-profile-name \
--user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
## Die JupyterLab Version einer Anwendung von der Konsole aus anzeigen und aktualisieren
Im Folgenden wird gezeigt, wie Sie die JupyterLab Version einer Anwendung anzeigen und aktualisieren können.
1. Navigieren Sie zur Seite mit den SageMaker **AI-Domänen**.
1. Wählen Sie eine Domain aus, um ihre Benutzerprofile anzuzeigen.
1. Wählen Sie einen Benutzer aus, um seine Anwendungen anzusehen.
1. Um die JupyterLab Version einer Anwendung anzuzeigen, wählen Sie den Namen der Anwendung aus.
1. Um die JupyterLab Version zu aktualisieren, wählen Sie **Aktion** aus.
1. Wählen Sie im Dropdownmenü die Option ** JupyterLab Version ändern** aus.
1. Wählen Sie auf der **Einstellungsseite von Studio Classic** die JupyterLab Version aus dem Dropdownmenü aus.
1. Nachdem die JupyterLab Version für das Benutzerprofil erfolgreich aktualisiert wurde, starten Sie die JupyterServer Anwendung neu, damit die Versionsänderungen wirksam werden. Weitere Hinweise zum Neustarten einer JupyterServer Anwendung finden Sie unter[Amazon SageMaker Studio Classic herunterfahren und aktualisieren](studio-tasks-update-studio.md).
## Installation JupyterLab und Jupyter Server-Erweiterungen
In JupyterLab 3 müssen Sie die `studio` Conda-Umgebung aktivieren, bevor Sie Erweiterungen installieren. Die Methode hierfür unterscheidet sich, wenn Sie die Erweiterungen von Studio Classic aus installieren oder ein Lebenszyklus-Konfigurationsskript verwenden.
### Installieren der Erweiterung von Studio Classic aus
Um Erweiterungen von Studio Classic aus zu installieren, müssen Sie die `studio`-Umgebung aktivieren, bevor Sie Erweiterungen installieren.
```
# Before installing extensions
conda activate studio
# Install your extensions
pip install
# After installing extensions
conda deactivate
```
### Installieren von Erweiterungen mithilfe eines Lebenszyklus-Konfigurationsskripts
Wenn Sie Jupyter Server-Erweiterungen in Ihrem Lifecycle-Konfigurationsskript installieren JupyterLab , müssen Sie Ihr Skript so ändern, dass es mit 3 funktioniert. JupyterLab Die folgenden Abschnitte zeigen den Code, der für bestehende und neue Skripte zur Lebenszykluskonfiguration benötigt wird.
#### Bestehendes Lebenszyklus-Konfigurationsskript
Wenn Sie ein vorhandenes Lebenszyklus-Konfigurationsskript wiederverwenden, das mit beiden Versionen von funktionieren muss JupyterLab, verwenden Sie den folgenden Code in Ihrem Skript:
```
# Before installing extension
export AWS_SAGEMAKER_JUPYTERSERVER_IMAGE="${AWS_SAGEMAKER_JUPYTERSERVER_IMAGE:-'jupyter-server'}"
if [ "$AWS_SAGEMAKER_JUPYTERSERVER_IMAGE" = "jupyter-server-3" ] ; then
eval "$(conda shell.bash hook)"
conda activate studio
fi;
# Install your extensions
pip install
# After installing extension
if [ "$AWS_SAGEMAKER_JUPYTERSERVER_IMAGE" = "jupyter-server-3" ]; then
conda deactivate
fi;
```
#### Neues Skript für die Lebenszykluskonfiguration
Wenn Sie ein neues Lebenszykluskonfigurationsskript schreiben, das nur JupyterLab 3 verwendet, können Sie den folgenden Code in Ihrem Skript verwenden:
```
# Before installing extension
eval "$(conda shell.bash hook)"
conda activate studio
# Install your extensions
pip install
conda deactivate
```
# Verwenden Sie den Amazon SageMaker Studio Classic Launcher
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie können den Amazon SageMaker Studio Classic Launcher verwenden, um Notizbücher und Textdateien zu erstellen und Terminals und interaktive Python-Shells zu starten.
Sie können den Studio Classic Launcher auf folgende Weise öffnen:
+ Wählen Sie oben links auf der ** SageMaker Studio Classic-Benutzeroberfläche Amazon** Studio Classic aus.
+ Verwenden Sie die Tastenkombination `Ctrl + Shift + L`.
+ Wählen Sie im Studio-Classic-Menü **Datei** und dann **Neuer Launcher** aus.
+ Wenn der SageMaker AI-Dateibrowser geöffnet ist, wählen Sie das Pluszeichen (**\$1**) im Dateibrowser-Menü von Studio Classic.
+ Wählen Sie auf der Registerkarte **Start** im Bereich **Schnellaktionen** die Option **Launcher öffnen**. Der Launcher wird in einer neuen Registerkarte geöffnet. Der Bereich **Schnellaktionen** ist standardmäßig sichtbar, kann aber ausgeschaltet werden. Wählen Sie **Layout anpassen**, um diesen Bereich wieder zu aktivieren.
![\[SageMaker Studio Classic-Launcher.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-new-launcher.png)
Der Launcher besteht aus den folgenden zwei Abschnitten:
**Topics**
+ [Notebooks und Rechenressourcen](#studio-launcher-launch)
+ [Dienstprogramme und Dateien](#studio-launcher-other)
## Notebooks und Rechenressourcen
In diesem Abschnitt können Sie ein Notebook erstellen, ein Image-Terminal öffnen oder eine Python-Konsole öffnen.
Um eines dieser Elemente zu erstellen oder zu starten:
1. Wählen Sie **Umgebung ändern**, um ein SageMaker Image, einen Kernel und einen Instance-Typ auszuwählen und optional ein Lifecycle-Konfigurationsskript hinzuzufügen, das beim Start des Images ausgeführt wird. Weitere Informationen zu Skripten zur Lebenszykluskonfiguration finden Sie unter [Verwenden Sie Lebenszykluskonfigurationen, um Amazon SageMaker Studio Classic anzupassen](studio-lcc.md). Weitere Informationen zu Betriebssystem-Aktualisierungen finden Sie unter [Ändern Sie das Image oder einen Kernel für ein Amazon SageMaker Studio Classic-Notebook](notebooks-run-and-manage-change-image.md).
1. Wählen Sie einen Artikel aus.
**Anmerkung**
Wenn Sie einen Artikel aus diesem Abschnitt auswählen, fallen möglicherweise zusätzliche Nutzungsgebühren an. Weitere Informationen finden Sie unter [Nutzungsmessung für Amazon SageMaker Studio Classic-Notebooks](notebooks-usage-metering.md).
Die folgenden Artikel sind verfügbar:
+ **Notebook**
Startet das Notebook in einer Kernel-Sitzung auf dem ausgewählten SageMaker Image.
Erstellt das Notebook in dem Ordner, den Sie aktuell im Dateibrowser ausgewählt haben. Um den Dateibrowser anzuzeigen, wählen Sie in der linken Seitenleiste von Studio Classic das Symbol **Dateibrowser** aus.
+ **Konsole**
Startet die Shell in einer Kernel-Sitzung auf dem ausgewählten SageMaker Image.
Öffnet die Shell in dem Ordner, den Sie aktuell im Dateibrowser ausgewählt haben.
+ **Image terminal**
Startet das Terminal in einer Terminalsitzung auf dem ausgewählten SageMaker Image.
Öffnet das Terminal im Stammordner für den Benutzer (wie im **Home** Ordner im Dateibrowser angezeigt).
**Anmerkung**
Standardmäßig werden CPU-Instances auf einer `ml.t3.medium` Instance gestartet, während GPU-Instances auf einer `ml.g4dn.xlarge` Instance gestartet werden.
## Dienstprogramme und Dateien
In diesem Abschnitt können Sie einem Notebook kontextuelle Hilfe hinzufügen, Python-, Markdown- und Textdateien erstellen und ein Systemterminal öffnen.
**Anmerkung**
Artikel in diesem Abschnitt werden im Kontext von Amazon SageMaker Studio Classic ausgeführt und es fallen keine Nutzungsgebühren an.
Die folgenden Artikel sind verfügbar:
+ **Kontextuelle Hilfe anzeigen**
Öffnet eine neue Registerkarte, die kontextuelle Hilfe zu Funktionen in einem Studio-Classic-Notebook anzeigt. Um die Hilfe anzuzeigen, wählen Sie eine Funktion in einem aktiven Notebook aus. Damit die Hilfe im Kontext leichter zu sehen ist, ziehen Sie die Registerkarte Hilfe so, dass sie sich neben der Registerkarte Notebook befindet. Um die Registerkarte Hilfe in einem Notebook zu öffnen, drücken Sie auf `Ctrl + I`.
Das folgende Bildschirmfoto zeigt die kontextuelle Hilfe für die `Experiment.create` Methode.
![\[SageMaker Kontextuelle Hilfe zu Studio Classic.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-context-help.png)
+ **Systemterminal**
Öffnet eine `bash` Shell im Stammordner für den Benutzer (wie im **Home** Ordner im Dateibrowser angezeigt).
+ **Textdatei** und **Markdown-Datei**
Erstellt eine Datei des zugehörigen Typs in dem Ordner, den Sie aktuell im Dateibrowser ausgewählt haben. Wählen Sie in der linken Seitenleiste das Symbol **File Browser** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder.png)), um den Dateibrowser anzuzeigen.
# Verwenden Sie Amazon SageMaker Studio Classic-Notizbücher
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Amazon SageMaker Studio Classic-Notebooks sind kollaborative Notizbücher, die Sie schnell starten können, da Sie zuvor keine Recheninstanzen und Dateispeicher einrichten müssen. Studio-Classic-Notebooks bieten persistenten Speicherplatz, sodass Sie Notebooks auch dann anzeigen und freigeben können, wenn die Instances, auf denen die Notebooks ausgeführt werden, heruntergefahren sind.
Sie können Ihre Notebooks für andere Personen freigeben, sodass sie Ihre Ergebnisse leicht reproduzieren und mit Ihnen zusammenarbeiten können, während sie Modelle erstellen und Ihre Daten untersuchen. Sie gewähren Zugriff auf eine schreibgeschützte Kopie des Notebooks über eine sichere URL. Abhängigkeiten für Ihr Notebook sind in den Metadaten des Notebooks enthalten. Wenn Ihre Kollegen das Notebook kopieren, wird es in derselben Umgebung wie das ursprüngliche Notebook geöffnet.
Ein Studio-Classic-Notebook läuft in einer Umgebung, die durch folgende Merkmale definiert ist:
+ Amazon-EC2-Instance-Typ – Die Hardwarekonfiguration, auf der das Notebook ausgeführt wird. Die Konfiguration umfasst die Anzahl und den Typ der Prozessoren (vCPU und GPU) sowie die Menge und den Typ des Arbeitsspeichers. Der Instance-Typ bestimmt den Preissatz.
+ SageMaker image — Ein Container-Image, das mit SageMaker Studio Classic kompatibel ist. Das Image besteht aus den Kernel, Sprachpaketen und anderen Dateien, die zum Ausführen eines Notebooks in Studio Classic erforderlich sind. Eine Instance kann mehrere Images enthalten. Weitere Informationen finden Sie unter [Benutzerdefinierte Bilder in Amazon SageMaker Studio Classic](studio-byoi.md).
+ KernelGateway App — Ein SageMaker Image wird als KernelGateway App ausgeführt. Die App bietet Zugriff auf die Kernel im Image. Es besteht eine one-to-one Entsprechung zwischen einem SageMaker KI-Bild und einer KernelGateway App.
+ Kernel – Der Prozess, der den im Notebook enthaltenen Code ausführt. Ein Kernel wird durch eine *Kernel-Spezifikation* im Image definiert. Ein Image kann mehrere Kernel enthalten.
Sie können jede dieser Ressourcen innerhalb des Notebooks ändern.
Das folgende Diagramm zeigt, wie ein Notebook-Kernel in Bezug auf die KernelGateway App, den Benutzer und die Domäne ausgeführt wird.
![\[Wie ein Notebook-Kernel im Verhältnis zur KernelGateway App, zum Benutzer und zur Domäne ausgeführt wird.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-components.png)
[Beispiele für SageMaker Studio Classic-Notizbücher sind im Ordner [aws\$1sagemaker\$1studio](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_sagemaker_studio) des Amazon-Beispiel-Repositorys verfügbar. SageMaker GitHub ](https://github.com/awslabs/amazon-sagemaker-examples) Jedes Notizbuch wird mit dem erforderlichen SageMaker Image geliefert, das das Notizbuch mit dem entsprechenden Kernel öffnet.
Wir empfehlen Ihnen, sich mit der SageMaker Studio Classic-Oberfläche und der Studio Classic-Notizbuch-Symbolleiste vertraut zu machen, bevor Sie ein Studio Classic-Notizbuch erstellen oder verwenden. Weitere Informationen erhalten Sie unter [Überblick über die Amazon SageMaker Studio Classic-Benutzeroberfläche](studio-ui.md) und [Verwenden der Symbolleiste von Studio Classic Notebook](notebooks-menu.md).
**Topics**
+ [Wie unterscheiden sich Amazon SageMaker Studio Classic-Notebooks von Notebook-Instances?](notebooks-comparison.md)
+ [Erste Schritte mit Amazon SageMaker Studio Classic-Notizbüchern](notebooks-get-started.md)
+ [Klassische Tour durch Amazon SageMaker Studio](gs-studio-end-to-end.md)
+ [Erstellen oder öffnen Sie ein Amazon SageMaker Studio Classic-Notizbuch](notebooks-create-open.md)
+ [Verwenden der Symbolleiste von Studio Classic Notebook](notebooks-menu.md)
+ [Installieren Sie externe Bibliotheken und Kernel in Amazon SageMaker Studio Classic](studio-notebooks-add-external.md)
+ [Teilen und verwenden Sie ein Amazon SageMaker Studio Classic-Notizbuch](notebooks-sharing.md)
+ [Holen Sie sich Amazon SageMaker Studio Classic-Notizbuch- und App-Metadaten](notebooks-run-and-manage-metadata.md)
+ [Holen Sie sich die Notebook-Unterschiede in Amazon SageMaker Studio Classic](notebooks-diff.md)
+ [Ressourcen für Amazon SageMaker Studio Classic-Notebooks verwalten](notebooks-run-and-manage.md)
+ [Nutzungsmessung für Amazon SageMaker Studio Classic-Notebooks](notebooks-usage-metering.md)
+ [Verfügbare Ressourcen für Amazon SageMaker Studio Classic-Notebooks](notebooks-resources.md)
# Wie unterscheiden sich Amazon SageMaker Studio Classic-Notebooks von Notebook-Instances?
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Wenn Sie ein neues Notizbuch starten, empfehlen wir, das Notizbuch in Amazon SageMaker Studio Classic zu erstellen, anstatt eine Notebook-Instance von der Amazon SageMaker AI-Konsole aus zu starten. Die Verwendung eines Studio-Classic-Notebooks bietet viele Vorteile, darunter die folgenden:
+ **Schneller: **Ein Studio-Classic-Notebook wird schneller als ein Instance-basiertes Notebook gestartet. In der Regel ist es 5-10 mal schneller als Instance-basierte Notebooks.
+ **Einfache gemeinsame Nutzung von Notebooks: **Die gemeinsame Nutzung von Notebooks ist ein integriertes Feature in Studio Classic. Benutzer können mit nur wenigen Klicks einen gemeinsam nutzbaren Link generieren, der den Notebookcode und auch das für die Ausführung erforderliche SageMaker Bild reproduziert.
+ **Neuestes Python-SDK:** Studio Classic-Notebooks sind mit dem neuesten [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) vorinstalliert.
+ **Zugriff auf alle Studio-Classic-Features: **Auf Studio-Classic-Notebooks kann von Studio Classic aus zugegriffen werden. Auf diese Weise können Sie Ihre Modelle erstellen, trainieren, debuggen, verfolgen und überwachen, ohne Studio Classic zu verlassen.
+ **Dauerhafte Benutzerverzeichnisse:** Jedes Mitglied eines Studio-Teams erhält ein eigenes Stammverzeichnis zum Speichern seiner Notebooks und anderen Dateien. Das Verzeichnis wird beim Start automatisch auf allen Instances und Kerneln gemountet, sodass seine Notebooks und andere Dateien immer verfügbar sind. Die Home-Verzeichnisse werden im Amazon Elastic File System (Amazon EFS) gespeichert, so dass Sie von anderen Diensten aus darauf zugreifen können.
+ **Direkter Zugriff:** Wenn Sie IAM Identity Center verwenden, verwenden Sie die Anmeldeinformationen von IAM Identity Center über eine eindeutige URL, um direkt auf Studio Classic zuzugreifen. Sie müssen nicht mit dem interagieren, AWS-Managementkonsole um Ihre Notebooks auszuführen.
+ **Optimierte Bilder:** Studio Classic-Notizbücher sind mit einer Reihe vordefinierter SageMaker Bildeinstellungen ausgestattet, damit Sie schneller loslegen können.
**Anmerkung**
Studio-Classic-Notebooks unterstützen den *lokalen Modus* nicht. Sie können jedoch eine Notebook-Instance verwenden, um eine Stichprobe Ihres Datensatzes lokal zu trainieren, und anschließend denselben Code in einem Studio-Classic-Notebook verwenden, um den gesamten Datensatz zu trainieren.
Wenn Sie ein Notizbuch in SageMaker Studio Classic öffnen, ist die Ansicht eine Erweiterung der JupyterLab Benutzeroberfläche. Die Hauptfunktionen sind dieselben, Sie finden also die typischen Funktionen eines Jupyter-Notebooks und. JupyterLab Weitere Informationen über die Studio-Classic-Benutzeroberfläche finden Sie unter [Überblick über die Amazon SageMaker Studio Classic-Benutzeroberfläche](studio-ui.md).
# Erste Schritte mit Amazon SageMaker Studio Classic-Notizbüchern
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Um loszulegen, müssen Sie oder der Administrator Ihrer Organisation den Onboarding-Prozess für die SageMaker KI-Domäne abschließen. Weitere Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
Sie können auf ein Studio-Classic-Notebook auf eine der folgenden Arten zugreifen:
+ Sie erhalten eine E-Mail-Einladung zum Zugriff auf Studio Classic über das IAM Identity Center Ihrer Organisation, die einen direkten Link zur Anmeldung bei Studio Classic enthält, ohne die Amazon SageMaker AI-Konsole verwenden zu müssen. Sie können mit dem [Nächste Schritte](#notebooks-get-started-next-steps) fortfahren.
+ Sie erhalten einen Link zu einem geteilten Studio Classic-Notizbuch, das einen direkten Link enthält, über den Sie sich bei Studio Classic anmelden können, ohne die SageMaker AI-Konsole verwenden zu müssen. Sie können mit dem [Nächste Schritte](#notebooks-get-started-next-steps) fortfahren.
+ Sie melden sich bei einer Domain an und melden sich dann bei der SageMaker AI-Konsole an. Weitere Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
## Starten Sie Amazon SageMaker AI
Führen Sie die Schritte unter aus [Starten Sie Amazon SageMaker Studio Classic](studio-launch.md), um Studio Classic zu starten.
## Nächste Schritte
Jetzt, da Sie sich in Studio Classic befinden, können Sie eine beliebige der folgenden Optionen ausprobieren:
+ Informationen zum Erstellen eines Studio Classic-Notizbuchs oder zum Erkunden von Studio Classic-Notizbüchern mit end-to-end Tutorials finden Sie [Klassische Tour durch Amazon SageMaker Studio](gs-studio-end-to-end.md) im nächsten Abschnitt.
+ Um sich mit der Benutzeroberfläche von Studio Classic vertraut zu machen, sehen Sie sich [Überblick über die Amazon SageMaker Studio Classic-Benutzeroberfläche](studio-ui.md) an oder probieren Sie **Erste Schritte mit Notebooks** aus, indem Sie im Abschnitt **Schnellaktionen** auf der Startseite von Studio Classic die Option **Erste Schritte mit Notebooks öffnen** auswählen.
# Klassische Tour durch Amazon SageMaker Studio
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
[Eine Komplettlösung, die Sie auf eine Tour durch die wichtigsten Funktionen von Amazon SageMaker Studio Classic mitnimmt, finden Sie im Beispielnotizbuch [xgboost\$1customer\$1churn\$1studio.ipynb](https://sagemaker-examples.readthedocs.io/en/latest/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.html) aus dem aws/-Repository. amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples) GitHub Der Code im Notizbuch trainiert mehrere Modelle und richtet den Debugger und den Modellmonitor ein. SageMaker SageMaker Die Anleitung zeigt Ihnen, wie Sie die Tests anzeigen, die resultierenden Modelle vergleichen, die Debugger-Ergebnisse anzeigen und das beste Modell mithilfe der Studio-Classic-Benutzeroberfläche bereitstellen können. Sie müssen den Code nicht verstehen, um diesen Walkthrough durchzuführen.
**Voraussetzungen**
Um das Notebook für diese Tour auszuführen, benötigen Sie:
+ Ein IAM-Konto, um sich bei Studio anzumelden. Weitere Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
+ Grundlegende Vertrautheit mit der Studio-Benutzeroberfläche und Jupyter Notebooks. Weitere Informationen finden Sie unter [Überblick über die Amazon SageMaker Studio Classic-Benutzeroberfläche](studio-ui.md).
+ Eine Kopie des [amazon-sagemaker-examplesaws/-Repositorys](https://github.com/aws/amazon-sagemaker-examples) in Ihrer Studio-Umgebung.
**So klonen Sie das Repository**
1. Starten Sie Studio Classic gemäß den Schritten unter [Starten Sie Amazon SageMaker Studio Classic](studio-launch.md). Für Benutzer von IAM Identity Center melden Sie sich über die URL aus Ihrer Einladungs-E-Mail an.
1. Wählen Sie im oberen Menü **Datei**, **Neu** und **Terminal** aus.
1. Führen Sie in der Befehlszeile den folgenden Befehl aus, um das [amazon-sagemaker-examples GitHub aws/-Repository](https://github.com/aws/amazon-sagemaker-examples) zu klonen.
```
$ git clone https://github.com/aws/amazon-sagemaker-examples.git
```
**Um zum Beispiel-Notebook zu navigieren**
1. Wählen Sie im **Dateibrowser** im linken Menü die Option. **amazon-sagemaker-examples**
1. Navigieren Sie zum Beispiel-Notebook mit dem folgenden Pfad.
`~/amazon-sagemaker-examples/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.ipynb`
1. Beachten Sie das Notebook, um sich über die Haupt-Features von Studio Classic zu informieren.
**Anmerkung**
Wenn beim Ausführen des Beispiel-Notebooks ein Fehler auftritt und seit dem Klonen des Repositorys einige Zeit vergangen ist, überprüfen Sie das Notebook im Remote-Repository auf Aktualisierungen.
# Erstellen oder öffnen Sie ein Amazon SageMaker Studio Classic-Notizbuch
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Wenn Sie [Erstellen eines Notebooks über das Dateimenü](#notebooks-create-file-menu) Amazon SageMaker Studio Classic oder [Öffnen eines Notebooks in Studio Classic](#notebooks-open) zum ersten Mal verwenden, werden Sie aufgefordert, Ihre Umgebung einzurichten, indem Sie ein SageMaker Image, einen Kernel, einen Instance-Typ und optional ein Lifecycle-Konfigurationsskript auswählen, das beim Start des Images ausgeführt wird. SageMaker AI startet das Notebook auf einer Instance des ausgewählten Typs. Standardmäßig ist der Instance-Typ für CPU-basierte Images auf `ml.t3.medium` (verfügbar als Teil des [AWS Free Tier](https://aws.amazon.com/free)) eingestellt. Für GPU-basierte Images ist der Standard-Instance-Typ `ml.g4dn.xlarge`.
Wenn Sie zusätzliche Notebooks erstellen oder öffnen, die denselben Instance-Typ verwenden, unabhängig davon, ob die Notebooks denselben Kernel verwenden oder nicht, werden die Notebooks auf derselben Instance dieses Instance-Typs ausgeführt.
Nachdem Sie ein Notebook gestartet haben, können Sie dessen Instance-Typ, SageMaker Image und Kernel vom Notebook aus ändern. Weitere Informationen erhalten Sie unter [Ändern Sie den Instance-Typ für ein Amazon SageMaker Studio Classic-Notebook](notebooks-run-and-manage-switch-instance-type.md) und [Ändern Sie das Image oder einen Kernel für ein Amazon SageMaker Studio Classic-Notebook](notebooks-run-and-manage-change-image.md).
**Anmerkung**
Sie können nur eine Instance von jedem Instance-Typ haben. Auf jeder Instance können mehrere SageMaker Images ausgeführt werden. Auf jedem SageMaker Image können mehrere Kernel oder Terminalinstanzen ausgeführt werden.
Die Abrechnung erfolgt pro Instance und beginnt, wenn die erste Instance eines bestimmten Instance-Typs gestartet wird. Wenn Sie ein Notebook erstellen oder öffnen möchten, ohne dass Kosten entstehen, öffnen Sie das Notebook über das Menü **Datei** und wählen Sie **Kein Kernel** im Dialogfeld **Kernel auswählen** aus. Sie können ein Notebook ohne Kernel lesen und bearbeiten, ohne einen Kernel auszuführen, können dann jedoch keine Codezellen ausführen.
Die Abrechnung endet, wenn das SageMaker Image für die Instanz heruntergefahren wird. Weitere Informationen finden Sie unter [Nutzungsmessung für Amazon SageMaker Studio Classic-Notebooks](notebooks-usage-metering.md).
Informationen zum Herunterfahren des Notebooks finden Sie unter [Herunterfahren von Ressourcen](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions).
**Topics**
+ [Öffnen eines Notebooks in Studio Classic](#notebooks-open)
+ [Erstellen eines Notebooks über das Dateimenü](#notebooks-create-file-menu)
+ [Erstellen eines Notebooks über den Launcher](#notebooks-create-launcher)
+ [Liste der verfügbaren Instance-Typen, Images und Kernel](#notebooks-instance-image-kernels)
## Öffnen eines Notebooks in Studio Classic
Amazon SageMaker Studio Classic kann nur Notizbücher öffnen, die im Studio Classic-Dateibrowser aufgeführt sind. Eine Anleitung zum Hochladen eines Notebooks in den Dateibrowser finden Sie unter [Dateien auf Amazon SageMaker Studio Classic hochladen](studio-tasks-files.md) oder [Klonen Sie ein Git-Repository in Amazon SageMaker Studio Classic](studio-tasks-git.md).
**Ein Notebook öffnen**
1. Wählen Sie in der linken Seitenleiste das Symbol **File Browser (Dateibrowser)** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder.png)), um den Dateibrowser anzuzeigen.
1. Wechseln Sie zu einer Notebookdatei und doppelklicken Sie darauf, um das Notebook in einer neuen Registerkarte zu öffnen.
## Erstellen eines Notebooks über das Dateimenü
**So erstellen Sie ein Notebook über das Dateimenü**
1. Wählen Sie im Menü von Studio Classic die Option **Datei**, **Neu** und dann **Notebook** aus.
1. Verwenden Sie im Dialogfeld **Umgebung ändern** die Dropdown-Menüs, um Ihr **Image**, den **Kernel**, den **Instance-Typ** und das **Startup-Skript** auszuwählen, und wählen Sie dann **Auswählen** aus. Ihr Notebook wird gestartet und auf einer neuen Studio-Classic-Registerkarte geöffnet.
![\[Einrichtung der Notebook-Umgebung von Studio Classic.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-notebook-environment-setup.png)
## Erstellen eines Notebooks über den Launcher
**So erstellen Sie ein Notebook über den Launcher**
1. Um den Launcher zu öffnen, wählen Sie **Amazon SageMaker Studio Classic** oben links auf der Studio Classic-Oberfläche oder verwenden Sie die Tastenkombination`Ctrl + Shift + L`.
Weitere Informationen zu allen verfügbaren Möglichkeiten, den Launcher zu öffnen, finden Sie unter [Verwenden Sie den Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
1. Wählen Sie im Launcher im Bereich **Notebooks und Rechenressourcen** die Option **Umgebung ändern** aus.
![\[SageMaker Studio Classic stellt die Notebook-Umgebung ein.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-launcher-notebook-creation.png)
1. Verwenden Sie im Dialogfeld **Umgebung ändern** die Dropdown-Menüs, um Ihr **Image**, den **Kernel**, den **Instance-Typ** und das **Startup-Skript** auszuwählen, und wählen Sie dann **Auswählen** aus.
1. Wählen Sie im Launcher **Notebook erstellen**. Ihr Notebook wird gestartet und auf einer neuen Studio-Classic-Registerkarte geöffnet.
Um die Kernelsitzung des Notebooks anzuzeigen, wählen Sie in der linken Seitenleiste das Symbol **Ausführen von Terminals und Kernel** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png)) aus. Sie können die Kernel-Sitzung des Notebooks von dieser Ansicht aus stoppen.
## Liste der verfügbaren Instance-Typen, Images und Kernel
Eine Liste aller verfügbaren Ressourcen finden Sie unter:
+ [Instance-Typen, die für die Verwendung mit Amazon SageMaker Studio Classic-Notebooks verfügbar sind](notebooks-available-instance-types.md)
+ [SageMaker Amazon-Bilder sind für die Verwendung mit Studio Classic-Notebooks verfügbar](notebooks-available-images.md)
# Verwenden der Symbolleiste von Studio Classic Notebook
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Amazon SageMaker Studio Classic-Notebooks erweitern die JupyterLab Benutzeroberfläche. Einen Überblick über die ursprüngliche JupyterLab Benutzeroberfläche finden Sie unter [Die JupyterLab Benutzeroberfläche](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
Das folgende Bild zeigt die Symbolleiste und eine leere Zelle aus einem Studio-Classic-Notebook.
![\[SageMaker Studio Classic-Notebook-Menü.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-notebook-menu.png)
Wenn Sie auf einem Symbol in der Werkzeugleiste pausieren, zeigt ein Tooltip die Funktion des Symbols an. Weitere Befehle für das Notebook finden Sie im Hauptmenü von Studio Classic. Die Symbolleiste enthält die folgenden Symbole:
| Symbol | Description |
| --- | --- |
| ![\[Das Symbol Speichern und Checkpoint.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png) | **Speichern und Checkpoint** Speichert das Notebook und aktualisiert die Checkpoint-Datei. Weitere Informationen finden Sie unter [Abrufen der Differenz zum letzten Checkpoint](notebooks-diff.md#notebooks-diff-checkpoint). |
| ![\[Das Symbol Zelle einfügen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-insert-cell.png) | **Zelle einfügen** Fügt unterhalb der aktuellen Zelle eine Codezelle ein. Die aktuelle Zelle wird durch die blaue vertikale Markierung am linken Rand gekennzeichnet. |
| ![\[Die Symbole Ausschneiden, Kopieren und Einfügen von Zellen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-cut-copy-paste.png) | **Zellen ausschneiden, kopieren und einfügen** Schneidet die ausgewählten Zellen aus, kopiert sie und fügt sie ein. |
| ![\[Das Symbol Zellen ausführen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-run.png) | **Zellen ausführen** Führt die ausgewählten Zellen aus und macht dann die Zelle, die der zuletzt ausgewählten Zelle folgt, zur neuen ausgewählten Zelle. |
| ![\[Das Symbol Kernel unterbrechen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-interrupt-kernel.png) | **Kernel unterbrechen** Unterbricht den Kernel. Hierdurch wird die aktuell ausgeführte Operation abgebrochen. Der Kernel bleibt aktiv. |
| ![\[Das Symbol Kernel neu starten.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel.png) | **Kernel neu starten** Startet den Kernel neu. Variablen werden zurückgesetzt. Nicht gespeicherte Informationen sind davon nicht betroffen. |
| ![\[Das Symbol Kernel neu starten und alle Zellen ausführen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel-run-all-cells.png) | **Starten Sie den Kernel neu und führen Sie alle Zellen aus** Startet den Kernel neu und führt dann alle Zellen des Notebooks aus. |
| ![\[Das Symbol Zellentyp.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-cell-type.png) | **Zelltyp** Zeigt den aktuellen Zelltyp an oder ändert ihn. Die Zelltypen sind: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/notebooks-menu.html) |
| ![\[Das Symbol Terminal starten.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png) | **Terminal starten** Startet ein Terminal in dem SageMaker Image, das das Notizbuch hostet. Ein Beispiel finden Sie unter [Abrufen von App-Metadaten](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app). |
| ![\[Das Symbol Checkpoint-Diff.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png) | **Checkpoint-Differenz** Öffnet eine neue Registerkarte, auf der die Differenz zwischen dem Notebook und der Checkpoint-Datei angezeigt wird. Weitere Informationen finden Sie unter [Abrufen der Differenz zum letzten Checkpoint](notebooks-diff.md#notebooks-diff-checkpoint). |
| ![\[Das Symbol Git-Diff.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png) | **Git-Differenz** Ist nur aktiviert, wenn das Notebook aus einem Git-Repository geöffnet wird. Öffnet eine neue Registerkarte, auf der die Differenz zwischen dem Notebook und dem letzten Git-Commit angezeigt wird. Weitere Informationen finden Sie unter [Abrufen der Differenz zum letzten Commit](notebooks-diff.md#notebooks-diff-git). |
| **2 vCPU \$1 4 GiB** | **Instance-Typ** Zeigt den Instance-Typ an, in dem das Notebook ausgeführt wird, oder ändert ihn. Das Format ist wie folgt: `number of vCPUs + amount of memory + number of GPUs` `Unknown` zeigt an, dass das Notebook geöffnet wurde, ohne einen Kernel anzugeben. Das Notebook wird auf der SageMaker Studio-Instanz ausgeführt und es fallen keine Laufzeitgebühren an. Sie können das Notebook keinem Instance-Typ zuweisen. Sie müssen einen Kernel angeben. Anschließend weist Studio das Notebook einem Standardtyp zu. Weitere Informationen erhalten Sie unter [Erstellen oder öffnen Sie ein Amazon SageMaker Studio Classic-Notizbuch](notebooks-create-open.md) und [Ändern Sie den Instance-Typ für ein Amazon SageMaker Studio Classic-Notebook](notebooks-run-and-manage-switch-instance-type.md). |
| ![\[Das Symbol Cluster.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-cluster.png) | **Cluster** Connect Ihr Notebook mit einem Amazon EMR-Cluster und skalieren Sie Ihre ETL-Jobs oder führen Sie umfangreiche Modelltrainings mit Apache Spark, Hive oder Presto durch. Weitere Informationen finden Sie unter [Datenaufbereitung mit Amazon EMR](studio-notebooks-emr-cluster.md). |
| **Python 3 (Data Science)** | **Kernel und Image SageMaker ** Zeigt den Kernel an, der die Zellen im Notebook verarbeitet, oder ändert ihn. Das Format ist wie folgt: `Kernel (SageMaker Image)` `No Kernel` zeigt an, dass das Notebook geöffnet wurde, ohne einen Kernel anzugeben. Sie können das Notebook bearbeiten, jedoch keine Zellen ausführen. Weitere Informationen finden Sie unter [Ändern Sie das Image oder einen Kernel für ein Amazon SageMaker Studio Classic-Notebook](notebooks-run-and-manage-change-image.md). |
| ![\[Das Symbol Kernel ausgelastet.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-kernel-status.png) | **Kernel ausgelastet** Zeigt den Status „Ausgelastet“ des Kernels an. Wenn der Rand des Kreises und sein Inneres die gleiche Farbe haben, ist der Kernel besetzt. Der Kernel ist ausgelastet, wenn er gestartet wird und wenn er Zellen verarbeitet. Zusätzliche Kernel-Status werden in der Statusleiste in der unteren linken Ecke von SageMaker Studio angezeigt. |
| ![\[Das Symbol Notebook teilen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-share.png) | **Notebook freigeben** Das Notebook wird freigegeben. Weitere Informationen finden Sie unter [Teilen und verwenden Sie ein Amazon SageMaker Studio Classic-Notizbuch](notebooks-sharing.md). |
Um mehrere Zellen auszuwählen, klicken Sie auf den linken Rand außerhalb einer Zelle. Halten Sie die Taste `Shift` gedrückt und verwenden Sie die Tasten `K` oder `Up`, um vorherige Zellen auszuwählen. Sie können auch die Tasten `J` oder `Down` verwenden, um folgende Zellen auszuwählen.
# Installieren Sie externe Bibliotheken und Kernel in Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Bei Amazon SageMaker Studio Classic-Notebooks sind bereits mehrere Images installiert. Diese Images enthalten Kernel und Python-Pakete, darunter scikit-learn, Pandas,,, und NumPy. TensorFlow PyTorch MXNet Sie können auch Ihre eigenen Images installieren, die Pakete und Kernel Ihrer Wahl enthalten. Weitere Informationen zum Installieren Ihres eigenen Images finden Sie unter [Benutzerdefinierte Bilder in Amazon SageMaker Studio Classic](studio-byoi.md).
Die verschiedenen Jupyter-Kernel in Amazon SageMaker Studio Classic-Notebooks sind separate Conda-Umgebungen. Informationen zu conda-Umgebungen finden Sie unter [Verwalten von Umgebungen](https://conda.io/docs/user-guide/tasks/manage-environments.html).
## Tools zur Installation von Paketen
**Wichtig**
Derzeit sind alle Pakete in SageMaker Amazon-Notebooks für die Verwendung mit Amazon SageMaker AI lizenziert und erfordern keine zusätzlichen kommerziellen Lizenzen. Dies könnte sich jedoch in Zukunft ändern und wir empfehlen, die Lizenzbedingungen regelmäßig auf Aktualisierungen zu überprüfen.
Die Methode, mit der Sie Python-Pakete vom Terminal aus installieren, unterscheidet sich je nach Image. Studio Classic unterstützt die folgenden Tools zur Paketinstallation:
+ **Notebooks** – Die folgenden Befehle werden unterstützt. Wenn eine der folgenden Optionen bei Ihrem Image nicht funktioniert, versuchen Sie es mit der anderen.
+ `%conda install`
+ `%pip install`
+ **Das Jupyter-Terminal** – Sie können Pakete direkt mit pip und conda installieren. Sie können auch `apt-get install` verwenden, um Systempakete über das Terminal zu installieren.
**Anmerkung**
Wir empfehlen nicht`pip install --user`, `pip install -u` oder zu verwenden, da diese Befehle Pakete auf dem Amazon EFS-Volume des Benutzers installieren und möglicherweise JupyterServer App-Neustarts blockieren können. Verwenden Sie stattdessen eine Lebenszykluskonfiguration, um die erforderlichen Pakete bei App-Neustarts neu zu installieren, wie unter [Installieren Sie Pakete mithilfe von Lebenszykluskonfigurationen](#nbi-add-external-lcc) gezeigt.
Wir empfehlen die Verwendung von `%pip` und `%conda` zur Installation von Paketen aus einem Notebook heraus, da sie die aktive Umgebung oder den verwendeten Interpreter korrekt berücksichtigen. Weitere Informationen finden [Sie unter Hinzufügen der magischen Funktionen %pip und %conda](https://github.com/ipython/ipython/pull/11524). Sie können auch die Systembefehlssyntax verwenden (Zeilen, die mit\$1 beginnen) um Pakete zu installieren. Beispiel: `!pip install` und `!conda install`.
### Conda
Conda ist ein Open-Source-Paketverwaltungs- und Umgebungsverwaltungssystem, das Pakete und ihre Abhängigkeiten installieren kann. SageMaker AI unterstützt die Verwendung von Conda mit dem Conda-Forge-Kanal. Weitere Informationen finden Sie unter [Konfigurieren Conda-Kanals](https://docs.conda.io/projects/conda/en/latest/user-guide/concepts/channels.html). Der Conda-Forge-Kanal ist ein Community-Kanal, in dem Mitwirkende Pakete hochladen können.
**Anmerkung**
Die Installation von Paketen aus Conda-Forge kann bis zu 10 Minuten dauern. Das Timing bezieht sich darauf, wie Conda den Abhängigkeitsgraphen auflöst.
Alle von SageMaker KI bereitgestellten Umgebungen sind funktionsfähig. Vom Benutzer installierte Pakete funktionieren möglicherweise nicht richtig.
Conda hat zwei Methoden zur Aktivierung von Umgebungen: `conda activate`, und `source activate`. Weitere Informationen finden Sie unter [Verwalten der Umgebung](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html).
**Unterstützte conda-Operationen**
+ `conda install` eines Pakets in einer einzigen Umgebung
+ `conda install` eines Pakets in allen Umgebungen
+ Installation eines Pakets aus dem Conda-Hauptrepositorium
+ Ein Paket von Conda-Forge installieren
+ Ändern des Conda-Installationsverzeichnisses zur Verwendung von Amazon EBS
+ Unterstützt sowohl `conda activate` als auch `source activate`
### Pip
Pip ist das Tool zur Installation und Verwaltung von Python-Paketen. Pip sucht standardmäßig nach Paketen im Python-Paketindex (PyPI). Im Gegensatz zu Conda hat Pip keine integrierte Umgebungsunterstützung. Daher ist Pip nicht so gründlich wie Conda, wenn es um Pakete mit systemeigenen Abhängigkeiten oder Systembibliotheksabhängigkeiten geht. Pip kann verwendet werden, um Pakete in Conda-Umgebungen zu installieren. Sie können alternative Paket-Repositorys mit pip anstelle von PyPI verwenden.
**Unterstützte pip-Vorgänge**
+ Verwenden Sie Pip, um ein Paket ohne aktive Conda-Umgebung zu installieren
+ Verwenden von Pip, um ein Paket in einer Conda-Umgebung zu installieren
+ Verwenden Sie Pip, um ein Paket in allen Conda-Umgebungen zu installieren
+ Ändern des Pip-Installationsverzeichnisses zur Verwendung von Amazon EBS
+ Verwenden eines alternativen Repositorys zur Installation von Paketen mit Pip
### Nicht unterstützt
SageMaker KI zielt darauf ab, so viele Paketinstallationsvorgänge wie möglich zu unterstützen. Wenn die Pakete jedoch von SageMaker AI installiert wurden und Sie die folgenden Operationen für diese Pakete ausführen, kann Ihre Umgebung dadurch instabil werden:
+ Deinstallieren
+ Herabstufung
+ Wird geupgradet
Aufgrund potenzieller Probleme mit den Netzwerkbedingungen oder -konfigurationen oder der Verfügbarkeit von Conda oder PyPi werden Pakete möglicherweise nicht in einem festen oder deterministischen Zeitraum installiert.
**Anmerkung**
Der Versuch, ein Paket in einer Umgebung mit inkompatiblen Abhängigkeiten zu installieren, kann zu einem Fehler führen. Wenn Probleme auftreten, können Sie sich an den Bibliotheksbetreuer wenden, um die Paketabhängigkeiten zu aktualisieren. Wenn Sie die Umgebung ändern, z. B. bestehende Pakete entfernen oder aktualisieren, kann dies zu einer Instabilität dieser Umgebung führen.
## Installieren Sie Pakete mithilfe von Lebenszykluskonfigurationen
Installieren Sie benutzerdefinierte Images und Kernel auf dem Amazon EBS-Volume der Studio Classic-Instance, sodass sie bestehen bleiben, wenn Sie das Notebook beenden und neu starten, und dass alle externen Bibliotheken, die Sie installieren, nicht von AI aktualisiert werden. SageMaker Verwenden Sie dazu eine Lebenszykluskonfiguration, die sowohl ein Skript enthält, das beim Erstellen des Notebooks ausgeführt wird (`on-create)`, als auch ein Skript, das bei jedem Neustart des Notebooks ausgeführt wird (`on-start`). Weitere Informationen zur Verwendung von Lebenszykluskonfigurationen mit Studio Classic finden Sie unter [Verwenden Sie Lebenszykluskonfigurationen, um Amazon SageMaker Studio Classic anzupassen](studio-lcc.md). Beispiele für Lebenszykluskonfigurationsskripte finden Sie unter Beispiele für die [Lebenszykluskonfiguration von SageMaker AI Studio Classic](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples).
# Teilen und verwenden Sie ein Amazon SageMaker Studio Classic-Notizbuch
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie können Ihre Amazon SageMaker Studio Classic-Notizbücher mit Ihren Kollegen teilen. Das freigegebene Notebook ist eine Kopie. Nachdem Sie Ihr Notebook freigegeben haben, schlagen sich alle Änderungen, die Sie am ursprünglichen Notebook vornehmen, nicht im freigegebenen Notebook nieder, und alle Änderungen, die Ihr Kollege an den freigegebenen Kopien des Notebooks vornimmt, schlagen sich nicht in Ihrem ursprünglichen Notebook nieder. Wenn Sie Ihre neueste Version freigeben möchten, müssen Sie einen neuen Snapshot erstellen und ihn dann freigeben.
**Topics**
+ [Freigeben eines Notebooks](#notebooks-sharing-share)
+ [Verwenden eines freigegebenen Notebooks](#notebooks-sharing-using)
+ [Gemeinsame Bereiche und Zusammenarbeit in Echtzeit](#notebooks-sharing-rtc)
## Freigeben eines Notebooks
Der folgende Screenshot zeigt das Menü eines Studio-Classic-Notebooks.
![\[Die Position des Symbols Teilen in einem Studio-Classic-Notebook.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-notebook-menu-share.png)
**So geben Sie ein Notebook frei**
1. Wählen Sie in der rechten oberen Ecke des Notebooks die Option **Share (Freigeben)** aus.
1. (Optional) Wählen Sie unter **Create shareable snapshot (Freigabefähigen Snapshot erstellen)** eines der folgenden Elemente aus:
+ **Git-Repository-Informationen einfügen** – Fügt einen Link zum Git-Repository ein, das das Notebook enthält. Auf diese Weise können Sie und Ihr Kollege zusammenarbeiten und zum selben Git-Repository beitragen.
+ **Ausgabe einschließen** – Schließt alle gespeicherten Notebook-Ausgaben ein.
**Anmerkung**
Wenn Sie ein Benutzer im IAM Identity Center sind und diese Optionen nicht sehen, hat Ihr IAM Identity Center-Administrator die Funktion wahrscheinlich deaktiviert. Wenden Sie sich an Ihren Administrator.
1. Wählen Sie **Erstellen** aus.
1. Nachdem der Snapshot erstellt wurde, wählen Sie **Copy link (Link kopieren)** und dann **Close (Schließen)**.
1. Teilen Sie den Link mit Ihrem Kollegen.
Nachdem Sie Ihre Freigabeoptionen ausgewählt haben, erhalten Sie eine URL. Sie können diesen Link mit Benutzern teilen, die Zugriff auf Amazon SageMaker Studio Classic haben. Wenn der Benutzer die URL öffnet, wird er aufgefordert, sich mit IAM Identity Center oder IAM-Authentifizierung anzumelden. Da dieses freigegebene Notebook zu einer Kopie wird, werden die vom Empfänger vorgenommenen Änderungen in Ihrem ursprünglichen Notebook nicht reproduziert.
## Verwenden eines freigegebenen Notebooks
Sie verwenden ein freigegebenes Notebook auf die gleiche Weise wie jedes andere Notebook, das Sie selbst erstellt haben. Sie müssen sich zuerst mit Ihrem Konto anmelden und dann den geteilten Link öffnen. Wenn Sie keine aktive Sitzung haben, erhalten Sie einen Fehler.
Wenn Sie zum ersten Mal einen Link zu einem freigegebenen Notebook auswählen, wird eine schreibgeschützte Version des Notebooks geöffnet. Um das freigegebene Notebook zu bearbeiten, wählen Sie **Create a Copy (Eine Kopie erstellen)** aus. Dadurch wird das freigegebene Notebook in Ihren persönlichen Speicher kopiert.
Das kopierte Notizbuch wird auf einer Instance des Instance-Typs und des SageMaker Images gestartet, die das Notizbuch verwendet hat, als der Absender es geteilt hat. Wenn Sie derzeit keine Instance dieses Instance-Typs ausführen, wird eine neue Instance gestartet. Die Anpassung an das SageMaker Bild wird nicht geteilt. Sie können den Notebook-Snapshot auch überprüfen, indem Sie **Snapshot Details (Snapshot-Details)** auswählen.
Es folgen einige wichtige Überlegungen zur Freigabe und Authentifizierung:
+ Wenn Sie eine aktive Sitzung haben, wird eine schreibgeschützte Ansicht des Notebooks angezeigt, bis Sie **Create a Copy (Kopie erstellen)** auswählen.
+ Wenn Sie über keine aktive Sitzung verfügen, müssen Sie sich anmelden.
+ Wenn Sie IAM für die Anmeldung verwenden, wählen Sie nach der Anmeldung Ihr Benutzerprofil und dann **Studio Classic öffnen** aus. Dann müssen Sie den Link auswählen, der an Sie gesendet wurde.
+ Wenn Sie sich über das IAM Identity Center anmelden, wird das gemeinsame Notebook nach der Anmeldung automatisch in Studio geöffnet.
## Gemeinsame Bereiche und Zusammenarbeit in Echtzeit
Ein gemeinsam genutzter Bereich besteht aus einer gemeinsam genutzten JupyterServer Anwendung und einem gemeinsam genutzten Verzeichnis. Ein wesentlicher Vorteil eines gemeinsamen Raums besteht darin, dass er die Zusammenarbeit zwischen Mitgliedern des gemeinsam genutzten Raums in Echtzeit erleichtert. Benutzer, die in einem Workspace zusammenarbeiten, erhalten Zugriff auf eine gemeinsam genutzte Studio-Classic-Anwendung, mit der sie in Echtzeit auf ihre Notebooks zugreifen, sie lesen und bearbeiten können. Die Zusammenarbeit in Echtzeit wird nur für JupyterServer Anwendungen in einem gemeinsam genutzten Bereich unterstützt. Benutzer mit Zugriff auf einen gemeinsam genutzten Bereich können Jupyter Notebooks in der gemeinsam genutzten Studio-Classic-Anwendung in diesem Bereich gleichzeitig öffnen, anzeigen, bearbeiten und ausführen. Weitere Informationen zur Zusammenarbeit in gemeinsamen Räumen und zur Zusammenarbeit in Echtzeit finden Sie unter. [Zusammenarbeit mit gemeinsam genutzten Räumen](domain-space.md)
# Holen Sie sich Amazon SageMaker Studio Classic-Notizbuch- und App-Metadaten
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie können über die Amazon SageMaker Studio Classic-Benutzeroberfläche auf Notizbuch-Metadaten und App-Metadaten zugreifen.
**Topics**
+ [Abrufen von Metadaten von Studio Classic Notebook](#notebooks-run-and-manage-metadata-notebook)
+ [Abrufen von App-Metadaten](#notebooks-run-and-manage-metadata-app)
## Abrufen von Metadaten von Studio Classic Notebook
Jupyter-Notizbücher enthalten optionale Metadaten, auf die Sie über die Amazon SageMaker Studio Classic-Benutzeroberfläche zugreifen können.
**Um die Metadaten des Notebooks anzuzeigen:**
1. Wählen Sie in der rechten Seitenleiste das Symbol **Eigenschafteninspektor** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/gears.png)) aus.
1. Öffnen Sie den Bereich **Erweiterte Tools**.
Die Metadaten sollten in etwa wie die folgenden aussehen.
```
{
"instance_type": "ml.t3.medium",
"kernelspec": {
"display_name": "Python 3 (Data Science)",
"language": "python",
"name": "python3__SAGEMAKER_INTERNAL__arn:aws:sagemaker:us-west-2::image/datascience-1.0"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.7.10"
}
}
```
## Abrufen von App-Metadaten
Wenn Sie ein Notizbuch in Amazon SageMaker Studio Classic erstellen, werden die App-Metadaten in eine Datei mit dem Namen `resource-metadata.json` im Ordner geschrieben`/opt/ml/metadata/`. Sie können die App-Metadaten abrufen, indem Sie ein Iamge-Terminal aus dem Notebook heraus öffnen. Die Metadaten geben Ihnen die folgenden Informationen, darunter das SageMaker Image und den Instance-Typ, in dem das Notebook ausgeführt wird:
+ **AppType** – `KernelGateway`
+ **DomainId**— Wie bei Studio ClassicID
+ **UserProfileName**— Der Profilname des aktuellen Benutzers
+ **ResourceArn**— Der Amazon-Ressourcenname (ARN) der App, der den Instance-Typ beinhaltet
+ **ResourceName**— Der Name des SageMaker Images
Zusätzliche Metadaten können für den internen Gebrauch von Studio Classic enthalten sein und können sich ändern.
**So rufen Sie die App-Metadaten ab:**
1. Wählen Sie in der Mitte des Notebook-Menüs das Symbol **Terminal starten** (![\[Dollar sign icon representing currency or financial transactions.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png)) aus. Dadurch wird ein Terminal in dem SageMaker Image geöffnet, in dem das Notebook ausgeführt wird.
1. Führen Sie die folgenden Befehle aus, um den Inhalt der `resource-metadata.json`-Datei anzuzeigen.
```
$ cd /opt/ml/metadata/
cat resource-metadata.json
```
Die Datei sollte in etwa so aussehen:
```
{
"AppType": "KernelGateway",
"DomainId": "d-xxxxxxxxxxxx",
"UserProfileName": "profile-name",
"ResourceArn": "arn:aws:sagemaker:us-east-2:account-id:app/d-xxxxxxxxxxxx/profile-name/KernelGateway/datascience--1-0-ml-t3-medium",
"ResourceName": "datascience--1-0-ml",
"AppImageVersion":""
}
```
# Holen Sie sich die Notebook-Unterschiede in Amazon SageMaker Studio Classic
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie können den Unterschied zwischen dem aktuellen Notizbuch und dem letzten Checkpoint oder dem letzten Git-Commit mithilfe der Amazon SageMaker AI-Benutzeroberfläche anzeigen.
Der folgende Screenshot zeigt das Menü eines Studio-Classic-Notebooks.
![\[Die Position des relevanten Menüs in einem Studio-Classic-Notebook.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-notebook-menu-diffs.png)
**Topics**
+ [Abrufen der Differenz zum letzten Checkpoint](#notebooks-diff-checkpoint)
+ [Abrufen der Differenz zum letzten Commit](#notebooks-diff-git)
## Abrufen der Differenz zum letzten Checkpoint
Bei der Erstellung eines Notebooks wird eine versteckte Checkpoint-Datei erstellt, die mit dem erstellten Notebook übereinstimmt. Sie können Änderungen zwischen dem Notebook und der Checkpoint-Datei anzeigen oder das Notebook so zurücksetzen, dass es mit der Checkpoint-Datei übereinstimmt.
Standardmäßig wird ein Notebook alle 120 Sekunden und beim Schließen des Notebooks automatisch gespeichert. Die Checkpoint-Datei wird jedoch nicht so aktualisiert, dass sie mit dem Notebook übereinstimmt. Um das Notebook zu speichern und die Checkpoint-Datei so zu aktualisieren, dass sie übereinstimmt, müssen Sie das Symbol **Save notebook and create checkpoint (Notebook speichern und Checkpoint erstellen)** (![\[Padlock icon representing security or access control in cloud services.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png)) links im Notebook-Menü auswählen oder die Tastenkombination `Ctrl + S` verwenden.
Um die Änderungen zwischen dem Notebook und der Checkpoint-Datei anzuzeigen, wählen Sie das Symbol **Checkpoint-Diff** (![\[Clock icon representing time or duration in a user interface.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png)) in der Mitte des Notebook-Menüs aus.
Um das Notebook auf die Checkpoint-Datei zurückzusetzen, wählen Sie im Studio-Classic-Hauptmenü **Datei** und dann **Notebook auf Checkpoint zurücksetzen** aus.
## Abrufen der Differenz zum letzten Commit
Wenn ein Notebook aus einem Git-Repository geöffnet wird, können Sie die Differenz zwischen dem Notebook und dem letzten Git-Commit anzeigen.
Um die Änderungen im Notebook im Vergleich zum letzten Git-Commit anzuzeigen, wählen Sie das Symbol **Git-Diff** (![\[Dark button with white text displaying "git" in lowercase letters.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png)) in der Mitte des Notebook-Menüs aus.
# Ressourcen für Amazon SageMaker Studio Classic-Notebooks verwalten
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie können den Instance-Typ, das SageMaker Image und den Kernel in einem Amazon SageMaker Studio Classic-Notizbuch ändern. Wie Sie einen eigenen Kernel für Ihre Notebooks erstellen können, erfahren Sie unter [Benutzerdefinierte Bilder in Amazon SageMaker Studio Classic](studio-byoi.md).
**Topics**
+ [Ändern Sie den Instance-Typ für ein Amazon SageMaker Studio Classic-Notebook](notebooks-run-and-manage-switch-instance-type.md)
+ [Ändern Sie das Image oder einen Kernel für ein Amazon SageMaker Studio Classic-Notebook](notebooks-run-and-manage-change-image.md)
+ [Ressourcen von Amazon SageMaker Studio Classic herunterfahren](notebooks-run-and-manage-shut-down.md)
# Ändern Sie den Instance-Typ für ein Amazon SageMaker Studio Classic-Notebook
Wenn Sie ein neues Studio-Classic-Notebook zum ersten Mal öffnen, wird Ihnen ein Standard-Instance-Typ der Amazon Elastic Compute Cloud (Amazon EC2) zugewiesen, um das Notebook auszuführen. Wenn Sie zusätzliche Notebooks auf dem gleichen Instance-Typ öffnen, werden die Notebooks mit derselben Instance wie das erste Notebook ausgeführt, auch wenn die Notebooks unterschiedliche Kernel verwenden.
Sie können den Instance-Typ, auf dem Ihr Studio-Classic-Notebook läuft, innerhalb des Notebooks ändern.
Die folgenden Informationen gelten nur für Studio-Classic-Notebooks. Informationen darüber, wie Sie den Instance-Typ einer SageMaker Amazon-Notebook-Instance ändern können, finden Sie unter[Aktualisiert eine Notebook-Instance](nbi-update.md).
**Wichtig**
Wenn Sie den Instance-Typ ändern, gehen nicht gespeicherte Informationen und die vorhandenen Einstellungen für das Notebook verloren und installierte Pakete müssen neu installiert werden.
Der vorherige Instance-Typ wird auch dann weiter ausgeführt, wenn keine Kernel-Sitzungen oder Apps aktiv sind. Sie müssen die Instance explizit beenden, damit keine Gebühren mehr anfallen. Informationen zum Stoppen der Instance finden Sie unter [Herunterfahren von Ressourcen](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions).
Der folgende Screenshot zeigt das Menü eines Studio-Classic-Notebooks. Der Prozessor und der Arbeitsspeicher des Instance-Typs, der für das Notebook verwendet wird, werden als **2 vCPU \$1 4 GiB** angezeigt.
![\[Der Standort des Prozessors und des Speichers des Instance-Typs für das Studio-Classic-Notebook.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-notebook-menu-instance.png)
**So ändern Sie den Instance-Typ**
1. Wählen Sie den Prozessor und den Speicher des Instance-Typs, der das Notebook antreibt. Dadurch wird ein Popup-Fenster geöffnet.
1. Wählen Sie im Popupfenster **Notebook-Umgebung einrichten** das Dropdown-Menü **Instance-Typ** aus.
1. Wählen Sie aus der Dropdown-Liste **Instance-Typ** einen der aufgelisteten Instance-Typen aus.
1. Nachdem Sie einen Typ ausgewählt haben, wählen Sie **Auswählen** aus.
1. Warten Sie, bis die neue Instance aktiviert wurde. Dann werden die Informationen zum neuen Instance-Typ angezeigt.
Eine Liste der verfügbaren Instance-Typen finden Sie unter [Instance-Typen, die für die Verwendung mit Amazon SageMaker Studio Classic-Notebooks verfügbar sind](notebooks-available-instance-types.md).
# Ändern Sie das Image oder einen Kernel für ein Amazon SageMaker Studio Classic-Notebook
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Bei Amazon SageMaker Studio Classic-Notizbüchern können Sie das Image oder den Kernel des Notebooks vom Notizbuch aus ändern.
Der folgende Screenshot zeigt das Menü eines Studio-Classic-Notebooks. Der aktuelle SageMaker AI-Kernel und das aktuelle Bild werden als **Python 3 (Data Science)** angezeigt, wobei `Python 3` der Kernel und das SageMaker KI-Image `Data Science` bezeichnet werden, das den Kernel enthält. Die Farbe des Kreises auf der rechten Seite zeigt an, ob der Kernel im Leerlauf oder beschäftigt ist. Der Kern ist besetzt, wenn der Mittelpunkt und der Rand des Kreises die gleiche Farbe haben.
![\[Die Position des aktuellen Kernels und Images in der Menüleiste eines Studio-Classic-Notebooks.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-notebook-menu-kernel.png)
**So ändern Sie das Image oder den Kernel eines Notebooks**
1. Wählen Sie den image/kernel Namen im Notebook-Menü.
1. Wählen Sie im Popup-Fenster **Notebook-Umgebung einrichten** das Dropdown-Menü **Image** oder **Kernel** aus.
1. Wählen Sie aus dem Dropdown-Menü eines der aufgelisteten Images oder Kernel aus.
1. Nachdem Sie ein Image oder einen Kernel ausgewählt haben, wählen Sie **Auswählen**.
1. Warten Sie, bis der Status des Kernels als inaktiv angezeigt wird, was darauf hinweist, dass der Kernel gestartet wurde.
Eine Liste der verfügbaren SageMaker Images und Kernel finden Sie unter[SageMaker Amazon-Bilder sind für die Verwendung mit Studio Classic-Notebooks verfügbar](notebooks-available-images.md).
# Ressourcen von Amazon SageMaker Studio Classic herunterfahren
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie können einzelne Amazon SageMaker AI-Ressourcen, einschließlich Notebooks, Terminals, Kernel, Apps und Instances, aus Studio Classic herunterfahren. Sie können auch alle Ressourcen in einer dieser Kategorien gleichzeitig herunterfahren. Amazon SageMaker Studio Classic unterstützt nicht das Herunterfahren von Ressourcen innerhalb eines Notebooks.
**Anmerkung**
Wenn Sie eine Notebook-Instance von Studio-Classic herunterfahren, werden die zusätzlichen Ressourcen, die Sie in Studio Classic erstellt haben, nicht gelöscht. Zusätzliche Ressourcen können beispielsweise SageMaker KI-Endpunkte, Amazon EMR-Cluster und Amazon S3 S3-Buckets umfassen. Um die Entstehung von Kosten zu verhindern, müssen Sie diese Ressourcen manuell löschen. Informationen zum Auffinden von Ressourcen, für die Gebühren anfallen, finden Sie unter [Analysieren Ihrer Kosten mit AWS Cost Explorer](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html).
In den folgenden Themen wird gezeigt, wie Sie diese SageMaker KI-Ressourcen löschen können.
**Topics**
+ [Herunterfahren eines geöffneten Notebooks](#notebooks-run-and-manage-shut-down-notebook)
+ [Herunterfahren von Ressourcen](#notebooks-run-and-manage-shut-down-sessions)
## Herunterfahren eines geöffneten Notebooks
Wenn Sie ein Studio-Classic-Notebook herunterfahren, wird das Notebook nicht gelöscht. Der Kernel, auf dem das Notebook läuft, wird heruntergefahren, und alle nicht gespeicherten Informationen im Notebook gehen verloren. Sie können ein geöffnetes Notebook über das Menü **Datei** in Studio Classic oder über den Bereich „Ausgeführte Terminals und Kernel“ schließen. Das folgende Verfahren zeigt, wie Sie ein geöffnetes Notebook über das Menü **Datei** von Studio Classic herunterfahren.
**So fahren Sie ein geöffnetes Notebook über das Dateimenü herunter**
1. Starten Sie Studio Classic, indem Sie die Schritte in [Starten Sie Amazon SageMaker Studio Classic](studio-launch.md) befolgen.
1. (Optional) Speichern Sie den Inhalt des Notebooks, indem Sie **Datei** und dann **Notebook speichern** auswählen.
1. Wählen Sie **Datei** aus.
1. Wählen Sie **Notebook schließen und herunterfahren** aus. Dadurch wird ein Popup-Fenster geöffnet.
1. Wählen Sie im Popup-Fenster die Option **OK** aus.
## Herunterfahren von Ressourcen
Sie erreichen den Bereich **Running Terminals and Kernels** von Amazon SageMaker Studio Classic, indem Sie das Symbol **Running Terminals and Kernels** () ![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png) auswählen. Der Bereich **Running Terminals and Kernels** besteht aus vier Abschnitten. In jedem Abschnitt sind alle Ressourcen des jeweiligen Typs aufgeführt. Sie können jede Ressource einzeln oder alle Ressourcen in einem Abschnitt gleichzeitig abschalten.
Wenn Sie sich dafür entscheiden, alle Ressourcen in einem Abschnitt herunterzufahren, passiert Folgendes:
+ ** INSTANCES/RUNNING APPS AUSFÜHREN** — Alle Instances, Apps, Notebooks, Kernel-Sitzungen, Konsolen/Shells und Image-Terminals werden heruntergefahren. Systemterminals werden nicht heruntergefahren.
+ **KERNEL-SESSIONS** — Alle Kernel, Notebooks und consoles/shells werden heruntergefahren.
+ **TERMINAL-SITZUNGEN** – Alle Image-Terminals und Systemterminals sind heruntergefahren.
**Herunterfahren von Ressourcen**
1. Starten Sie Studio Classic, indem Sie die Schritte in [Starten Sie Amazon SageMaker Studio Classic](studio-launch.md) befolgen.
1. Wählen Sie das Symbol **Ausführen von Terminals und Kernel** aus.
1. Führen Sie eine der folgenden Aufgaben aus:
+ Um eine bestimmte Ressource abzuschalten, wählen Sie das Symbol **Herunterfahren** in der gleichen Zeile wie die Ressource aus.
Bei laufenden Instances werden in einem Bestätigungsdialogfeld alle Ressourcen aufgeführt, die SageMaker AI herunterfahren wird. In einem Bestätigungsdialogfeld werden alle laufenden Apps angezeigt. Wählen Sie **Alle herunterfahren** aus, um fortzufahren.
**Anmerkung**
Für Kernelsitzungen oder Terminalsitzungen wird kein Bestätigungsdialogfeld angezeigt.
+ Um alle Ressourcen in einem Abschnitt herunterzufahren, wählen Sie das **X** rechts neben der Abschnittsbeschriftung. Es wird ein Bestätigungsdialogfeld angezeigt. Wählen Sie **Shut down all (Alle herunterfahren)**, um fortzufahren.
**Anmerkung**
Wenn Sie diese Studio Classic-Ressourcen herunterfahren, werden alle zusätzlichen Ressourcen, die mit Studio Classic erstellt wurden, wie SageMaker KI-Endpunkte, Amazon EMR-Cluster und Amazon S3 S3-Buckets, nicht gelöscht. Löschen Sie diese Ressourcen manuell, um die Entstehung weiterer Kosten zu verhindern. [Informationen zur Suche nach Ressourcen, für die Gebühren anfallen, finden Sie unter Analysieren Ihrer Kosten mit. AWS Cost Explorer](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html)
# Nutzungsmessung für Amazon SageMaker Studio Classic-Notebooks
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Für die Nutzung von Amazon SageMaker Studio Classic fallen keine zusätzlichen Gebühren an. Die Kosten für den Betrieb von Amazon SageMaker Studio Classic-Notebooks, interaktiven Shells, Konsolen und Terminals basieren auf der Nutzung der Amazon Elastic Compute Cloud (Amazon EC2) -Instances.
Wenn Sie die folgenden Ressourcen ausführen, müssen Sie ein SageMaker Image und einen Kernel auswählen:
**Über den Studio Classic Launcher**
+ Notebook
+ Interaktive Shell
+ Image-Terminal
**Über das Menü **File (Datei)****
+ Notebook
+ Konsole
Beim Start wird die Ressource auf einer Amazon-EC2-Instance des gewählten Instance-Typs ausgeführt. Wenn eine Instance dieses Typs zuvor gestartet wurde und verfügbar ist, wird die Ressource auf dieser Instance ausgeführt.
Für CPU-basierte Images ist der standardmäßig vorgeschlagene Instance-Typ `ml.t3.medium`. Für GPU-basierte Images ist der standardmäßig vorgeschlagene Instance-Typ `ml.g4dn.xlarge`.
Die anfallenden Kosten basieren auf dem Instance-Typ. Jede Instance wird Ihnen separat in Rechnung gestellt.
Die Messung beginnt, wenn eine Instance erstellt wird. Die Messung endet, wenn alle Apps auf der Instance heruntergefahren werden oder die Instance heruntergefahren wird. Informationen darüber, wie man eine Instance herunterfährt, finden Sie unter [Ressourcen von Amazon SageMaker Studio Classic herunterfahren](notebooks-run-and-manage-shut-down.md).
**Wichtig**
Sie müssen die Instance herunterfahren, damit keine Gebühren mehr anfallen. Wenn Sie das Notebook, das auf der Instance läuft, herunterfahren, aber die Instance nicht herunterfahren, fallen trotzdem Gebühren an. Wenn Sie die Studio Classic-Notebook-Instances herunterfahren, werden alle zusätzlichen Ressourcen wie SageMaker KI-Endpunkte, Amazon EMR-Cluster und Amazon S3 S3-Buckets, die mit Studio Classic erstellt wurden, nicht gelöscht. Löschen Sie diese Ressourcen, um das Entstehen von Gebühren zu verhindern.
Wenn Sie mehrere Notebooks auf demselben Instance-Typ öffnen, werden die Notebooks auf derselben Instance ausgeführt, auch wenn sie unterschiedliche Kernel verwenden. Ihnen wird nur die Zeit in Rechnung gestellt, während der eine Instance ausgeführt wird.
Sie können den Instance-Typ innerhalb des Notebooks ändern, nachdem Sie es geöffnet haben. Weitere Informationen finden Sie unter [Ändern Sie den Instance-Typ für ein Amazon SageMaker Studio Classic-Notebook](notebooks-run-and-manage-switch-instance-type.md).
Informationen zur Abrechnung sowie Preisbeispiele finden Sie unter [ SageMaker Amazon-Preise](https://aws.amazon.com/sagemaker/pricing/).
# Verfügbare Ressourcen für Amazon SageMaker Studio Classic-Notebooks
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
In den folgenden Abschnitten sind die verfügbaren Ressourcen für Amazon SageMaker Studio Classic-Notizbücher aufgeführt.
**Topics**
+ [Instance-Typen, die für die Verwendung mit Amazon SageMaker Studio Classic-Notebooks verfügbar sind](notebooks-available-instance-types.md)
+ [SageMaker Amazon-Bilder sind für die Verwendung mit Studio Classic-Notebooks verfügbar](notebooks-available-images.md)
# Instance-Typen, die für die Verwendung mit Amazon SageMaker Studio Classic-Notebooks verfügbar sind
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Amazon SageMaker Studio Classic-Notebooks werden auf Amazon Elastic Compute Cloud (Amazon EC2) -Instances ausgeführt. Die folgenden Instance-Typen von Amazon EC2 sind für die Verwendung mit Studio-Classic-Notebooks verfügbar. Detaillierte Informationen darüber, welche Instance-Typen zu Ihrem Anwendungsfall passen und welche Leistungsmerkmale sie haben, finden Sie unter [Amazon Elastic Compute Cloud-Instance-Typen](https://aws.amazon.com/ec2/instance-types/). Informationen zu den Preisen für diese Instance-Typen finden Sie unter [Amazon EC2-Preise](https://aws.amazon.com/ec2/pricing/).
Informationen zu verfügbaren Amazon SageMaker Notebook-Instance-Typen finden Sie unter [CreateNotebookInstance](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html#sagemaker-CreateNotebookInstance-request-InstanceType).
**Anmerkung**
Für die meisten Anwendungsfälle sollten Sie ein `ml.t3.medium` verwenden. Dies ist der Standard-Instance-Typ für CPU-basierte SageMaker Images und ist im Rahmen des [AWS kostenlosen](https://aws.amazon.com/free) Kontingents verfügbar.
**Topics**
+ [CPU-Instances](#notebooks-resources-no-gpu)
+ [Instanzen mit 1 oder mehr GPUs](#notebooks-resources-gpu)
## CPU-Instances
In der folgenden Tabelle sind die CPU-Instance-Typen von Amazon EC2 ohne angeschlossene GPU aufgeführt, die für die Verwendung mit Studio-Classic-Notebooks verfügbar sind. Sie enthält auch Informationen zu den Spezifikationen der einzelnen Instance-Typen. Der Standard-Instance-Typ für CPU-basierte Images ist `ml.t3.medium`.
Detaillierte Informationen darüber, welche Instance-Typen zu Ihrem Anwendungsfall passen und welche Leistungsmerkmale sie haben, finden Sie unter [Amazon Elastic Compute Cloud-Instance-Typen](https://aws.amazon.com/ec2/instance-types/). Informationen zu den Preisen für diese Instance-Typen finden Sie unter [Amazon EC2-Preise](https://aws.amazon.com/ec2/pricing/).
CPU-Instances
| Instance | Anwendungsfall | Schneller Start | vCPU | Arbeitsspeicher (GiB) | Instance-Speicher (GB) |
| --- | --- | --- | --- | --- | --- |
| ml.t3.medium | Allgemeine Zwecke | Ja | 2 | 4 | Nur Amazon EBS |
| ml.t3.large | Allgemeine Zwecke | Nein | 2 | 8 | Nur Amazon EBS |
| ml.t3.xlarge | Allgemeine Zwecke | Nein | 4 | 16 | Nur Amazon EBS |
| ml.t3.2xlarge | Allgemeine Zwecke | Nein | 8 | 32 | Nur Amazon EBS |
| ml.m5.large | Allgemeine Zwecke | Ja | 2 | 8 | Nur Amazon EBS |
| ml.m5.xlarge | Allgemeine Zwecke | Nein | 4 | 16 | Nur Amazon EBS |
| ml.m5.2xlarge | Allgemeine Zwecke | Nein | 8 | 32 | Nur Amazon EBS |
| ml.m5.4xlarge | Allgemeine Zwecke | Nein | 16 | 64 | Nur Amazon EBS |
| ml.m5.8xlarge | Allgemeine Zwecke | Nein | 32 | 128 | Nur Amazon EBS |
| ml.m5.12xlarge | Allgemeine Zwecke | Nein | 48 | 192 | Nur Amazon EBS |
| ml.m5.16xlarge | Allgemeine Zwecke | Nein | 64 | 256 | Nur Amazon EBS |
| ml.m5.24xlarge | Allgemeine Zwecke | Nein | 96 | 384 | Nur Amazon EBS |
| ml.m5d.large | Allgemeine Zwecke | Nein | 2 | 8 | 1 x 75 SSD NVMe |
| ml.m5d.xlarge | Allgemeine Zwecke | Nein | 4 | 16 | 1 x 150 NVMe SSD |
| db.m5d.2xlarge | Allgemeine Zwecke | Nein | 8 | 32 | 1 x 300 NVMe SSD |
| db.m5d.4xlarge | Allgemeine Zwecke | Nein | 16 | 64 | 2 x 300 NVMe SSD |
| db.m5d.8xlarge | Allgemeine Zwecke | Nein | 32 | 128 | 2 x 600 NVMe SSD |
| db.m5d.12xlarge | Allgemeine Zwecke | Nein | 48 | 192 | 2 x 900 NVMe SSD |
| db.m5d.16xlarge | Allgemeine Zwecke | Nein | 64 | 256 | 4 x 600 NVMe SSD |
| db.m5d.24xlarge | Allgemeine Zwecke | Nein | 96 | 384 | 4 x 900 NVMe SSD |
| ml.c5.large | Für Datenverarbeitung optimiert | Ja | 2 | 4 | Nur Amazon EBS |
| ml.c5.xlarge | Für Datenverarbeitung optimiert | Nein | 4 | 8 | Nur Amazon EBS |
| ml.c5.2xlarge | Für Datenverarbeitung optimiert | Nein | 8 | 16 | Nur Amazon EBS |
| ml.c5.4xlarge | Für Datenverarbeitung optimiert | Nein | 16 | 32 | Nur Amazon EBS |
| ml.c5.9xlarge | Für Datenverarbeitung optimiert | Nein | 36 | 72 | Nur Amazon EBS |
| ml.c5.12xlarge | Für Datenverarbeitung optimiert | Nein | 48 | 96 | Nur Amazon EBS |
| ml.c5.18xlarge | Für Datenverarbeitung optimiert | Nein | 72 | 144 | Nur Amazon EBS |
| ml.c5.24xlarge | Für Datenverarbeitung optimiert | Nein | 96 | 192 | Nur Amazon EBS |
| ml.r5.large | Arbeitsspeicher optimiert | Nein | 2 | 16 | Nur Amazon EBS |
| ml.r5.xlarge | Arbeitsspeicher optimiert | Nein | 4 | 32 | Nur Amazon EBS |
| ml.r5.2xlarge | Arbeitsspeicher optimiert | Nein | 8 | 64 | Nur Amazon EBS |
| ml.r5.4xlarge | Arbeitsspeicher optimiert | Nein | 16 | 128 | Nur Amazon EBS |
| ml.r5.8xlarge | Arbeitsspeicher optimiert | Nein | 32 | 256 | Nur Amazon EBS |
| ml.r5.12xlarge | Arbeitsspeicher optimiert | Nein | 48 | 384 | Nur Amazon EBS |
| ml.r5.16xlarge | Arbeitsspeicher optimiert | Nein | 64 | 512 | Nur Amazon EBS |
| ml.r5.24xlarge | Arbeitsspeicher optimiert | Nein | 96 | 768 | Nur Amazon EBS |
## Instanzen mit 1 oder mehr GPUs
In der folgenden Tabelle sind die Amazon EC2 EC2-Instance-Typen mit einem oder mehreren GPUs angehängten Instance-Typen aufgeführt, die für die Verwendung mit Studio Classic-Notebooks verfügbar sind. Sie enthält auch Informationen zu den Spezifikationen der einzelnen Instance-Typen. Der Standard-Instance-Typ für GPU-basierte Images ist `ml.g4dn.xlarge`.
Detaillierte Informationen darüber, welche Instance-Typen zu Ihrem Anwendungsfall passen und welche Leistungsmerkmale sie haben, finden Sie unter [Amazon Elastic Compute Cloud-Instance-Typen](https://aws.amazon.com/ec2/instance-types/). Informationen zu den Preisen für diese Instance-Typen finden Sie unter [Amazon EC2-Preise](https://aws.amazon.com/ec2/pricing/).
Instances mit einer oder mehreren GPUs
| Instance | Anwendungsfall | Schneller Start | GPUs | vCPU | Arbeitsspeicher (GiB) | GPU-Speicher (GiB) | Instance-Speicher (GB) |
| --- | --- | --- | --- | --- | --- | --- | --- |
| ml.p3.2xlarge | Beschleunigtes Computing | Nein | 1 | 8 | 61 | 16 | Nur Amazon EBS |
| ml.p3.8xlarge | Beschleunigtes Computing | Nein | 4 | 32 | 244 | 64 | Nur Amazon EBS |
| ml.p3.16xlarge | Beschleunigtes Computing | Nein | 8 | 64 | 488 | 128 | Nur Amazon EBS |
| ml.p3dn.24xlarge | Beschleunigtes Computing | Nein | 8 | 96 | 768 | 256 | 2 x 900 NVMe SSD |
| ml.p4d.24xlarge | Beschleunigtes Computing | Nein | 8 | 96 | 1 152 | 320 GB HBM2 | 8 x 1000 NVMe SSD |
| ml.p4de.24xlarge | Beschleunigtes Computing | Nein | 8 | 96 | 1 152 | 640 GB HBM2e | 8 x 1000 NVMe SSD |
| ml.g4dn.xlarge | Beschleunigtes Computing | Ja | 1 | 4 | 16 | 16 | 1 x 125 NVMe SSD |
| ml.g4dn.2xlarge | Beschleunigtes Computing | Nein | 1 | 8 | 32 | 16 | 1 x 225 NVMe SSD |
| ml.g4dn.4xlarge | Beschleunigtes Computing | Nein | 1 | 16 | 64 | 16 | 1 x 225 NVMe SSD |
| ml.g4dn.8xlarge | Beschleunigtes Computing | Nein | 1 | 32 | 128 | 16 | 1 x 900 NVMe SSD |
| ml.g4dn.12xlarge | Beschleunigtes Computing | Nein | 4 | 48 | 192 | 64 | 1 x 900 NVMe SSD |
| ml.g4dn.16xlarge | Beschleunigtes Computing | Nein | 1 | 64 | 256 | 16 | 1 x 900 NVMe SSD |
| ml.c5.xlarge | Beschleunigtes Computing | Nein | 1 | 4 | 16 | 24 | 1 x 250 NVMe SSD |
| ml.g5.2xlarge | Beschleunigtes Computing | Nein | 1 | 8 | 32 | 24 | 1 x 450 NVMe SSD |
| ml.g5.4xlarge | Beschleunigtes Computing | Nein | 1 | 16 | 64 | 24 | 1 x 600 NVMe SSD |
| ml.g5.8xlarge | Beschleunigtes Computing | Nein | 1 | 32 | 128 | 24 | 1 x 900 NVMe SSD |
| ml.g5.12xlarge | Beschleunigtes Computing | Nein | 4 | 48 | 192 | 96 | 1 x 3800 SSD NVMe |
| ml.g5.16xlarge | Beschleunigtes Computing | Nein | 1 | 64 | 256 | 24 | 1 x 1900 SSD NVMe |
| ml.g5.24xlarge | Beschleunigtes Computing | Nein | 4 | 96 | 384 | 96 | 1 x 3800 SSD NVMe |
| ml.g5.48xlarge | Beschleunigtes Computing | Nein | 8 | 192 | 768 | 192 | 2 x 3800 SSD NVMe |
# SageMaker Amazon-Bilder sind für die Verwendung mit Studio Classic-Notebooks verfügbar
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Diese Seite listet die SageMaker Images und zugehörigen Kernel auf, die in Amazon SageMaker Studio Classic verfügbar sind. Diese Seite enthält auch Informationen über das Format, das zur Erstellung des ARN für jedes Bild benötigt wird. SageMaker Images enthalten das neueste [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) und die neueste Version des Kernels. Weitere Informationen finden Sie unter [Deep Learning Containers Images](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/deep-learning-containers-images.html).
**Topics**
+ [Image-Format des Image-ARN](#notebooks-available-images-arn)
+ [Unterstützte URI-Tags](#notebooks-available-uri-tag)
+ [Unterstützte Images](#notebooks-available-images-supported)
+ [Images, die zur Vernachlässigung vorgesehen sind](#notebooks-available-images-deprecation)
+ [Veraltete Images](#notebooks-available-images-deprecated)
## Image-Format des Image-ARN
In der folgenden Tabelle ist das Image-ARN- und -URI-Format für jede Region aufgeführt. Um den vollständigen ARN für ein Bild zu erstellen, ersetzen Sie den *resource-identifier* Platzhalter durch die entsprechende Ressourcen-ID für das Bild. Die Ressourcen-ID befindet sich in der SageMaker Bild- und Kerneltabelle. Um den vollständigen URI für ein Bild zu erstellen, ersetzen Sie den *tag* Platzhalter durch das entsprechende CPU- oder GPU-Tag. Eine Liste der Tags, die Sie verwenden können, finden Sie unter [Unterstützte URI-Tags](#notebooks-available-uri-tag).
**Anmerkung**
SageMaker Für Distributionsbilder wird ein bestimmter Satz von Bildern verwendet ARNs, die in der folgenden Tabelle aufgeführt sind.
| Region | Image ARN Format | SageMaker ARN-Format für das Verteilungsbild | SageMaker URI-Format für das Vertriebsbild |
| --- | --- | --- | --- |
| us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/resource-identifier | arn:aws:sagemaker:us-east-1:885854791233:image/resource-identifier | 885854791233.dkr. ecr.us-east-1.amazonaws.com/: sagemaker-distribution-prod tag |
| us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/resource-identifier | arn:aws:sagemaker:us-east-2:137914896644:image/resource-identifier | 137914896644.dkr. ecr.us-east-2.amazonaws.com/: sagemaker-distribution-prod tag |
| us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/resource-identifier | arn:aws:sagemaker:us-west-1:053634841547:image/resource-identifier | 053634841547.dkr. ecr.us-west-1.amazonaws.com/: sagemaker-distribution-prod tag |
| us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/resource-identifier | arn:aws:sagemaker:us-west-2:542918446943:image/resource-identifier | 542918446943.dkr. ecr.us-west-2.amazonaws.com/: sagemaker-distribution-prod tag |
| af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/resource-identifier | arn:aws:sagemaker:af-south-1:238384257742:image/resource-identifier | 238384257742.dkr. ecr.af-south-1.amazonaws.com/: sagemaker-distribution-prod tag |
| ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/resource-identifier | arn:aws:sagemaker:ap-east-1:523751269255:image/resource-identifier | 523751269255.dkr. ecr.ap-east-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/resource-identifier | arn:aws:sagemaker:ap-south-1:245090515133:image/resource-identifier | 245090515133.dkr. ecr.ap-south-1.amazonaws.com/: sagemaker-distribution-prod tag |
| ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/resource-identifier | arn:aws:sagemaker:ap-northeast-2:064688005998:image/resource-identifier | 064688005998.dkr. ecr.ap-northeast-2.amazonaws.com/: sagemaker-distribution-prod tag |
| ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/resource-identifier | arn:aws:sagemaker:ap-southeast-1:022667117163:image/resource-identifier | 022667117163.dkr. ecr.ap-southeast-1.amazonaws.com/: sagemaker-distribution-prod tag |
| ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/resource-identifier | arn:aws:sagemaker:ap-southeast-2:648430277019:image/resource-identifier | 648430277019.dkr. ecr.ap-southeast-2.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/resource-identifier | arn:aws:sagemaker:ap-northeast-1:010972774902:image/resource-identifier | 010972774902.dkr. ecr.ap-northeast-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/resource-identifier | arn:aws:sagemaker:ca-central-1:481561238223:image/resource-identifier | 481561238223.dkr. ecr.ca-central-1.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/resource-identifier | arn:aws:sagemaker:eu-central-1:545423591354:image/resource-identifier | 545423591354.dkr. ecr.eu-central-1.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/resource-identifier | arn:aws:sagemaker:eu-west-1:819792524951:image/resource-identifier | 819792524951.dkr. ecr.eu-west-1.amazonaws.com/: sagemaker-distribution-prod tag |
| eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/resource-identifier | arn:aws:sagemaker:eu-west-2:021081402939:image/resource-identifier | 021081402939.dkr. ecr.eu-west-2.amazonaws.com/: sagemaker-distribution-prod tag |
| eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/resource-identifier | arn:aws:sagemaker:eu-west-3:856416204555:image/resource-identifier | 856416204555.dkr. ecr.eu-west-3.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/resource-identifier | arn:aws:sagemaker:eu-north-1:175620155138:image/resource-identifier | 175620155138.dkr. ecr.eu-north-1.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/resource-identifier | arn:aws:sagemaker:eu-south-1:810671768855:image/resource-identifier | 810671768855.dkr. ecr.eu-south-1.amazonaws.com/sagemaker-distribution-prod: tag |
| sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/resource-identifier | arn:aws:sagemaker:sa-east-1:567556641782:image/resource-identifier | 567556641782.dkr. ecr.sa-east-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-northeast-3 | arn:aws:sagemaker:ap-northeast-3:792733760839:image/resource-identifier | arn:aws:sagemaker:ap-northeast-3:564864627153:image/resource-identifier | 564864627153.dkr. ecr.ap-northeast-3.amazonaws.com/: sagemaker-distribution-prod tag |
| ap-southeast-3 | arn:aws:sagemaker:ap-southeast-3:276181064229:image/resource-identifier | arn:aws:sagemaker:ap-southeast-3:370607712162:image/resource-identifier | 370607712162.dkr. ecr.ap-southeast-3.amazonaws.com/: sagemaker-distribution-prod tag |
| me-south-1 | arn:aws:sagemaker:me-south-1:117516905037:image/resource-identifier | arn:aws:sagemaker:me-south-1:523774347010:image/resource-identifier | 523774347010.dkr. ecr.me-south-1.amazonaws.com/sagemaker-distribution-prod: tag |
| me-central-1 | arn:aws:sagemaker:me-central-1:103105715889:image/resource-identifier | arn:aws:sagemaker:me-central-1:358593528301:image/resource-identifier | 358593528301.dkr. ecr.me-central-1.amazonaws.com/: sagemaker-distribution-prod tag |
## Unterstützte URI-Tags
Die folgende Liste zeigt die Tags, die Sie in Ihre Image-URI aufnehmen können.
+ 1-cpu
+ 1-gpu
+ 0-cpu
+ 0-gpu
**Die folgenden Beispiele zeigen mit verschiedenen Tag-Formaten: URIs **
+ 542918446943.dkr. ecr.us-west-2.amazonaws.com /:1-cpu sagemaker-distribution-prod
+ 542918446943.dkr. ecr.us-west-2.amazonaws.com /:0-gpu sagemaker-distribution-prod
## Unterstützte Images
Die folgende Tabelle enthält Informationen über die SageMaker Images und die zugehörigen Kernel, die in Amazon SageMaker Studio Classic verfügbar sind. Außerdem finden Sie hier Informationen zur Ressourcen-ID und zur Python-Version, die im Image enthalten sind.
SageMaker Bilder und Kernel
| SageMaker Bild | Description | Ressourcen-ID | Kernel (und Kennung) | Python-Version |
| --- | --- | --- | --- | --- |
| Base Python 4.3 | Offizielles Python 3.11-Image von DockerHub mit Boto3 und enthalten. AWS CLI | sagemaker-base-python-v4 | Python 3 (Python3) | Python 3.11 |
| Base Python 4.2 | Offizielles Python 3.11-Image von DockerHub mit Boto3 und enthalten. AWS CLI | sagemaker-base-python-v4 | Python 3 (Python3) | Python 3.11 |
| Base Python 4.1 | Offizielles Python 3.11-Image von DockerHub mit Boto3 und enthalten. AWS CLI | sagemaker-base-python-v4 | Python 3 (Python3) | Python 3.11 |
| Base Python 4.0 | Offizielles Python 3.11-Image von DockerHub mit Boto3 und enthalten. AWS CLI | sagemaker-base-python-v4 | Python 3 (Python3) | Python 3.11 |
| Base Python 3.0 | Offizielles Python 3.10-Image von DockerHub mit Boto3 und enthalten. AWS CLI | sagemaker-base-python-310-v1 | Python 3 (Python3) | Python 3.10 |
| Data Science 5.3 | Data Science 5.3 ist ein Python 3.11 [Conda](https://docs.conda.io/projects/conda/en/latest/index.html)-Image, das auf der Ubuntu-Version jammy-20240212 basiert. Es enthält die am häufigsten verwendeten Python-Pakete und -Bibliotheken wie NumPy and SciKit Learn. | sagemaker-data-science-v5 | Python 3 (Python3) | Python 3.11 |
| Data Science 5.2 | Data Science 5.2 ist ein Python 3.11 [Conda](https://docs.conda.io/projects/conda/en/latest/index.html)-Image, das auf der Ubuntu-Version jammy-20240212 basiert. Es enthält die am häufigsten verwendeten Python-Pakete und -Bibliotheken wie NumPy and SciKit Learn. | sagemaker-data-science-v5 | Python 3 (Python3) | Python 3.11 |
| Data Science 5.1 | Data Science 5.1 ist ein Python 3.11 [Conda](https://docs.conda.io/projects/conda/en/latest/index.html)-Image, das auf der Ubuntu-Version jammy-20240212 basiert. Es enthält die am häufigsten verwendeten Python-Pakete und -Bibliotheken wie NumPy and SciKit Learn. | sagemaker-data-science-v5 | Python 3 (Python3) | Python 3.11 |
| Data Science 5.0 | Data Science 5.0 ist ein Python 3.11 [Conda](https://docs.conda.io/projects/conda/en/latest/index.html)-Image, das auf der Ubuntu-Version jammy-20240212 basiert. Es enthält die am häufigsten verwendeten Python-Pakete und -Bibliotheken wie NumPy and SciKit Learn. | sagemaker-data-science-v5 | Python 3 (Python3) | Python 3.11 |
| Data Science 4.0 | Data Science 4.0 ist ein Python 3.11 [Conda](https://docs.conda.io/projects/conda/en/latest/index.html)-Image, das auf der Ubuntu-Version 22.04 basiert. Es enthält die am häufigsten verwendeten Python-Pakete und -Bibliotheken wie NumPy and SciKit Learn. | sagemaker-data-science-311-v1 | Python 3 (Python3) | Python 3.11 |
| Data Science 3.0 | Data Science 3.0 ist ein Python 3.10 [Conda](https://docs.conda.io/projects/conda/en/latest/index.html)-Image, das auf der Ubuntu-Version 22.04 basiert. Es enthält die am häufigsten verwendeten Python-Pakete und -Bibliotheken wie NumPy and SciKit Learn. | sagemaker-data-science-310-v1 | Python 3 (Python3) | Python 3.10 |
| Geospatial 1.0 | Amazon SageMaker Geospatial ist ein Python-Image, das aus häufig verwendeten Geodatenbibliotheken wie GDAL, Fiona GeoPandas, Shapley und Rasterio besteht. Es ermöglicht Ihnen, Geodaten innerhalb von KI zu visualisieren. SageMaker Weitere Informationen finden Sie unter [Amazon SageMaker Geospatial Notebook SDK](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-notebook-sdk.html) | Sagemaker-Geospatial-1.0 | Python 3 (Python3) | Python 3.10 |
| SparkAnalytics 4.3 | Das SparkAnalytics 4.3-Image bietet Spark- und PySpark Kernel-Optionen für Amazon SageMaker Studio Classic, einschließlich SparkMagic Spark SparkMagic PySpark, Glue, Spark und Glue PySpark, die eine flexible verteilte Datenverarbeitung ermöglichen. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.2 | Das SparkAnalytics 4.2-Image bietet Spark- und PySpark Kernel-Optionen für Amazon SageMaker Studio Classic, einschließlich SparkMagic Spark SparkMagic PySpark, Glue, Spark und Glue PySpark, die eine flexible verteilte Datenverarbeitung ermöglichen. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.1 | Das SparkAnalytics 4.1-Image bietet Spark- und PySpark Kernel-Optionen für Amazon SageMaker Studio Classic, einschließlich SparkMagic Spark SparkMagic PySpark, Glue, Spark und Glue PySpark, die eine flexible verteilte Datenverarbeitung ermöglichen. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.0 | Das SparkAnalytics 4.0-Image bietet Spark- und PySpark Kernel-Optionen auf Amazon SageMaker Studio Classic, einschließlich SparkMagic Spark SparkMagic PySpark, Glue, Spark und Glue PySpark, die eine flexible verteilte Datenverarbeitung ermöglichen. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 3.0 | Das SparkAnalytics 3.0-Image bietet Spark- und PySpark Kernel-Optionen für Amazon SageMaker Studio Classic, einschließlich SparkMagic Spark, Glue SparkMagic PySpark, Spark und Glue PySpark, und ermöglicht so eine flexible verteilte Datenverarbeitung. | Sagemaker-SparkAnalytics-311-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 2.0 | Anaconda Individual Edition mit PySpark und Spark-Kerneln. Weitere Informationen finden Sie unter [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkanalytics-310-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.10 |
| PyTorch 2.4.0 Python 3.11 CPU-optimiert | Die AWS Deep Learning Containers für PyTorch 2.4.0 mit CUDA 12.4 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.4.0-cpu-py311 | Python 3 (Python3) | Python 3.11 |
| PyTorch 2.4.0 Python 3.11 GPU-optimiert | Die AWS Deep Learning Containers für PyTorch 2.4.0 mit CUDA 12.4 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.4.0-gpu-py311 | Python 3 (Python3) | Python 3.11 |
| PyTorch 2.3.0 Python 3.11 CPU-optimiert | Die AWS Deep Learning Containers für PyTorch 2.3.0 mit CUDA 12.1 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.3.0-cpu-py311 | Python 3 (Python3) | Python 3.11 |
| PyTorch 2.3.0 Python 3.11 GPU-optimiert | Die AWS Deep Learning Containers für PyTorch 2.3.0 mit CUDA 12.1 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.3.0-gpu-py311 | Python 3 (Python3) | Python 3.11 |
| PyTorch 2.2.0 Python 3.10 CPU-optimiert | Die AWS Deep Learning Containers für PyTorch 2.2 mit CUDA 12.1 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.2.0-cpu-py310 | Python 3 (Python3) | Python 3.10 |
| PyTorch 2.2.0 Python 3.10 GPU-optimiert | Die AWS Deep Learning Containers für PyTorch 2.2 mit CUDA 12.1 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.2.0-gpu-py310 | Python 3 (Python3) | Python 3.10 |
| PyTorch 2.1.0 Python 3.10 CPU-optimiert | Die AWS Deep Learning Containers für PyTorch 2.1 mit CUDA 12.1 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.1.0-cpu-py310 | Python 3 (Python3) | Python 3.10 |
| PyTorch 2.1.0 Python 3.10 GPU-optimiert | Die AWS Deep Learning Containers für PyTorch 2.1 mit CUDA 12.1 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.1.0-gpu-py310 | Python 3 (Python3) | Python 3.10 |
| PyTorch 1.13 HuggingFace Python 3.10 Neuron Optimiert | PyTorch 1.13 Image mit installierten Neuron-Paketen für das Training auf Trainium-Instanzen, die für Leistung HuggingFace und Skalierung optimiert sind. AWS | hf-neuron-pypytorch-1.13-310 | Python 3 (Python3) | Python 3.10 |
| PyTorch 1.13 Python 3.10 Neuron Optimiert | PyTorch 1.13-Image mit installierten Neuron-Paketen für das Training auf Trainium-Instanzen, die für Leistung und Skalierung optimiert sind. AWS | pytorch-1.13-neuron-py310 | Python 3 (Python3) | Python 3.10 |
| TensorFlow 2.14.0 Python 3.10 CPU-optimiert | Die AWS Deep Learning Containers für TensorFlow 2.14 mit CUDA 11.8 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.14.1-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3 (Python3) | Python 3.10 |
| TensorFlow 2.14.0 Python 3.10 GPU-optimiert | Die AWS Deep Learning Containers für TensorFlow 2.14 mit CUDA 11.8 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.14.1-gpu-py310-cu118-ubuntu20.04-sagemaker-v1.0 | Python 3 (Python3) | Python 3.10 |
## Images, die zur Vernachlässigung vorgesehen sind
SageMaker KI beendet die Unterstützung für Bilder am Tag, nachdem eines der Pakete im Image vom Herausgeber das Ende der Nutzungsdauer erreicht hat. Die folgenden SageMaker Bilder werden voraussichtlich nicht mehr unterstützt.
Bilder, die auf Python 3.8 basieren, [end-of-life](https://endoflife.date/python)wurden am 31. Oktober 2024 erreicht. Ab dem 1. November 2024 wird SageMaker KI die Unterstützung für diese Bilder einstellen und sie werden nicht mehr in der Studio Classic-Benutzeroberfläche auswählbar sein. Wenn Sie eines dieser Images verwenden, empfehlen wir Ihnen, zu einem Image mit einer neueren Version zu wechseln, um Verstöße gegen die Vorschriften zu vermeiden.
SageMaker Bilder, die als veraltet gelten sollen
| SageMaker Bild | Datum der Veraltung | Description | Ressourcen-ID | Kernel | Python-Version |
| --- | --- | --- | --- | --- | --- |
| SageMaker Verteilung v0.12 CPU | 1. November 2024 | SageMaker Distribution v0 CPU ist ein Python 3.8-Image, das beliebte Frameworks für Machine Learning, Datenwissenschaft und Visualisierung auf der CPU enthält. Dazu gehören Deep-Learning-Frameworks wie Keras PyTorch, TensorFlow beliebte Python-Pakete wie numpy, scikit-learn und pandas sowie Jupyter Lab. IDEs Weitere Informationen finden Sie im [Amazon SageMaker AI Distribution-Repo](https://github.com/aws/sagemaker-distribution). | sagemaker-distribution-cpu-v0 | Python 3 (Python3) | Python 3.8 |
| SageMaker Distribution v0.12 GPU | 1. November 2024 | SageMaker Distribution v0 GPU ist ein Python 3.8-Image, das beliebte Frameworks für Machine Learning, Datenwissenschaft und Visualisierung auf GPU enthält. Dazu gehören Deep-Learning-Frameworks wie Keras PyTorch, TensorFlow beliebte Python-Pakete wie numpy, scikit-learn und pandas sowie Jupyter Lab. IDEs Weitere Informationen finden Sie im [Amazon SageMaker AI Distribution-Repo](https://github.com/aws/sagemaker-distribution). | sagemaker-distribution-gpu-v0 | Python 3 (Python3) | Python 3.8 |
| Base Python 2.0 | 1. November 2024 | Offizielles Python 3.8-Image von DockerHub mit boto3 und AWS CLI enthalten. | sagemaker-base-python-38 | Python 3 (Python3) | Python 3.8 |
| Datenwissenschaft 2.0 | 1. November 2024 | Data Science 2.0 ist ein Python 3.8 [Conda](https://docs.conda.io/projects/conda/en/latest/index.html)-Image basierend auf Ubuntu Version 22.04. Es enthält die am häufigsten verwendeten Python-Pakete und -Bibliotheken wie NumPy and SciKit Learn. | sagemaker-data-science-38 | Python 3 (Python3) | Python 3.8 |
| PyTorch 1.13 Python 3.9 CPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für PyTorch 1.13 mit CUDA 11.3 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-1.13-cpu-py39 | Python 3 (Python3) | Python 3.9 |
| PyTorch 1.13 Python 3.9 GPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für PyTorch 1.13 mit CUDA 11.7 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-1.13-gpu-py39 | Python 3 (Python3) | Python 3.9 |
| PyTorch 1.12 Python 3.8 CPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für PyTorch 1.12 mit CUDA 11.3 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie unter [AWS Deep Learning Containers for PyTorch 1.12.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-12-0-on-sagemaker/). | pytorch-1.12-cpu-py38 | Python 3 (Python3) | Python 3.8 |
| PyTorch 1.12 Python 3.8 GPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für PyTorch 1.12 mit CUDA 11.3 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie unter [AWS Deep Learning Containers for PyTorch 1.12.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-12-0-on-sagemaker/). | pytorch-1.12-gpu-py38 | Python 3 (Python3) | Python 3.8 |
| PyTorch 1.10 Python 3.8 CPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für PyTorch 1.10 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie unter [AWS Deep Learning Containers for PyTorch 1.10.2 auf SageMaker KI](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-10-2-on-sagemaker/). | pytorch-1.10-cpu-py38 | Python 3 (Python3) | Python 3.8 |
| PyTorch 1.10 Python 3.8 GPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für PyTorch 1.10 mit CUDA 11.3 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie unter [AWS Deep Learning Containers for PyTorch 1.10.2 auf SageMaker KI](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-10-2-on-sagemaker/). | pytorch-1.10-gpu-py38 | Python 3 (Python3) | Python 3.8 |
| SparkAnalytics 1.0 | 1. November 2024 | Anaconda Individual Edition mit PySpark und Spark-Kerneln. Weitere Informationen finden Sie unter [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkanalytics-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.8 |
| TensorFlow 2.13.0 Python 3.10 CPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für TensorFlow 2.13 mit CUDA 11.8 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.13.0-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3 (Python3) | Python 3.10 |
| TensorFlow 2.13.0 Python 3.10 GPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für TensorFlow 2.13 mit CUDA 11.8 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.13.0-gpu-py310-cu118-ubuntu20.04-sagemaker-v1.0 | Python 3 (Python3) | Python 3.10 |
| TensorFlow 2.6 Python 3.8 CPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für TensorFlow 2.6 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind AWS. Weitere Informationen finden Sie unter [AWS Deep Learning Containers for TensorFlow 2.6](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-6/). | tensorflow-2.6-cpu-py38-ubuntu20.04-v1 | Python 3 (Python3) | Python 3.8 |
| TensorFlow 2.6 Python 3.8 GPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für TensorFlow 2.6 mit CUDA 11.2 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie unter [AWS Deep Learning Containers for TensorFlow 2.6](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-6/). | tensorflow-2.6-gpu-py38-cu112-ubuntu20.04-v1 | Python 3 (Python3) | Python 3.8 |
| PyTorch 2.0.1 Python 3.10 CPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für PyTorch 2.0.1 mit CUDA 12.1 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.1-cpu-py310 | Python 3 (Python3) | Python 3.10 |
| PyTorch 2.0.1 Python 3.10 GPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für PyTorch 2.0.1 mit CUDA 12.1 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.1-gpu-py310 | Python 3 (Python3) | Python 3.10 |
| PyTorch 2.0.0 Python 3.10 CPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für PyTorch 2.0.0 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.0-cpu-py310 | Python 3 (Python3) | Python 3.10 |
| PyTorch 2.0.0 Python 3.10 GPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für PyTorch 2.0.0 mit CUDA 11.8 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.0-gpu-py310 | Python 3 (Python3) | Python 3.10 |
| TensorFlow 2.12.0 Python 3.10 CPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für TensorFlow 2.12.0 mit CUDA 11.2 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.12.0-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3 (Python3) | Python 3.10 |
| TensorFlow 2.12.0 Python 3.10 GPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für TensorFlow 2.12.0 mit CUDA 11.8 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.12.0-gpu-py310-cu118-ubuntu20.04-sagemaker-v1 | Python 3 (Python3) | Python 3.10 |
| TensorFlow 2.11.0 Python 3.9 CPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für TensorFlow 2.11.0 mit CUDA 11.2 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.11.0-cpu-py39-ubuntu20.04-sagemaker-v1.1 | Python 3 (Python3) | Python 3.9 |
| TensorFlow 2.11.0 Python 3.9 GPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für TensorFlow 2.11.0 mit CUDA 11.2 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.11.0-gpu-py39-cu112-ubuntu20.04-sagemaker-v1.1 | Python 3 (Python3) | Python 3.9 |
| TensorFlow 2.10 Python 3.9 CPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für TensorFlow 2.10 mit CUDA 11.2 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.10.1-cpu-py39-ubuntu20.04-sagemaker-v1.2 | Python 3 (Python3) | Python 3.9 |
| TensorFlow 2.10 Python 3.9 GPU-optimiert | 1. November 2024 | Die AWS Deep Learning Containers für TensorFlow 2.10 mit CUDA 11.2 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie in den [Versionshinweisen für Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.10.1-gpu-py39-ubuntu20.04-sagemaker-v1.2 | Python 3 (Python3) | Python 3.9 |
## Veraltete Images
SageMaker AI hat die Unterstützung für die folgenden Bilder eingestellt. Die Abkündigung erfolgt am Tag, nachdem eines der Pakete im Image das Ende seiner Lebensdauer durch den Publisher erreicht hat.
SageMaker Bilder, die als veraltet gelten
| SageMaker Bild | Datum der Veraltung | Description | Ressourcen-ID | Kernel | Python-Version |
| --- | --- | --- | --- | --- | --- |
| Datenwissenschaft | 30. Oktober 2023 | Data Science ist ein Python [3.7-Conda-Image](https://docs.conda.io/projects/conda/en/latest/index.html) mit den am häufigsten verwendeten Python-Paketen und -Bibliotheken wie NumPy and SciKit Learn. | Datenwissenschaft-1.0 | Python 3 | Python 3.7 |
| SageMaker JumpStart Datenwissenschaft 1.0 | 30. Oktober 2023 | SageMaker JumpStart Data Science 1.0 ist ein JumpStart Image, das häufig verwendete Pakete und Bibliotheken enthält. | sagemaker-jumpstart-data-science-1.0 | Python 3 | Python 3.7 |
| SageMaker JumpStart MXNet 1,0 | 30. Oktober 2023 | SageMaker JumpStart MXNet 1.0 ist ein JumpStart Bild, das beinhaltet MXNet. | sagemaker-jumpstart-mxnet-1.0 | Python 3 | Python 3.7 |
| SageMaker JumpStart PyTorch 1,0 | 30. Oktober 2023 | SageMaker JumpStart PyTorch 1.0 ist ein JumpStart Bild, das beinhaltet PyTorch. | sagemaker-jumpstart-pytorch-1.0 | Python 3 | Python 3.7 |
| SageMaker JumpStart TensorFlow 1,0 | 30. Oktober 2023 | SageMaker JumpStart TensorFlow 1.0 ist ein JumpStart Bild, das beinhaltet TensorFlow. | sagemaker-jumpstart-tensorflow-1.0 | Python 3 | Python 3.7 |
| SparkMagic | 30. Oktober 2023 | Anaconda Individual Edition mit PySpark und Spark-Kerneln. Weitere Informationen finden Sie unter [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | Sagemaker-Sparkmagic | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.7 |
| TensorFlow 2.3 Python 3.7 CPU-optimiert | 30. Oktober 2023 | Die AWS Deep Learning Containers für TensorFlow 2.3 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind AWS. Weitere Informationen finden Sie unter [AWS Deep Learning Containers with TensorFlow 2.3.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-with-tensorflow-2-3-0/). | tensorflow-2.3-cpu-py37-ubuntu18.04-v1 | Python 3 | Python 3.7 |
| TensorFlow 2.3 Python 3.7 GPU-optimiert | 30. Oktober 2023 | Die AWS Deep Learning Containers für TensorFlow 2.3 mit CUDA 11.0 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie unter [AWS Deep Learning Containers für TensorFlow 2.3.1 mit CUDA](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-3-1-with-cuda-11-0/) 11.0. | tensorflow-2.3-gpu-py37-cu110-ubuntu18.04-v3 | Python 3 | Python 3.7 |
| TensorFlow 1.15 Python 3.7 CPU-optimiert | 30. Oktober 2023 | Die AWS Deep Learning Containers für TensorFlow 1.15 enthalten Container für CPU-Trainings, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie unter [AWS Deep Learning Containers v7.0 für TensorFlow](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-v7-0-for-tensorflow/). | tensorflow-1.15-cpu-py37-ubuntu18.04-v7 | Python 3 | Python 3.7 |
| TensorFlow 1.15 Python 3.7 GPU-optimiert | 30. Oktober 2023 | Die AWS Deep Learning Containers für TensorFlow 1.15 mit CUDA 11.0 enthalten Container für das Training auf der GPU, die für Leistung und Skalierung optimiert sind. AWS Weitere Informationen finden Sie unter [AWS Deep Learning Containers v7.0 für TensorFlow](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-v7-0-for-tensorflow/). | tensorflow-1.15-gpu-py37-cu110-ubuntu18.04-v8 | Python 3 | Python 3.7 |
# Amazon SageMaker Studio Classic anpassen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Es gibt vier Optionen zum Anpassen Ihrer Amazon SageMaker Studio Classic-Umgebung. Sie bringen Ihr eigenes SageMaker Image mit, verwenden ein Lifecycle-Konfigurationsskript, hängen vorgeschlagene Git-Repos an Studio Classic an oder erstellen Kernel mithilfe persistenter Conda-Umgebungen in Amazon EFS. Verwenden Sie jede Option einzeln oder zusammen.
+ **Bringen Sie Ihr eigenes SageMaker Bild mit:** Ein SageMaker Bild ist eine Datei, die die Kernel, Sprachpakete und andere Abhängigkeiten identifiziert, die für die Ausführung eines Jupyter-Notebooks in Amazon Studio Classic erforderlich sind. SageMaker Amazon SageMaker AI bietet viele integrierte Bilder, die Sie verwenden können. Wenn Sie andere Funktionen benötigen, können Sie Ihre eigenen benutzerdefinierten Images in Studio Classic verwenden.
+ **Verwenden Sie Lebenszykluskonfigurationen mit Amazon SageMaker Studio Classic:** Lebenszykluskonfigurationen sind Shell-Skripts, die durch Lebenszyklusereignisse von Amazon SageMaker Studio Classic ausgelöst werden, z. B. durch das Starten eines neuen Studio Classic-Notebooks. Sie können Lebenszykluskonfigurationen verwenden, um die Anpassung für Ihre Umgebung von Studio Classic zu automatisieren. Sie können beispielsweise benutzerdefinierte Pakete installieren, Notebook-Erweiterungen konfigurieren, Datensätze vorab laden und Quellcode-Repositorys einrichten.
+ **Vorgeschlagene Git-Repos an Studio Classic anhängen:** Sie können das vorgeschlagene Git-Repository URLs auf Amazon SageMaker AI-Domain- oder Benutzerprofilebene anhängen. Anschließend können Sie die Repo-URL aus der Liste der Vorschläge auswählen und sie mithilfe der Git-Erweiterung in Studio Classic in Ihre Umgebung klonen.
+ **Conda-Umgebungen auf dem Volume von Studio Classic Amazon EFS beibehalten:** Studio verwendet ein Amazon-EFS-Volume als persistente Speicherebene. Sie können Ihre Conda-Umgebung auf diesem Amazon EFS-Volume speichern und dann die gespeicherte Umgebung verwenden, um Kernel zu erstellen. Studio Classic übernimmt automatisch alle gültigen Umgebungen, die in Amazon EFS als KernelGateway Kernel gespeichert sind. Diese Kernel bleiben auch nach einem Neustart von Kernel, App und Studio Classic bestehen. Weitere Informationen finden Sie im Abschnitt **Conda-Umgebungen auf dem Studio Classic EFS-Volume beibehalten** unter [Vier Ansätze zur Verwaltung von Python-Paketen in Amazon SageMaker Studio Classic-Notebooks](https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/).
Die folgenden Themen zeigen, wie Sie diese drei Optionen verwenden können, um Ihre Amazon SageMaker Studio Classic-Umgebung anzupassen.
**Topics**
+ [Benutzerdefinierte Bilder in Amazon SageMaker Studio Classic](studio-byoi.md)
+ [Verwenden Sie Lebenszykluskonfigurationen, um Amazon SageMaker Studio Classic anzupassen](studio-lcc.md)
+ [Vorgeschlagene Git-Repos an Amazon SageMaker Studio Classic anhängen](studio-git-attach.md)
# Benutzerdefinierte Bilder in Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Ein SageMaker Bild ist eine Datei, die die Kernel, Sprachpakete und andere Abhängigkeiten identifiziert, die für die Ausführung eines Jupyter-Notebooks in Amazon Studio Classic erforderlich sind. SageMaker Diese Images werden verwendet, um eine Umgebung zu erstellen, in der Sie dann Jupyter Notebooks ausführen. Amazon SageMaker AI bietet viele integrierte Bilder, die Sie verwenden können. Eine Liste der integrierten Images finden Sie unter [SageMaker Amazon-Bilder sind für die Verwendung mit Studio Classic-Notebooks verfügbar](notebooks-available-images.md).
Wenn Sie andere Funktionen benötigen, können Sie Ihre eigenen benutzerdefinierten Images in Studio Classic verwenden. Sie können Bilder und Image-Versionen erstellen und Image-Versionen an Ihre Domain oder Ihren gemeinsamen Bereich anhängen, indem Sie das SageMaker AI-Kontrollpanel [AWS SDK für Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html), das und das [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/) verwenden. Sie können mit der SageMaker KI-Konsole auch Bilder und Bildversionen erstellen, auch wenn Sie noch nicht Mitglied einer SageMaker AI-Domain sind. SageMaker AI stellt Dockerfiles-Beispieldateien zur Verfügung, die Sie als Ausgangspunkt für Ihre benutzerdefinierten SageMaker Bilder im [SageMaker Studio Classic-Repository für benutzerdefinierte](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/) Bilder verwenden können.
In den folgenden Themen wird erklärt, wie Sie mithilfe der SageMaker AI-Konsole Ihr eigenes Bild hinzufügen oder AWS CLI das Image anschließend in Studio Classic starten können. Einen ähnlichen Blogartikel finden Sie unter [Bring your own R environment to Amazon SageMaker Studio Classic](https://aws.amazon.com/blogs/machine-learning/bringing-your-own-r-environment-to-amazon-sagemaker-studio/). Notizbücher, in denen gezeigt wird, wie Sie Ihr eigenes Bild für Schulungen und Inferenzen mitbringen, finden Sie unter [Amazon SageMaker Studio Classic Container Build CLI](https://github.com/aws/amazon-sagemaker-examples/tree/main/aws_sagemaker_studio/sagemaker_studio_image_build).
## Wichtige Begriffe
Im folgenden Abschnitt werden die wichtigsten Begriffe für die Verwendung Ihres eigenen Images mit Studio Classic definiert.
+ **Dockerfile:** Ein Dockerfile ist eine Datei, die die Sprachpakete und andere Abhängigkeiten für Ihr Docker-Image identifiziert.
+ **Docker-Image**: Das Docker-Image ist ein gebautes Dockerfile. Dieses Bild wird in Amazon ECR eingecheckt und dient als Grundlage für das SageMaker KI-Bild.
+ **SageMaker Bild:** Ein SageMaker Bild ist ein Halter für eine Reihe von SageMaker AI-Image-Versionen, die auf Docker-Images basieren. Jede Image-Version ist unveränderlich.
+ **Image-Version:** Eine Image-Version eines SageMaker Images stellt ein Docker-Image dar und wird in einem Amazon ECR-Repository gespeichert. Jede Image-Version ist unveränderlich. Diese Image-Versionen können an eine Domain oder einen gemeinsam genutzten Bereich angehängt und mit Studio Classic verwendet werden.
**Topics**
+ [Wichtige Begriffe](#studio-byoi-basics)
+ [Benutzerdefinierte SageMaker Bildspezifikationen für Amazon SageMaker Studio Classic](studio-byoi-specs.md)
+ [Voraussetzungen für benutzerdefinierte Images in Amazon SageMaker Studio Classic](studio-byoi-prereq.md)
+ [Fügen Sie ein mit Amazon SageMaker Studio Classic kompatibles Docker-Image zu Amazon ECR hinzu](studio-byoi-sdk-add-container-image.md)
+ [Erstellen Sie ein benutzerdefiniertes SageMaker Image für Amazon SageMaker Studio Classic](studio-byoi-create.md)
+ [Ein benutzerdefiniertes SageMaker Bild in Amazon SageMaker Studio Classic anhängen](studio-byoi-attach.md)
+ [Starten Sie ein benutzerdefiniertes SageMaker Image in Amazon SageMaker Studio Classic](studio-byoi-launch.md)
+ [Ressourcen für benutzerdefinierte Bilder in Amazon SageMaker Studio Classic bereinigen](studio-byoi-cleanup.md)
# Benutzerdefinierte SageMaker Bildspezifikationen für Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Die folgenden Spezifikationen gelten für das Container-Image, das durch eine SageMaker AI-Image-Version dargestellt wird.
**Das Image wird ausgeführt**
`ENTRYPOINT`und `CMD` Anweisungen werden außer Kraft gesetzt, damit das Image als App ausgeführt werden kann. KernelGateway
Port 8888 im Image ist für den Betrieb des KernelGateway Webservers reserviert.
**Stoppen des Images**
Die `DeleteApp`-API gibt das Äquivalent zu einem `docker stop`-Befehl aus. Andere Prozesse im Container erhalten die SIGKILL/SIGTERM Signale nicht.
**Kernel-Erkennung**
SageMaker [KI erkennt Kernel so, wie sie in den Jupyter-Kernelspezifikationen definiert sind.](https://jupyter-client.readthedocs.io/en/latest/kernels.html#kernelspecs)
Sie können eine Liste von Kerneln angeben, die angezeigt werden sollen, bevor das Image ausgeführt wird. Wenn nicht angegeben, wird Python3 angezeigt. Verwenden Sie die [DescribeAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAppImageConfig.html)API, um die Liste der Kernel anzuzeigen.
Conda-Umgebungen werden standardmäßig als Kernel-Spezifikationen erkannt.
**Dateisystem**
Die Verzeichnisse `/opt/.sagemakerinternal` und `/opt/ml` sind reserviert. Alle Daten in diesen Verzeichnissen sind zur Laufzeit möglicherweise nicht sichtbar.
**Benutzerdaten**
Jeder Benutzer in einer Domain erhält ein Benutzerverzeichnis auf einem gemeinsam genutzten Amazon Elastic File System-Volume im Image. Der Speicherort des aktuellen Benutzerverzeichnisses auf dem Amazon EFS-Volume ist konfigurierbar. Standardmäßig ist der Speicherort des Verzeichnisses `/home/sagemaker-user`.
SageMaker AI konfiguriert UID/GID POSIX-Zuordnungen zwischen dem Image und dem Host. Standardmäßig werden die des Root-Benutzers UID/GID (0/0) dem auf dem Host zugeordnet. UID/GID
Sie können diese Werte mithilfe der [CreateAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html)API angeben.
**GID/UID-Grenzwerte**
Amazon SageMaker Studio Classic unterstützt nur die folgenden `DefaultUID` und `DefaultGID` Kombinationen:
+ defaultUID: 1000 und defaultGID: 100, was einem Benutzer ohne Privilegien entspricht.
+ defaultUID: 0 und defaultGID: 0, was dem Root-Zugriff entspricht.
**Metadaten**
Eine Metadatendatei befindet sich unter. `/opt/ml/metadata/resource-metadata.json` Den im Image definierten Variablen werden keine zusätzlichen Umgebungsvariablen hinzugefügt. Weitere Informationen finden Sie unter [Abrufen von App-Metadaten](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app).
**GPU**
Auf einer GPU-Instance wird das Image mit der `--gpus` Option ausgeführt. Nur das CUDA-Toolkit sollte im Image enthalten sein, nicht die NVIDIA-Treiber. Weitere Informationen finden Sie im [NVIDIA Benutzerhandbuch](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/user-guide.html).
**Metriken und Protokollierung**
Protokolle des KernelGateway Prozesses werden CloudWatch im Kundenkonto an Amazon gesendet. Der Name der Protokollgruppe ist `/aws/sagemaker/studio`. Der Name des Protokollstream ist `$domainID/$userProfileName/KernelGateway/$appName`.
**Größe des Images**
Limitiert auf 35 GB. Führen Sie den Befehl aus, um die Größe Ihres Images anzuzeigen`docker image ls`.
## Beispiel-Dockerfile
Die folgende Beispiel-Dockerfile erstellt ein Image, das auf Amazon Linux 2 basiert, installiert Pakete von Drittanbietern und den `python3` Kernel und legt den Bereich auf den Benutzer ohne Zugriffsrechte fest.
```
FROM public.ecr.aws/amazonlinux/amazonlinux:2
ARG NB_USER="sagemaker-user"
ARG NB_UID="1000"
ARG NB_GID="100"
RUN \
yum install --assumeyes python3 shadow-utils && \
useradd --create-home --shell /bin/bash --gid "${NB_GID}" --uid ${NB_UID} ${NB_USER} && \
yum clean all && \
jupyter-activity-monitor-extension \
python3 -m pip install ipykernel && \
python3 -m ipykernel install
USER ${NB_UID}
```
# Voraussetzungen für benutzerdefinierte Images in Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie müssen die folgenden Voraussetzungen erfüllen, um Ihren eigenen Container zur Verwendung mit Amazon SageMaker Studio Classic mitbringen zu können.
+ Die Docker-Anwendung. Informationen zum Einrichten von Docker finden Sie unter [Orientierung und Einrichtung](https://docs.docker.com/get-started/).
+ Installieren Sie den, AWS CLI indem Sie den Schritten unter [Erste Schritte mit dem](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html) folgen AWS CLI.
+ Eine lokale Kopie einer beliebigen Dockerfile zum Erstellen eines mit Studio Classic kompatiblen Images. Beispiele für benutzerdefinierte Bilder finden Sie im [SageMaker AI Studio Classic-Repository mit Beispielen für benutzerdefinierte Bilder](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/).
+ Berechtigungen für den Zugriff auf den Service Amazon Elastic Container Registry (Amazon ECR). Weitere Informationen finden Sie unter [Amazon ECR-verwaltete Richtlinien](https://docs.aws.amazon.com/AmazonECR/latest/userguide/ecr_managed_policies.html).
+ Eine AWS Identity and Access Management Ausführungsrolle, der die [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)Richtlinie angehängt ist. Wenn Sie sich für die Amazon SageMaker AI-Domain angemeldet haben, können Sie die Rolle im Bereich **Domain-Zusammenfassung** des SageMaker AI-Kontrollpanels abrufen.
+ Installieren Sie die Studio Classic-Image-Build-CLI, indem Sie den Schritten unter [SageMaker Docker Build](https://github.com/aws-samples/sagemaker-studio-image-build-cli) folgen. Mit dieser CLI können Sie ein Dockerfile erstellen mit. AWS CodeBuild
# Fügen Sie ein mit Amazon SageMaker Studio Classic kompatibles Docker-Image zu Amazon ECR hinzu
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie führen die folgenden Schritte aus, um ein Container-Image zu Amazon ECR hinzuzufügen:
+ Erstellen Sie ein Amazon-ECR-Repository.
+ Authentifizieren bei Amazon ECR.
+ Erstellen Sie ein Docker-Image, das mit Studio Classic kompatibel ist.
+ Übertragen Sie das Image in das Amazon-ECR-Repository.
**Anmerkung**
Das Amazon ECR-Repository muss sich im selben Verzeichnis AWS-Region wie Studio Classic befinden.
**Um ein Container-Image zu erstellen und zu Amazon ECR hinzuzufügen**
1. Erstellen Sie ein Amazon ECR-Repository unter Verwendung des AWS CLI. Informationen zum Erstellen des Repositorys mithilfe der Amazon ECR-Konsole finden Sie unter [Erstellen eines Repositorys](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--repository-name smstudio-custom \
--image-scanning-configuration scanOnPush=true
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
{
"repository": {
"repositoryArn": "arn:aws:ecr:us-east-2:acct-id:repository/smstudio-custom",
"registryId": "acct-id",
"repositoryName": "smstudio-custom",
"repositoryUri": "acct-id.dkr.ecr.us-east-2.amazonaws.com/smstudio-custom",
...
}
}
```
1. Erstellen Sie das `Dockerfile` mit der Image-Build-CLI von Studio Classic. Der Punkt (.) gibt an, dass sich das Dockerfile im Kontext des Build-Befehls befinden sollte. Dieser Befehl erstellt das Image und lädt das erstellte Image in das ECR-Repo hoch. Anschließend wird der Image-URI ausgegeben.
```
sm-docker build . --repository smstudio-custom:custom
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
Image URI: .dkr.ecr..amazonaws.com/
```
# Erstellen Sie ein benutzerdefiniertes SageMaker Image für Amazon SageMaker Studio Classic
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
In diesem Thema wird beschrieben, wie Sie mit der SageMaker AI-Konsole oder ein benutzerdefiniertes SageMaker Image erstellen können AWS CLI.
Wenn Sie ein Image von der Konsole aus erstellen, erstellt SageMaker AI auch eine erste Image-Version. Die Image-Version repräsentiert ein Container-Image in [Amazon Elastic Container Registry (ECR)](https://console.aws.amazon.com/ecr/). Das Container-Image muss die Anforderungen erfüllen, um in Amazon SageMaker Studio Classic verwendet werden zu können. Weitere Informationen finden Sie unter [Benutzerdefinierte SageMaker Bildspezifikationen für Amazon SageMaker Studio Classic](studio-byoi-specs.md). Informationen zum lokalen Testen Ihres Images und zum Beheben häufig auftretender Probleme finden Sie im [SageMaker Studio Classic-Repo mit benutzerdefinierten Imagebeispielen](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md).
Nachdem Sie Ihr benutzerdefiniertes SageMaker Image erstellt haben, müssen Sie es an Ihre Domain oder Ihren gemeinsam genutzten Bereich anhängen, um es mit Studio Classic verwenden zu können. Weitere Informationen finden Sie unter [Ein benutzerdefiniertes SageMaker Bild in Amazon SageMaker Studio Classic anhängen](studio-byoi-attach.md).
## Erstellen Sie ein SageMaker Image von der Konsole aus
Im folgenden Abschnitt wird gezeigt, wie Sie ein benutzerdefiniertes SageMaker Image von der SageMaker AI-Konsole aus erstellen.
**So erstellen Sie ein Image**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** die Option **Images**.
1. Wählen Sie auf der Seite **Benutzerdefinierte Images** die Option **Image erstellen** aus.
1. Geben Sie als **Image-Quelle** den Registry-Pfad zum Container-Image in Amazon ECR ein. Der Pfad hat das folgende Format:
` acct-id.dkr.ecr.region.amazonaws.com/repo-name[:tag] or [@digest] `
1. Wählen Sie **Next**.
1. Geben Sie unter **Image-Eigenschaften** Folgendes ein:
+ Image-Name – Der Name muss für Ihr Konto in der aktuellen AWS-Region eindeutig sein.
+ (Optional) Anzeigename – der Name, der auf der Studio-Classic-Benutzeroberfläche angezeigt wird. Wenn nicht angegeben, wird `Image name` angezeigt.
+ (Optional) Beschreibung – Eine Beschreibung des Images.
+ IAM-Rolle — Der Rolle muss die [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)Richtlinie angehängt sein. Verwenden Sie das Dropdown-Menü, um eine der folgenden Optionen zu wählen:
+ Eine neue Rolle erstellen – Geben Sie alle zusätzlichen Amazon Simple Storage Service (Amazon S3)-Buckets an, auf die die Benutzer Ihrer Notebooks zugreifen können sollen. Wenn Sie den Zugriff auf zusätzliche Bereiche nicht zulassen möchten, wählen Sie **Keine**.
SageMaker KI ordnet die `AmazonSageMakerFullAccess` Richtlinie der Rolle zu. Die Rolle ermöglicht Benutzern Ihrer Notebooks den Zugriff auf die S3-Buckets, die neben den Häkchen aufgeführt sind.
+ Geben Sie einen benutzerdefinierten IAM-Rollen-ARN ein – Geben Sie den Amazon-Ressourcennamen (ARN) Ihrer IAM-Rolle ein.
+ Bestehende Rolle verwenden – Wählen Sie eine Ihrer vorhandenen Rollen aus der Liste aus.
+ (Optional) Image-Tags – Wählen Sie **Neues Tag hinzufügen**. Sie können bis zu 50 Tags hinzufügen. Tags können über die Studio Classic-Benutzeroberfläche, die SageMaker AI-Konsole oder die SageMaker `Search` KI-API durchsucht werden.
1. Wählen Sie **Absenden** aus.
Das neue Image wird in der Liste **Benutzerdefinierte Images** angezeigt und kurz hervorgehoben. Nachdem das Image erfolgreich erstellt wurde, können Sie den Namen des Images wählen, um seine Eigenschaften anzuzeigen, oder **Version erstellen** wählen, um eine weitere Version zu erstellen.
**Um eine weitere Image-Version zu erstellen**
1. Wählen Sie **Version erstellen** in derselben Zeile wie das Image aus.
1. Geben Sie als **Image-Quelle** den Registry-Pfad zum Amazon ECR-Container-Image ein. Das Container-Image sollte nicht dasselbe Bild sein, das in einer früheren Version des SageMaker Images verwendet wurde.
## Erstellen Sie ein SageMaker Bild aus dem AWS CLI
Sie führen die folgenden Schritte aus, um mit dem SageMaker Container-Image ein Image zu erstellen AWS CLI.
+ Erstellen einer `Image` VPC
+ Erstellen einer `ImageVersion` VPC
+ Erstellen einer Konfigurationsdatei
+ Erstellen einer `AppImageConfig`.
**Um die SageMaker Image-Entitäten zu erstellen**
1. Erstellen Sie ein SageMaker Bild.
```
aws sagemaker create-image \
--image-name custom-image \
--role-arn arn:aws:iam:::role/service-role/
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
{
"ImageArn": "arn:aws:sagemaker:us-east-2:acct-id:image/custom-image"
}
```
1. Erstellen Sie eine SageMaker Image-Version aus dem Container-Image.
```
aws sagemaker create-image-version \
--image-name custom-image \
--base-image .dkr.ecr..amazonaws.com/smstudio-custom:custom-image
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1"
}
```
1. Überprüfen Sie, ob die Image-Version erfolgreich erstellt wurde.
```
aws sagemaker describe-image-version \
--image-name custom-image \
--version-number 1
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1",
"ImageVersionStatus": "CREATED"
}
```
**Anmerkung**
Wenn die Antwort lautet`"ImageVersionStatus": "CREATED_FAILED"`, enthält die Antwort auch den Grund für den Fehler. Ein Problem mit Berechtigungen ist eine häufige Fehlerursache. Sie können auch Ihre CloudWatch Amazon-Protokolle überprüfen, wenn beim Starten oder Ausführen der KernelGateway App für ein benutzerdefiniertes Image ein Fehler auftritt. Der Name der Protokollgruppe ist `/aws/sagemaker/studio`. Der Name des Protokollstroms ist `$domainID/$userProfileName/KernelGateway/$appName`.
1. Erstellen Sie eine Konfigurationsdatei mit dem Namen `app-image-config-input.json`. Der `Name` Wert von `KernelSpecs` muss mit dem Namen des KernelSpec übereinstimmen, der in dem mit diesem `AppImageConfig` verbundenen Image verfügbar ist. Bei diesem Wert ist die Groß- und Kleinschreibung zu beachten. Sie können die verfügbaren kernelSpecs in einem Image finden, indem Sie `jupyter-kernelspec list` von einer Shell innerhalb des Containers ausführen. `MountPath` ist der Pfad innerhalb des Images, um Ihr Amazon Elastic File System (Amazon EFS) Home-Verzeichnis zu mounten. Dieser muss sich von dem Pfad unterscheiden, den Sie innerhalb des Containers verwenden, da dieser Pfad überschrieben wird, wenn Ihr Amazon EFS-Home-Verzeichnis bereitgestellt wird.
**Anmerkung**
Die folgenden `DefaultUID` und `DefaultGID` Kombinationen sind die einzigen akzeptierten Werte:
defaultUID: 1000 und defaultGID: 100
defaultUID: 0 und defaultGID: 0
```
{
"AppImageConfigName": "custom-image-config",
"KernelGatewayImageConfig": {
"KernelSpecs": [
{
"Name": "python3",
"DisplayName": "Python 3 (ipykernel)"
}
],
"FileSystemConfig": {
"MountPath": "/home/sagemaker-user",
"DefaultUid": 1000,
"DefaultGid": 100
}
}
}
```
1. Erstellen Sie das AppImageConfig mit der im vorherigen Schritt erstellten Datei.
```
aws sagemaker create-app-image-config \
--cli-input-json file://app-image-config-input.json
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
{
"AppImageConfigArn": "arn:aws:sagemaker:us-east-2:acct-id:app-image-config/custom-image-config"
}
```
# Ein benutzerdefiniertes SageMaker Bild in Amazon SageMaker Studio Classic anhängen
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Um ein benutzerdefiniertes SageMaker Image zu verwenden, müssen Sie eine Version des Images an Ihre Domain oder Ihren gemeinsam genutzten Bereich anhängen. Wenn Sie eine Image-Version anhängen, wird sie im SageMaker Studio Classic Launcher angezeigt und ist in der Dropdownliste **Bild auswählen** verfügbar, mit der Benutzer eine Aktivität starten oder das von einem Notizbuch verwendete Bild ändern können.
Um ein benutzerdefiniertes SageMaker Bild für alle Benutzer innerhalb einer Domain verfügbar zu machen, hängen Sie das Bild an die Domain an. Um ein Image für alle Benutzer in einem gemeinsam genutzten Bereich verfügbar zu machen, können Sie das Image an den gemeinsam genutzten Bereich anhängen. Um ein Image für einen einzelnen Benutzer verfügbar zu machen, hängen Sie das Image an das Profil des Benutzers an. Wenn Sie ein Bild anhängen, verwendet SageMaker AI standardmäßig die neueste Image-Version. Sie können auch eine bestimmte Image-Version anhängen. Nachdem Sie die Version angehängt haben, können Sie die Version im SageMaker AI Launcher oder in der Bildauswahl auswählen, wenn Sie ein Notizbuch starten.
Die Anzahl der Image-Versionen, die zu einem bestimmten Zeitpunkt angehängt werden können, ist eingeschränkt. Wenn Sie das Limit erreicht haben, müssen Sie eine Version trennen, um eine weitere Version des Images anzuhängen.
In den folgenden Abschnitten wird gezeigt, wie Sie mithilfe der SageMaker AI-Konsole oder der ein benutzerdefiniertes SageMaker Bild an Ihre Domain anhängen. AWS CLI Sie können ein benutzerdefiniertes Image nur über AWS CLI an einen Freigabebereich anhängen.
## Hängen Sie das SageMaker Bild an eine Domain an
### Hängen Sie das SageMaker Bild mithilfe der Konsole an
In diesem Thema wird beschrieben, wie Sie über das SageMaker AI-Kontrollpanel eine vorhandene benutzerdefinierte SageMaker Image-Version an Ihre Domain anhängen können. Sie können auch ein benutzerdefiniertes SageMaker Bild und eine Imageversion erstellen und diese Version dann an Ihre Domain anhängen. Informationen zum Erstellen eines Images und einer Image-Version finden Sie unter [Erstellen Sie ein benutzerdefiniertes SageMaker Image für Amazon SageMaker Studio Classic](studio-byoi-create.md).
**Um ein vorhandenes Image anzuhängen**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie auf der **Domain**-Seite die Domain aus, an die das Image angefügt werden soll.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Umgebung** aus.
1. Wählen Sie auf der Registerkarte **Umgebung** unter **Custom SageMaker Studio Classic-Bilder, die an die Domain angehängt** sind, die Option **Bild anhängen** aus.
1. Wählen Sie als **Image-Quelle** die Option **Bestehendes Image** aus.
1. Wählen Sie einen vorhandenen Benutzer aus der Liste aus.
1. Wählen Sie eine Version des Images aus der Liste aus.
1. Wählen Sie **Weiter** aus.
1. Überprüfen Sie die Werte für **Image-Name**, **Image-Aanzeigename** und **Beschreibung**.
1. Wählen Sie die &IAM; -Rolle () Weitere Informationen finden Sie unter [Erstellen Sie ein benutzerdefiniertes SageMaker Image für Amazon SageMaker Studio Classic](studio-byoi-create.md).
1. (Optional) Fügen Sie Tags für das Image hinzu.
1. Geben Sie den EFS-Bereitstellungspfad an. Dies ist der Pfad innerhalb des Images zum Bereitstellen des Amazon Elastic File System (EFS) -Stammverzeichnisses des Benutzers.
1. Wählen Sie als **Bildtyp** die Option **SageMaker Studio-Image**
1. Geben Sie als **Kernelname** den Namen eines vorhandenen Kernels im Image ein. Informationen zum Abrufen der Kernel-Informationen aus dem Image finden Sie unter [ENTWICKLUNG](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md) im SageMaker Studio Classic Custom Image Samples-Repository. Weitere Informationen finden Sie in den Abschnitten **Kernel-Erkennung** und **Benutzerdaten** von [Benutzerdefinierte SageMaker Bildspezifikationen für Amazon SageMaker Studio Classic](studio-byoi-specs.md).
1. (Optional) Geben Sie unter **Kernel-Anzeigename** den Anzeigenamen für den Kernel ein.
1. Wählen Sie **Kernel hinzufügen**.
1. Wählen Sie **Absenden** aus.
1. Warten Sie, bis die Image-Version an die Domain angehängt ist. Wenn die Version angehängt ist, wird sie in der Liste der **benutzerdefinierten Images** angezeigt und kurz hervorgehoben.
### Hängen Sie das SageMaker Bild an, indem Sie AWS CLI
In den folgenden Abschnitten wird gezeigt, wie Sie ein benutzerdefiniertes SageMaker Bild anhängen, wenn Sie eine neue Domain erstellen oder Ihre bestehende Domain mit dem aktualisieren AWS CLI.
#### Hängen Sie das SageMaker Bild an eine neue Domain an
Der folgende Abschnitt zeigt, wie Sie eine neue Domain mit der angehängten Version erstellen. Für diese Schritte müssen Sie die Amazon Virtual Private Cloud (VPC) -Informationen und die Ausführungsrolle angeben, die für die Erstellung der Domain erforderlich sind. Sie führen die folgenden Schritte aus, um die Domain zu erstellen und das benutzerdefinierte SageMaker Bild anzuhängen:
+ Holen Sie sich Ihre Standard-VPC-ID und Ihr IDs Subnetz.
+ Erstellen Sie die Konfigurationsdatei für die Domain, die das Image spezifiziert.
+ Erstellen Sie die Domain mit der Konfigurationsdatei.
**Um das benutzerdefinierte SageMaker Image zu Ihrer Domain hinzuzufügen**
1. Holen Sie sich Ihre Standard-VPC-ID.
```
aws ec2 describe-vpcs \
--filters Name=isDefault,Values=true \
--query "Vpcs[0].VpcId" --output text
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
vpc-xxxxxxxx
```
1. Rufen Sie Ihr Standardsubnetz IDs mit der VPC-ID aus dem vorherigen Schritt ab.
```
aws ec2 describe-subnets \
--filters Name=vpc-id,Values= \
--query "Subnets[*].SubnetId" --output json
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
[
"subnet-b55171dd",
"subnet-8a5f99c6",
"subnet-e88d1392"
]
```
1. Erstellen Sie eine Konfigurationsdatei namens `create-domain-input.json`. Fügen Sie die VPC-ID, das Subnetz IDs und `AppImageConfigName` aus den vorherigen Schritten ein. `ImageName` Da `ImageVersionNumber` nicht angegeben ist, wird die neueste Version des Images verwendet, was in diesem Fall die einzige Version ist.
```
{
"DomainName": "domain-with-custom-image",
"VpcId": "",
"SubnetIds": [
""
],
"DefaultUserSettings": {
"ExecutionRole": "",
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "custom-image",
"AppImageConfigName": "custom-image-config"
}
]
}
},
"AuthMode": "IAM"
}
```
1. Erstellen Sie die Domain mit dem angehängten benutzerdefinierten SageMaker Image.
```
aws sagemaker create-domain \
--cli-input-json file://create-domain-input.json
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx",
"Url": "https://d-xxxxxxxxxxxx.studio.us-east-2.sagemaker.aws/..."
}
```
#### Hängen Sie das SageMaker Bild an Ihre aktuelle Domain an
Wenn Sie bei einer SageMaker AI-Domain angemeldet sind, können Sie das benutzerdefinierte Bild an Ihre aktuelle Domain anhängen. Weitere Informationen zum Onboarding in eine SageMaker AI-Domain finden Sie unter. [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md) Sie müssen die VPC-Informationen und die Ausführungsrolle nicht angeben, wenn Sie ein benutzerdefiniertes Image an Ihre aktuelle Domain anhängen. Nachdem Sie die Version angehängt haben, müssen Sie alle Apps in Ihrer Domain löschen und Studio Classic erneut öffnen. Informationen zum Löschen von Anwendungen finden Sie unter [Löschen Sie eine Amazon SageMaker AI-Domain](gs-studio-delete-domain.md).
Sie führen die folgenden Schritte aus, um das SageMaker Bild zu Ihrer aktuellen Domain hinzuzufügen.
+ Holen Sie sich Ihr `DomainID` aus dem SageMaker AI-Kontrollpanel.
+ Verwenden Sie das `DomainID`, um das `DefaultUserSettings` für die Domain abzurufen.
+ Fügen Sie das `ImageName` und `AppImageConfig` als ein `CustomImage` zum `DefaultUserSettings` hinzu.
+ Aktualisieren Sie Ihre Domain so, dass sie das benutzerdefinierte Image enthält.
**Um das benutzerdefinierte SageMaker Bild zu Ihrer Domain hinzuzufügen**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie auf der **Domain**-Seite die Domain aus, an die das Image angefügt werden soll.
1. Wählen Sie auf der Seite mit den **Domain-Details** den Tab **Domaineinstellungen** aus.
1. Auf der Registerkarte **Domaineinstellungen** finden Sie unter **Allgemeine Einstellungen** den Eintrag `DomainId`. Die ID hat das folgende Format: `d-xxxxxxxxxxxx`.
1. Verwenden Sie die Domain-ID, um die Beschreibung der Domain abzurufen.
```
aws sagemaker describe-domain \
--domain-id
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Speichern Sie den Abschnitt mit den Standardbenutzereinstellungen der Antwort in einer Datei mit dem Namen `default-user-settings.json`.
1. Fügen Sie das `ImageName` und `AppImageConfigName` aus den vorherigen Schritten als benutzerdefiniertes Image ein. Da `ImageVersionNumber` nicht angegeben ist, wird die neueste Version des Images verwendet, was in diesem Fall die einzige Version ist.
```
{
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "string",
"AppImageConfigName": "string"
}
],
...
}
}
}
```
1. Verwenden Sie die Domain-ID und die Datei mit den Standardbenutzereinstellungen, um Ihre Domain zu aktualisieren.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-user-settings.json
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
## Hängen Sie das SageMaker Bild an einen gemeinsam genutzten Bereich an
Sie können das SageMaker Bild nur mit dem an einen gemeinsam genutzten Bereich anhängen AWS CLI. Nachdem Sie die Version angehängt haben, müssen Sie alle Anwendungen in Ihrem gemeinsam genutzten Bereich löschen und Studio Classic erneut öffnen. Informationen zum Löschen von Anwendungen finden Sie unter [Löschen Sie eine Amazon SageMaker AI-Domain](gs-studio-delete-domain.md).
Sie führen die folgenden Schritte aus, um das SageMaker Bild einem gemeinsam genutzten Bereich hinzuzufügen.
+ Holen Sie sich Ihr `DomainID` vom SageMaker AI-Kontrollpanel aus.
+ Verwenden Sie das `DomainID`, um das `DefaultSpaceSettings` für die Domain abzurufen.
+ Fügen Sie das `ImageName` und `AppImageConfig` als ein `CustomImage` zum `DefaultSpaceSettings` hinzu.
+ Aktualisieren Sie Ihre Domain so, dass sie das benutzerdefinierte Image für den gemeinsam genutzten Bereich enthält.
**Um das benutzerdefinierte SageMaker Bild zu Ihrem gemeinsamen Bereich hinzuzufügen**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie auf der **Domain**-Seite die Domain aus, an die das Image angefügt werden soll.
1. Wählen Sie auf der Seite mit den **Domain-Details** den Tab **Domaineinstellungen** aus.
1. Auf der Registerkarte **Domaineinstellungen** finden Sie unter **Allgemeine Einstellungen** den Eintrag `DomainId`. Die ID hat das folgende Format: `d-xxxxxxxxxxxx`.
1. Verwenden Sie die Domain-ID, um die Beschreibung der Domain abzurufen.
```
aws sagemaker describe-domain \
--domain-id
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
{
"DomainId": "d-xxxxxxxxxxxx",
...
"DefaultSpaceSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Speichern Sie den Abschnitt mit den standardmäßigen Speichereinstellungen der Antwort in einer Datei mit dem Namen `default-space-settings.json`.
1. Fügen Sie das `ImageName` und `AppImageConfigName` aus den vorherigen Schritten als benutzerdefiniertes Image ein. Da `ImageVersionNumber` nicht angegeben ist, wird die neueste Version des Images verwendet, was in diesem Fall die einzige Version ist.
```
{
"DefaultSpaceSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "string",
"AppImageConfigName": "string"
}
],
...
}
}
}
```
1. Verwenden Sie die Domain-ID und die Datei mit den Standardeinstellungen für den Speicherplatz, um Ihre Domain zu aktualisieren.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-space-settings.json
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
## Sehen Sie sich das angehängte Bild in SageMaker AI an
Nachdem Sie das benutzerdefinierte SageMaker Image erstellt und an Ihre Domain angehängt haben, wird das Bild auf der Registerkarte **Umgebung** der Domain angezeigt. Sie können die angehängten Bilder für gemeinsam genutzte Bereiche nur mit AWS CLI dem folgenden Befehl anzeigen.
```
aws sagemaker describe-domain \
--domain-id
```
# Starten Sie ein benutzerdefiniertes SageMaker Image in Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Nachdem Sie Ihr benutzerdefiniertes SageMaker Image erstellt und es an Ihre Domain oder Ihren Shared Space angehängt haben, werden das benutzerdefinierte Image und der Kernel in den Selektoren im Dialogfeld „**Umgebung ändern**“ des Studio Classic Launcher angezeigt.
**Um Ihr benutzerdefiniertes Image und Ihren eigenen Kernel zu starten und auszuwählen**
1. Öffnen Sie in Amazon SageMaker Studio Classic den Launcher. Um den Launcher zu öffnen, wählen Sie **Amazon SageMaker Studio Classic** oben links auf der Studio Classic-Oberfläche oder verwenden Sie die Tastenkombination`Ctrl + Shift + L`.
Weitere Informationen zu allen verfügbaren Möglichkeiten, den Launcher zu öffnen, finden Sie unter [Verwenden Sie den Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
![\[SageMaker Studio Classic-Launcher.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-new-launcher.png)
1. Wählen Sie im Launcher im Bereich **Notebooks und Rechenressourcen** die Option **Umgebung ändern** aus.
1. Wählen Sie im Dialogfeld **Umgebung ändern** mithilfe der Dropdown-Menüs im Bereich **Benutzerdefiniertes Image** Ihr **Image** und Ihren **Kernel** aus und wählen Sie dann **Auswählen**.
1. Wähle im Launcher **Notebook erstellen** oder **Image-Terminal öffnen**. Ihr Notebook oder Terminal wird mit dem ausgewählten benutzerdefinierten Image und Kernel gestartet.
Informationen zum Ändern Ihres Images oder Kernels in einem geöffneten Notebook finden Sie unter [Ändern Sie das Image oder einen Kernel für ein Amazon SageMaker Studio Classic-Notebook](notebooks-run-and-manage-change-image.md).
**Anmerkung**
Wenn beim Starten des Images ein Fehler auftritt, überprüfen Sie Ihre CloudWatch Amazon-Protokolle. Der Name der Protokollgruppe ist `/aws/sagemaker/studio`. Der Name des Protokollstroms ist `$domainID/$userProfileName/KernelGateway/$appName`.
# Ressourcen für benutzerdefinierte Bilder in Amazon SageMaker Studio Classic bereinigen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
In den folgenden Abschnitten wird gezeigt, wie Sie die Ressourcen, die Sie in den vorherigen Abschnitten erstellt haben, von der SageMaker AI-Konsole oder aus bereinigen AWS CLI. Führen Sie die folgenden Schritte aus, um die Ressourcen zu bereinigen:
+ Trennen Sie das Image und die Image-Versionen von Ihrer Domain.
+ Löschen Sie das Image, die Image-Version und die App-Image-Konfiguration.
+ Löschen Sie das Container-Image und das Repository aus Amazon ECR. Weitere Informationen finden Sie unter [Löschen eines Repositorys](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-delete.html).
## Bereinigen Sie Ressourcen von der SageMaker AI-Konsole aus
Der folgende Abschnitt zeigt, wie Sie Ressourcen von der SageMaker AI-Konsole aus bereinigen.
Wenn Sie ein Image von einer Domain trennen, werden alle Versionen des Images getrennt. Wenn ein Image getrennt wird, verlieren alle Benutzer der Domain den Zugriff auf die Image-Versionen. Ein laufendes Notebook, das eine Kernel-Sitzung auf einer Image-Version hat, wenn die Version getrennt wird, läuft weiter. Wenn das Notebook gestoppt oder der Kernel heruntergefahren wird, ist die Image-Version nicht mehr verfügbar.
**So lösen Sie ein Image**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** die Option **Images**.
1. Wählen Sie unter **Benutzerdefinierte SageMaker Studio Classic-Bilder, die an die Domain angehängt** sind, das Bild aus und wählen Sie dann **Trennen** aus.
1. (Optional) Um das Bild und alle Versionen aus SageMaker AI zu löschen, wählen Sie **Auch die ausgewählten Bilder löschen**... . Dadurch werden die zugehörigen Container-Images nicht aus Amazon ECR gelöscht.
1. Wählen Sie **Trennen** aus.
## Säubere Ressourcen aus dem AWS CLI
Im folgenden Abschnitt wird gezeigt, wie man die Ressourcen aus dem AWS CLI bereinigt.
**So bereinigen Sie Ressourcen**
1. Trennen Sie das Image und die Image-Versionen von Ihrer Domain, indem Sie eine leere benutzerdefinierte Image-Liste an die Domain übergeben. Öffnen Sie die `default-user-settings.json`-Datei, die Sie in [Hängen Sie das SageMaker Bild an Ihre aktuelle Domain an](studio-byoi-attach.md#studio-byoi-sdk-attach-current-domain) erstellt haben. Um das Image und die image-Version von einem gemeinsam genutzten Bereich zu trennen, öffnen Sie die `default-space-settings.json` Datei.
1. Löschen Sie die benutzerdefinierten Images und speichern Sie die Datei.
```
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
},
...
}
```
1. Verwenden Sie die Domain-ID und die Datei mit den Standardbenutzereinstellungen, um Ihre Domain zu aktualisieren. Verwenden Sie die Datei mit den Standardeinstellungen für den Bereich, um Ihren gemeinsam genutzten Bereich zu aktualisieren.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-user-settings.json
```
Die Antwort sollte in etwa so aussehen wie die folgende.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
1. Löschen Sie die App-Image-Konfiguration.
```
aws sagemaker delete-app-image-config \
--app-image-config-name custom-image-config
```
1. Löschen Sie das SageMaker Bild, wodurch auch alle Image-Versionen gelöscht werden. Die Container-Images in ECR, die durch die Image-Versionen repräsentiert werden, werden nicht gelöscht.
```
aws sagemaker delete-image \
--image-name custom-image
```
# Verwenden Sie Lebenszykluskonfigurationen, um Amazon SageMaker Studio Classic anzupassen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Amazon SageMaker Studio Classic löst Shell-Skripts für Lebenszykluskonfigurationen bei wichtigen Lebenszyklusereignissen aus, z. B. beim Starten eines neuen Studio Classic-Notebooks. Sie können Lebenszykluskonfigurationen verwenden, um die Anpassung für Ihre Umgebung von Studio Classic zu automatisieren. Diese Anpassung umfasst die Installation benutzerdefinierter Pakete, die Konfiguration von Notebook-Erweiterungen, das Vorladen von Datensätzen und die Einrichtung von Quellcode-Repositorys.
Die Verwendung von Lebenszykluskonfigurationen bietet Ihnen Flexibilität und Kontrolle, Studio Classic so zu konfigurieren, dass sie Ihren speziellen Anforderungen entspricht. Beispielsweise können Sie angepasste Container-Images mit Skripten zur Lebenszykluskonfiguration verwenden, um Ihre Umgebung anzupassen. Erstellen Sie zunächst eine minimale Anzahl von Basis-Container-Images und installieren Sie anschließend die am häufigsten verwendeten Pakete und Bibliotheken in diesen Images. Nachdem Sie Ihre Images fertiggestellt haben, verwenden Sie Lebenszykluskonfigurationen, um zusätzliche Pakete für bestimmte Anwendungsfälle zu installieren. Dies bietet Ihnen die Flexibilität, Ihre Umgebung in Ihren Datenwissenschafts- und Machine-Learning-Teams je nach Bedarf anzupassen.
Benutzer können nur Skripte zur Lebenszykluskonfiguration auswählen, auf die sie Zugriff haben. Sie können Zugriff auf mehrere Skripte für die Lebenszykluskonfiguration gewähren, aber auch Standard-Skripte für die Lebenszykluskonfiguration für Ressourcen festlegen. Basierend auf der Ressource, für die die standardmäßige Lebenszykluskonfiguration festgelegt ist, wird die Standardkonfiguration entweder automatisch ausgeführt oder ist die erste angezeigte Option.
Beispiele für Lebenszykluskonfigurationsskripte finden Sie im [ GitHub Repository mit Beispielen für die Lebenszykluskonfiguration von Studio Classic](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples). Einen Blog zur Implementierung der Lebenszykluskonfiguration finden Sie unter [Anpassen von Amazon SageMaker Studio Classic mithilfe von Lebenszykluskonfigurationen](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/).
**Anmerkung**
Jedes Skript hat ein Limit von **16384 Zeichen**.
**Topics**
+ [Eine Lebenszykluskonfiguration erstellen und mit Amazon SageMaker Studio Classic verknüpfen](studio-lcc-create.md)
+ [Standard-Lebenszykluskonfigurationen für Amazon SageMaker Studio Classic festlegen](studio-lcc-defaults.md)
+ [Debuggen von Lebenszykluskonfigurationen in Amazon SageMaker Studio Classic](studio-lcc-debug.md)
+ [Lebenszykluskonfigurationen in Amazon SageMaker Studio Classic aktualisieren und trennen](studio-lcc-delete.md)
# Eine Lebenszykluskonfiguration erstellen und mit Amazon SageMaker Studio Classic verknüpfen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Amazon SageMaker AI bietet interaktive Anwendungen, die die visuelle Oberfläche, die Codeerstellung und das Ausführungserlebnis von Studio Classic ermöglichen. In dieser Serie wird gezeigt, wie Sie eine Lebenszykluskonfiguration erstellen und sie einer SageMaker KI-Domain zuordnen.
Anwendungstypen können entweder `JupyterServer` oder `KernelGateway` sein.
+ **`JupyterServer`-Anwendungen:** Dieser Anwendungstyp ermöglicht den Zugriff auf die visuelle Oberfläche von Studio Classic. Jeder Benutzer und jeder gemeinsam genutzte Bereich in Studio Classic erhält seine eigene JupyterServer Anwendung.
+ **`KernelGateway`-Anwendungen:** Dieser Anwendungstyp ermöglicht den Zugriff auf die Code-Run-Umgebung und die Kernel für Ihre Studio-Classic-Notebooks und -Terminals. Weitere Informationen finden Sie unter [Jupyter Kernel Gateway](https://jupyter-kernel-gateway.readthedocs.io/en/latest/).
Weitere Informationen zur Architektur von Studio Classic und zu den Studio Classic-Anwendungen finden Sie unter [Verwenden von Amazon SageMaker Studio Classic-Notebooks](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html).
**Topics**
+ [Erstellen Sie eine Lebenszykluskonfiguration aus dem AWS CLI für Amazon SageMaker Studio Classic](studio-lcc-create-cli.md)
+ [Erstellen Sie eine Lifecycle-Konfiguration über die SageMaker AI-Konsole für Amazon SageMaker Studio Classic](studio-lcc-create-console.md)
# Erstellen Sie eine Lebenszykluskonfiguration aus dem AWS CLI für Amazon SageMaker Studio Classic
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Das folgende Thema zeigt, wie Sie mithilfe von eine Lebenszykluskonfiguration erstellen AWS CLI , um die Anpassung für Ihre Studio Classic-Umgebung zu automatisieren.
## Voraussetzungen
Stellen Sie vor Beginn sicher, dass die folgenden Voraussetzungen erfüllt sind:
+ Aktualisieren Sie die, AWS CLI indem Sie den Schritten unter [Installation der aktuellen AWS CLI Version](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) folgen.
+ Führen Sie `aws configure` von Ihrem lokalen Rechner aus und geben Sie Ihre AWS -Anmeldedaten ein. Informationen zu AWS Anmeldeinformationen finden Sie unter [AWS Anmeldeinformationen verstehen und abrufen](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Gehen Sie wie unter beschrieben vor, um in die SageMaker AI-Domain einzusteigen[Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
## Schritt 1: Erstellen einer Lebenszykluskonfiguration
Das folgende Verfahren zeigt, wie Sie ein Skript für die Lebenszykluskonfiguration erstellen, das `Hello World` ausgibt.
**Anmerkung**
Jedes Skript kann bis zu **16.384 Zeichen** enthalten.
1. Erstellen Sie auf Ihrem lokalen Rechner eine Datei namens `my-script.sh` mit folgendem Inhalt.
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Konvertieren Sie Ihre `my-script.sh`-Datei in das base64-Format. Diese Anforderung verhindert Fehler, die bei der Kodierung von Abständen und Zeilenumbrüchen auftreten.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Erstellen Sie eine Lebenszykluskonfiguration für die Verwendung mit Studio Classic. Der folgende Befehl erstellt eine Lebenszykluskonfiguration, die ausgeführt wird, wenn Sie eine zugehörige `KernelGateway` Anwendung starten.
```
aws sagemaker create-studio-lifecycle-config \
--region region \
--studio-lifecycle-config-name my-studio-lcc \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type KernelGateway
```
Notieren Sie sich den ARN der neu erstellten Lebenszykluskonfiguration, die zurückgegeben wird. Dieser ARN ist erforderlich, um die Lebenszykluskonfiguration an Ihre Anwendung anzuhängen.
## Schritt 2: Hängen Sie die Lebenszykluskonfiguration an Ihre Domain, Ihr Benutzerprofil oder Ihren gemeinsam genutzten Bereich an
Um die Lebenszykluskonfiguration anzuhängen, müssen Sie die `UserSettings` für Ihre Domain oder Ihr Benutzerprofil oder die `SpaceSettings` für einen gemeinsam genutzten Bereich aktualisieren. Skripts zur Lebenszykluskonfiguration, die auf Domainebene verknüpft sind, werden von allen Benutzern übernommen. Skripts, die auf Benutzerprofilebene verknüpft sind, sind jedoch einem bestimmten Benutzer zugeordnet, während Skripte, die auf der Ebene des gemeinsam genutzten Bereichs verknüpft sind, dem gemeinsam genutzten Bereich zugeordnet sind.
Im folgenden Beispiel wird gezeigt, wie Sie ein neues Benutzerprofil mit angefügter Lebenszykluskonfiguration erstellen. Sie können auch eine neue Domain oder einen neuen Bereich mit angefügter Lebenszykluskonfiguration erstellen, indem Sie die Befehle [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) bzw. [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html) verwenden.
Fügen Sie den ARN für die Lebenszykluskonfiguration aus dem vorherigen Schritt zu den Einstellungen für den entsprechenden App-Typ hinzu. Legen Sie sie zum Beispiel in der `JupyterServerAppSettings` des Benutzers ab. Sie können mehrere Lebenszykluskonfigurationen gleichzeitig hinzufügen, indem Sie eine Liste von Lebenszykluskonfigurationen übergeben. Wenn ein Benutzer eine JupyterServer Anwendung mit dem startet AWS CLI, kann er eine Lebenszykluskonfiguration übergeben, die anstelle der Standardkonfiguration verwendet werden soll. Die Lebenszykluskonfiguration, die der Benutzer übergibt, muss zur Liste der Lebenszykluskonfigurationen in `JupyterServerAppSettings` gehören.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterServerAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
Im folgenden Beispiel wird gezeigt, wie Sie einen vorhandenen Shared Space aktualisieren, um die Lebenszykluskonfiguration anzufügen. Sie können auch ein vorhandenes Domänen- oder Benutzerprofil mit einer angehängten Lebenszykluskonfiguration aktualisieren, indem Sie den Befehl [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) oder [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html)verwenden. Wenn Sie die Liste der angehängten Lebenszykluskonfigurationen aktualisieren, müssen Sie alle Lebenszykluskonfigurationen als Teil der Liste übergeben. Wenn eine Lebenszykluskonfiguration nicht Teil dieser Liste ist, wird sie nicht an die Anwendung angehängt.
```
aws sagemaker update-space --domain-id domain-id \
--space-name space-name \
--region region \
--space-settings '{
"JupyterServerAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
Informationen zum Festlegen einer standardmäßigen Lebenszykluskonfiguration für eine Ressource finden Sie unter [Standard-Lebenszykluskonfigurationen für Amazon SageMaker Studio Classic festlegen](studio-lcc-defaults.md).
## Schritt 3: Starten der Anwendung mit Lebenszykluskonfiguration
Nachdem Sie eine Lebenszykluskonfiguration an eine Domain, ein Benutzerprofil oder einen Bereich angehängt haben, kann der Benutzer sie auswählen, wenn er eine Anwendung mit dem AWS CLI startet. In diesem Abschnitt erfahren Sie, wie Sie eine Anwendung mit angefügter Lebenszykluskonfiguration starten. Informationen zum Ändern der standardmäßigen Lebenszykluskonfiguration nach dem Start einer JupyterServer Anwendung finden Sie unter. [Standard-Lebenszykluskonfigurationen für Amazon SageMaker Studio Classic festlegen](studio-lcc-defaults.md)
Starten Sie den gewünschten Anwendungstyp mit dem `create-app` Befehl und geben Sie den ARN für die Lebenszykluskonfiguration im `resource-spec` Argument an.
+ Das folgende Beispiel zeigt, wie Sie eine `JupyterServer`-Anwendung mit einer zugehörigen Lebenszykluskonfiguration erstellen. Bei der Erstellung des `JupyterServer` müssen die `app-name` `default` sein. Der als Teil des `resource-spec` Parameters übergebene ARN für die Lebenszykluskonfiguration muss Teil der Liste der Lebenszykluskonfigurationen sein, die in `UserSettings` für Ihre Domäne oder Ihr Benutzerprofil oder `SpaceSettings` für einen gemeinsam genutzten Bereich ARNs angegeben ist.
```
aws sagemaker create-app --domain-id domain-id \
--region region \
--user-profile-name user-profile-name \
--app-type JupyterServer \
--resource-spec LifecycleConfigArn=lifecycle-configuration-arn \
--app-name default
```
+ Das folgende Beispiel zeigt, wie Sie eine `KernelGateway`-Anwendung mit einer zugehörigen Lebenszykluskonfiguration erstellen.
```
aws sagemaker create-app --domain-id domain-id \
--region region \
--user-profile-name user-profile-name \
--app-type KernelGateway \
--resource-spec LifecycleConfigArn=lifecycle-configuration-arn,SageMakerImageArn=sagemaker-image-arn,InstanceType=instance-type \
--app-name app-name
```
# Erstellen Sie eine Lifecycle-Konfiguration über die SageMaker AI-Konsole für Amazon SageMaker Studio Classic
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Das folgende Thema zeigt, wie Sie eine Lebenszykluskonfiguration von der Amazon SageMaker AI-Konsole aus erstellen, um die Anpassung für Ihre Studio Classic-Umgebung zu automatisieren.
## Voraussetzungen
Bevor Sie mit diesem Lernprogramm beginnen können, müssen Sie die folgenden Voraussetzungen erfüllen:
+ An Bord von Amazon SageMaker Studio Classic. Weitere Informationen finden Sie unter [Integrieren in Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html).
## Schritt 1: Erstellen einer neuen Lebenszykluskonfiguration
Sie können eine Lebenszykluskonfiguration erstellen, indem Sie ein Skript von der Amazon SageMaker AI-Konsole aus eingeben.
**Anmerkung**
Jedes Skript kann bis zu **16.384 Zeichen** enthalten.
Das folgende Verfahren zeigt, wie Sie ein Skript für die Lebenszykluskonfiguration erstellen, das `Hello World` druckt.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich die Option **Admin-Konfigurationen** aus.
1. Wählen Sie unter **Admin-Konfigurationen** die Option **Lifecycle-Konfigurationen** aus.
1. Wählen Sie die Registerkarte **Studio**.
1. Wählen Sie **Create configuration** (Konfiguration erstellen).
1. Wählen Sie unter **Konfigurationstyp auswählen** den Anwendungstyp aus, an den die Lebenszykluskonfiguration angehängt werden soll. Weitere Informationen zur Auswahl der Anwendung, an die die Lebenszykluskonfiguration angehängt werden soll, finden Sie unter [Standard-Lebenszykluskonfigurationen für Amazon SageMaker Studio Classic festlegen](studio-lcc-defaults.md).
1. Wählen Sie **Weiter** aus.
1. Geben Sie im Abschnitt **Konfigurationseinstellungen** einen Namen für Ihre Lebenszykluskonfiguration ein.
1. Geben Sie im Abschnitt **Skripte** den folgenden Inhalt ein.
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. (Optional) Erstellen Sie ein Tag für Ihre Lebenszykluskonfiguration.
1. Wählen Sie **Absenden** aus.
## Schritt 2: Anfügen der Lebenszykluskonfiguration an eine Domain oder ein Benutzerprofil
Auf Domainebene zugeordnete Lebenszyklus-Konfigurationsskripten werden von allen Benutzern übernommen. Skripts, die auf Benutzerprofilebene verknüpft sind, sind jedoch auf einen bestimmten Benutzer beschränkt.
Sie können einer Domain oder einem Benutzerprofil mehrere Lebenszykluskonfigurationen JupyterServer sowohl für Anwendungen als auch für KernelGateway Anwendungen hinzufügen.
**Anmerkung**
Um eine Lebenszykluskonfiguration an einen gemeinsam genutzten Bereich anzuhängen, müssen Sie den AWS CLI verwenden. Weitere Informationen finden Sie unter [Erstellen Sie eine Lebenszykluskonfiguration aus dem AWS CLI für Amazon SageMaker Studio Classic](studio-lcc-create-cli.md).
In den folgenden Abschnitten wird gezeigt, wie Sie eine Lebenszykluskonfiguration an Ihre Domain oder Ihr Benutzerprofil anfügen.
### An eine Domain anhängen
Im Folgenden wird gezeigt, wie Sie über die SageMaker AI-Konsole eine Lebenszykluskonfiguration an Ihre bestehende Domain anhängen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain aus, an die die Lebenszykluskonfiguration angefügt werden soll.
1. Wählen Sie in den **Domaindetails** die Registerkarte **Umgebung** aus.
1. Wählen Sie unter **Lebenszykluskonfigurationen für persönliche Studio-Apps** die Option **Anhängen** aus.
1. Wählen Sie unter **Quelle** die Option **Bestehende Konfiguration** aus.
1. Wählen Sie unter **Studio-Lebenszykluskonfigurationen** die Lebenszykluskonfiguration aus, die Sie im vorherigen Schritt erstellt haben.
1. Wählen Sie **An Domain anhängen** aus.
### An Ihr Benutzerprofil anhängen
Im Folgenden wird gezeigt, wie Sie eine Lebenszykluskonfiguration an Ihr vorhandenes Benutzerprofil anhängen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain aus, die das Benutzerprofil enthält, an das die Lebenszykluskonfiguration angefügt werden soll.
1. Wählen Sie unter **Benutzerprofile** das Benutzerprofil aus.
1. Wählen Sie auf der Seite **Benutzerdetails** die Option **Bearbeiten**.
1. Wählen Sie in der linken Navigation **Studioeinstellungen**.
1. Wählen Sie unter **Lebenszykluskonfigurationen, die dem Benutzer** zugeordnet sind, die Option **Anhängen**.
1. Wählen Sie unter **Quelle** die Option **Bestehende Konfiguration** aus.
1. Wählen Sie unter **Studio-Lebenszykluskonfigurationen** die Lebenszykluskonfiguration aus, die Sie im vorherigen Schritt erstellt haben.
1. Wählen Sie **An Benutzerprofil anhängen**.
## Schritt 3: Starten einer Anwendung mit der Lebenszykluskonfiguration
Nachdem Sie einer Domain oder einem Benutzerprofil eine Lebenszykluskonfiguration angehängt haben, können Sie eine Anwendung mit dieser angehängten Lebenszykluskonfiguration starten. Die Auswahl, mit welcher Lebenszykluskonfiguration gestartet werden soll, hängt vom Anwendungstyp ab.
+ **JupyterServer**: Wenn eine JupyterServer Anwendung von der Konsole aus gestartet wird, verwendet SageMaker KI immer die standardmäßige Lebenszykluskonfiguration. Sie können keine andere Lebenszykluskonfiguration verwenden, wenn Sie von der Konsole aus starten. Informationen zum Ändern der standardmäßigen Lebenszykluskonfiguration nach dem Start einer JupyterServer Anwendung finden Sie unter[Standard-Lebenszykluskonfigurationen für Amazon SageMaker Studio Classic festlegen](studio-lcc-defaults.md).
Um eine andere angehängte Lebenszykluskonfiguration auszuwählen, müssen Sie mit dem AWS CLI starten. Weitere Informationen zum Starten einer JupyterServer Anwendung mit einer angehängten Lebenszykluskonfiguration aus dem AWS CLI finden Sie unter[Erstellen Sie eine Lebenszykluskonfiguration aus dem AWS CLI für Amazon SageMaker Studio Classic](studio-lcc-create-cli.md).
+ **KernelGateway**: Sie können jede der angehängten Lebenszykluskonfigurationen auswählen, wenn Sie eine KernelGateway Anwendung mit dem Studio Classic Launcher starten.
Das folgende Verfahren beschreibt, wie Sie eine KernelGateway Anwendung mit einer angehängten Lebenszykluskonfiguration von der SageMaker AI-Konsole aus starten.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Starten Sie Studio Classic. Weitere Informationen finden Sie unter [Starten Sie Amazon SageMaker Studio Classic](studio-launch.md).
1. Öffnen Sie in der Studio-Classic-Benutzeroberfläche den Studio Classic Launcher. Weitere Informationen finden Sie unter [Verwenden Sie den Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. Navigieren Sie im Studio Classic Launcher zum Abschnitt **Notebooks und Rechenressourcen**.
1. Klicken Sie auf die Schaltfläche **Umgebung ändern**.
1. Wählen Sie im Dialogfeld **Umgebung ändern** in den Dropdown-Menüs das **Image**, den **Kernel**, den **Instance-Typ** und ein **Startskript** aus. Wenn es keine standardmäßige Lebenszykluskonfiguration gibt, ist der Wert für das **Startskript** standardmäßig auf `No script` festgelegt. Andernfalls ist der Wert für das **Startskript** Ihre standardmäßige Lebenszykluskonfiguration. Nachdem Sie eine Lebenszykluskonfiguration ausgewählt haben, können Sie das gesamte Skript anzeigen.
1. Klicken Sie auf **Auswählen**.
1. Kehren Sie zum Launcher zurück und klicken Sie auf **Notebook erstellen**, um einen neuen Notebook-Kernel mit dem ausgewählten Image und der Lebenszykluskonfiguration zu starten.
## Schritt 4: Anzeigen von Protokollen für eine Lebenszyklus-Konfiguration
Sie können die Protokolle für Ihre Lebenszykluskonfiguration anzeigen, nachdem sie an eine Domain oder ein Benutzerprofil angehängt wurde.
1. Stellen Sie zunächst Zugriff auf CloudWatch für Ihre AWS Identity and Access Management (IAM-) Rolle bereit. Fügen Sie Leseberechtigungen für die folgende Protokollgruppe und den folgenden Protokollstream hinzu.
+ **Log-Gruppe:**`/aws/sagemaker/studio`
+ **Log-Stream:**`domain/user-profile/app-type/app-name/LifecycleConfigOnStart`
Informationen zum Hinzufügen von Berechtigungen finden Sie unter [Aktivieren der Protokollierung für bestimmte AWS Dienste](https://docs.aws.amazon.com/AmazonCloudWatch/latest/logs/AWS-logs-and-resource-policy.html).
1. Navigieren Sie in Studio Classic zum Symbol **Laufende Terminals und Kernel** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png)) aus, um Ihre Lebenszykluskonfiguration zu überwachen.
1. Wählen Sie eine Anwendung aus der Liste der laufenden Anwendungen aus. Anwendungen mit angehängten Lebenszykluskonfigurationen haben ein angehängtes Indikatorsymbol ![\[Code brackets symbol representing programming or markup languages.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/studio-lcc-indicator-icon.png).
1. Wählen Sie das Indikatorsymbol für Ihre Anwendung aus. Dadurch wird ein neues Fenster geöffnet, in dem die Lebenszykluskonfiguration aufgeführt ist.
1. Wählen Sie in dem neuen Panel `View logs`. Dadurch wird eine neue Registerkarte geöffnet, auf der die Protokolle angezeigt werden.
# Standard-Lebenszykluskonfigurationen für Amazon SageMaker Studio Classic festlegen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie können zwar mehrere Lebenszykluskonfigurationsskripts an eine einzelne Ressource anhängen, aber Sie können nur eine standardmäßige Lebenszykluskonfiguration für jede JupyterServer einzelne KernelGateway Anwendung festlegen. Das Verhalten der standardmäßigen Lebenszykluskonfiguration hängt davon ab, ob sie für JupyterServer oder KernelGateway Apps festgelegt ist.
+ **JupyterServer Apps:** Wenn es als standardmäßiges Lebenszykluskonfigurationsskript für JupyterServer Apps festgelegt ist, wird das Lebenszykluskonfigurationsskript automatisch ausgeführt, wenn sich der Benutzer zum ersten Mal bei Studio Classic anmeldet oder Studio Classic neu startet. Verwenden Sie diese standardmäßige Lebenszykluskonfiguration, um einmalige Einrichtungsaktionen für die Studio Classic-Entwicklerumgebung zu automatisieren, z. B. die Installation von Notebook-Erweiterungen oder die Einrichtung eines GitHub Repos. Ein Beispiel hierfür finden Sie unter [Anpassen von Amazon SageMaker Studio mithilfe von Lebenszykluskonfigurationen](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/).
+ **KernelGateway Apps:** Wenn sie als standardmäßiges Lifecycle-Konfigurationsskript für KernelGateway Apps festgelegt ist, wird die Lebenszykluskonfiguration standardmäßig im Studio Classic-Launcher ausgewählt. Benutzer können ein Notebook oder Terminal mit dem ausgewählten Standardskript starten oder sie können ein anderes Skript aus der Liste der Lebenszykluskonfigurationen auswählen.
SageMaker AI unterstützt das Festlegen einer standardmäßigen Lebenszykluskonfiguration für die folgenden Ressourcen:
+ Domains
+ Benutzerprofile
+ Geteilte Räume
Domains und Benutzerprofile unterstützen zwar die Einstellung einer standardmäßigen Lebenszykluskonfiguration sowohl über die Amazon SageMaker AI-Konsole als auch AWS Command Line Interface, Shared Spaces unterstützen jedoch nur die Einstellung einer standardmäßigen Lebenszykluskonfiguration über die AWS CLI.
Sie können eine Lebenszykluskonfiguration als Standard festlegen, wenn Sie eine neue Ressource erstellen oder eine bestehende Ressource aktualisieren. In den folgenden Themen wird gezeigt, wie Sie mithilfe der SageMaker AI-Konsole und eine standardmäßige Lebenszykluskonfiguration festlegen AWS CLI.
## Vererbung der Standard-Lebenszyklus-Konfiguration
Auf *Domains*-ebene festgelegte Standard-Lebenszykluskonfigurationen werden von allen Benutzern und gemeinsam genutzten Bereichen übernommen. Die standardmäßigen Lebenszykluskonfigurationen, die auf *Benutzer* – und *Shared Space-Ebene* festgelegt wurden, gelten nur für diesen Benutzer oder gemeinsam genutzten Bereich. Standardwerte für Benutzer und Speicherplatz überschreiben die auf Domainebene festgelegten Standardeinstellungen.
Ein für eine Domain festgelegter KernelGateway Standard-Lebenszykluskonfigurationssatz gilt für alle in der Domain gestarteten KernelGateway Anwendungen. Sofern der Benutzer keine andere Lebenszykluskonfiguration aus der Liste im Studio Classic Launcher auswählt, wird die standardmäßige Lebenszykluskonfiguration verwendet. Das Standardskript `No Script` wird auch ausgeführt, wenn es vom Benutzer ausgewählt wird. Weitere Informationen zur Auswahl eines Skripts finden Sie unter [Schritt 3: Starten einer Anwendung mit der Lebenszykluskonfiguration](studio-lcc-create-console.md#studio-lcc-create-console-step3).
**Topics**
+ [Vererbung der Standard-Lebenszyklus-Konfiguration](#studio-lcc-defaults-inheritance)
+ [Legen Sie die Standardeinstellungen AWS CLI für Amazon SageMaker Studio Classic fest](studio-lcc-defaults-cli.md)
+ [Standardwerte für Amazon SageMaker Studio Classic in der SageMaker AI-Konsole festlegen](studio-lcc-defaults-console.md)
# Legen Sie die Standardeinstellungen AWS CLI für Amazon SageMaker Studio Classic fest
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie können Standardskripts AWS CLI für die Lebenszykluskonfiguration aus den folgenden Ressourcen festlegen:
+ Domains
+ Benutzerprofile
+ Geteilte Räume
In den folgenden Abschnitten wird beschrieben, wie Sie Skripte für die Standard-Lebenszykluskonfiguration in der AWS CLI festlegen.
**Topics**
+ [Voraussetzungen](#studio-lcc-defaults-cli-prereq)
+ [Legen Sie beim Erstellen einer neuen Ressource eine standardmäßige Lebenszykluskonfiguration fest](#studio-lcc-defaults-cli-new)
+ [Legen Sie eine standardmäßige Lebenszykluskonfiguration für eine vorhandene Ressource fest](#studio-lcc-defaults-cli-existing)
## Voraussetzungen
Stellen Sie vor Beginn sicher, dass die folgenden Voraussetzungen erfüllt sind:
+ Aktualisieren Sie das, AWS CLI indem Sie den Schritten unter [Installation der aktuellen AWS CLI Version](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) folgen.
+ Führen Sie `aws configure` von Ihrem lokalen Rechner aus und geben Sie Ihre AWS -Anmeldedaten ein. Informationen zu AWS Anmeldeinformationen finden Sie unter [AWS Anmeldeinformationen verstehen und abrufen](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Gehen Sie wie unter beschrieben vor, um in die SageMaker AI-Domain einzusteigen[Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
+ Erstellen Sie eine Lebenszykluskonfiguration gemäß den Schritten unter [Eine Lebenszykluskonfiguration erstellen und mit Amazon SageMaker Studio Classic verknüpfen](studio-lcc-create.md).
## Legen Sie beim Erstellen einer neuen Ressource eine standardmäßige Lebenszykluskonfiguration fest
Um beim Erstellen einer neuen Domäne, eines neuen Benutzerprofils oder eines neuen Bereichs eine standardmäßige Lebenszykluskonfiguration festzulegen, übergeben Sie den ARN Ihrer zuvor erstellten Lebenszykluskonfiguration als Teil eines der folgenden AWS CLI Befehle:
+ [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html)
+ [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/opensearch/create-domain.html)
+ [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html)
Sie müssen den ARN für die Lebenszykluskonfiguration für die folgenden Werte in den KernelGateway oder JupyterServer Standardeinstellungen übergeben:
+ `DefaultResourceSpec`: `LifecycleConfigArn` – Dies gibt die standardmäßige Lebenszykluskonfiguration für den Anwendungstyp an.
+ `LifecycleConfigArns` – Dies ist die Liste aller Lebenszykluskonfigurationen, die dem Anwendungstyp zugeordnet sind. Die standardmäßige Lebenszykluskonfiguration muss ebenfalls Teil dieser Liste sein.
Mit dem folgenden API-Aufruf wird beispielsweise ein neues Benutzerprofil mit einer standardmäßigen Lebenszykluskonfiguration erstellt.
```
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"KernelGatewayAppSettings": {
"DefaultResourceSpec": {
"InstanceType": "ml.t3.medium",
"LifecycleConfigArn": "lifecycle-configuration-arn"
},
"LifecycleConfigArns": [lifecycle-configuration-arn-list]
}
}'
```
## Legen Sie eine standardmäßige Lebenszykluskonfiguration für eine vorhandene Ressource fest
Um die standardmäßige Lebenszykluskonfiguration für eine vorhandene Ressource festzulegen oder zu aktualisieren, übergeben Sie den ARN Ihrer zuvor erstellten Lebenszykluskonfiguration als Teil eines der folgenden AWS CLI Befehle:
+ [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html)
+ [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html)
+ [update-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-space.html)
Sie müssen den ARN für die Lebenszykluskonfiguration für die folgenden Werte in den KernelGateway oder JupyterServer Standardeinstellungen übergeben:
+ `DefaultResourceSpec`: `LifecycleConfigArn` – Dies gibt die standardmäßige Lebenszykluskonfiguration für den Anwendungstyp an.
+ `LifecycleConfigArns` – Dies ist die Liste aller Lebenszykluskonfigurationen, die dem Anwendungstyp zugeordnet sind. Die standardmäßige Lebenszykluskonfiguration muss ebenfalls Teil dieser Liste sein.
Beispielsweise aktualisiert der folgende API-Aufruf ein Benutzerprofil mit einer standardmäßigen Lebenszykluskonfiguration.
```
aws sagemaker update-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"KernelGatewayAppSettings": {
"DefaultResourceSpec": {
"InstanceType": "ml.t3.medium",
"LifecycleConfigArn": "lifecycle-configuration-arn"
},
"LifecycleConfigArns": [lifecycle-configuration-arn-list]
}
}'
```
Der folgende API-Aufruf aktualisiert eine Domain, um eine neue Standard-Lebenszykluskonfiguration festzulegen.
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"InstanceType": "system",
"LifecycleConfigArn": "lifecycle-configuration-arn"
},
"LifecycleConfigArns": [lifecycle-configuration-arn-list]
}
}'
```
# Standardwerte für Amazon SageMaker Studio Classic in der SageMaker AI-Konsole festlegen
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie können Standardskripts für die Lebenszykluskonfiguration von der SageMaker AI-Konsole aus für die folgenden Ressourcen festlegen.
+ Domains
+ Benutzerprofile
In der SageMaker AI-Konsole können Sie keine standardmäßigen Lebenszykluskonfigurationsskripten für gemeinsam genutzte Bereiche festlegen. Informationen zum Festlegen von Standardeinstellungen für gemeinsam genutzte Bereiche finden Sie unter [Legen Sie die Standardeinstellungen AWS CLI für Amazon SageMaker Studio Classic fest](studio-lcc-defaults-cli.md).
In den folgenden Abschnitten wird beschrieben, wie Sie standardmäßige Lebenszykluskonfigurationsskripten von der SageMaker AI-Konsole aus festlegen.
**Topics**
+ [Voraussetzungen](#studio-lcc-defaults-cli-prerequisites)
+ [Legen Sie eine standardmäßige Lebenszykluskonfiguration für eine Domain fest](#studio-lcc-defaults-cli-domain)
+ [Legen Sie eine standardmäßige Lebenszykluskonfiguration für ein Benutzerprofil fest](#studio-lcc-defaults-cli-user-profile)
## Voraussetzungen
Stellen Sie vor Beginn sicher, dass die folgenden Voraussetzungen erfüllt sind:
+ Gehen Sie wie folgt vor, um in die SageMaker AI-Domain einzusteigen[Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
+ Erstellen Sie eine Lebenszykluskonfiguration gemäß den Schritten in [Eine Lebenszykluskonfiguration erstellen und mit Amazon SageMaker Studio Classic verknüpfen](studio-lcc-create.md).
## Legen Sie eine standardmäßige Lebenszykluskonfiguration für eine Domain fest
Das folgende Verfahren zeigt, wie Sie über die SageMaker AI-Konsole eine standardmäßige Lebenszykluskonfiguration für eine Domain festlegen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie in der Domainliste den Namen der Domain aus, für die Sie die standardmäßige Lebenszykluskonfiguration festlegen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Umgebung** aus.
1. Wählen Sie unter **Lebenszykluskonfigurationen für persönliche Studio-Apps** die Lebenszykluskonfiguration aus, die Sie als Standard für die Domain festlegen möchten. Sie können unterschiedliche Standardeinstellungen für JupyterServer KernelGateway Anwendungen festlegen.
1. Wählen Sie **Als Standard festlegen** aus. Dadurch wird ein Popup-Fenster geöffnet, in dem die aktuellen Standardeinstellungen für JupyterServer Anwendungen aufgelistet sind. KernelGateway
1. Wählen Sie **Als Standard festlegen**, um die Lebenszykluskonfiguration als Standard für den jeweiligen Anwendungstyp festzulegen.
## Legen Sie eine standardmäßige Lebenszykluskonfiguration für ein Benutzerprofil fest
Das folgende Verfahren zeigt, wie Sie eine standardmäßige Lebenszykluskonfiguration für ein Benutzerprofil von der SageMaker AI-Konsole aus festlegen.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie aus der Liste der Domains den Namen der Domain aus, die das Benutzerprofil enthält, für das Sie die standardmäßige Lebenszykluskonfiguration festlegen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Benutzerprofile** aus.
1. Wählen Sie den Namen des Benutzerprofils aus, für das Sie die standardmäßige Lebenszykluskonfiguration festlegen möchten. Dies öffnet eine Seite mit **Benutzerdetails**.
1. Wählen Sie auf der Seite **Benutzerdetails** die Option **Bearbeiten**. Dadurch wird die Seite **Benutzerprofil bearbeiten** geöffnet.
1. Wählen Sie auf der **Seite Benutzerprofil bearbeiten** die Option **Schritt 2 Studioeinstellungen**.
1. Wählen Sie unter **Lebenszykluskonfigurationen, die dem Benutzer zugeordnet** sind, die Lebenszykluskonfiguration aus, die Sie als Standard für das Benutzerprofil festlegen möchten. Sie können unterschiedliche Standardeinstellungen für JupyterServer KernelGateway Anwendungen festlegen.
1. Wählen Sie **Als Standard festlegen** aus. Dadurch wird ein Popup-Fenster geöffnet, in dem die aktuellen Standardeinstellungen für JupyterServer Anwendungen aufgelistet sind. KernelGateway
1. Wählen Sie **Als Standard festlegen**, um die Lebenszykluskonfiguration als Standard für den jeweiligen Anwendungstyp festzulegen.
# Debuggen von Lebenszykluskonfigurationen in Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
In den folgenden Themen erfahren Sie, wie Sie Informationen über Ihre Lebenszykluskonfigurationen abrufen und debuggen.
**Topics**
+ [Überprüfen Sie den Lebenszykluskonfigurationsprozess anhand von CloudWatch Protokollen](#studio-lcc-debug-logs)
+ [JupyterServer App-Fehler](#studio-lcc-debug-jupyterserver)
+ [KernelGateway App-Fehler](#studio-lcc-debug-kernel)
+ [Timeout für die Lebenszykluskonfiguration](#studio-lcc-debug-timeout)
## Überprüfen Sie den Lebenszykluskonfigurationsprozess anhand von CloudWatch Protokollen
Lebenszykluskonfigurationen protokollieren nur `STDOUT` und `STDERR`.
`STDOUT` ist die Standardausgabe für Bash-Skripte. Sie können in `STDERR` schreiben, indem Sie `>&2` an das Ende eines Bash-Befehls anhängen. Beispiel, `echo 'hello'>&2`.
Protokolle für Ihre Lebenszykluskonfigurationen werden auf Amazon veröffentlicht, wenn Sie Amazon AWS-Konto verwenden CloudWatch. Diese Protokolle finden Sie im `/aws/sagemaker/studio` Protokollstream in der CloudWatch Konsole.
1. Öffnen Sie die CloudWatch Konsole unter [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Wählen Sie auf der linken Seite **Protokolle** aus. Wählen Sie im Dropdown-Menü **Protokollgruppen** aus.
1. Suchen Sie auf der Seite **Protokollgruppen** nach `aws/sagemaker/studio`.
1. Wählen Sie die -Protokollgruppe aus.
1. Wählen Sie auf der Seite mit den **Details zur Protokollgruppe** die Registerkarte **Protokollstreams** aus.
1. Um die Logs für eine bestimmte App zu finden, durchsuchen Sie die Log-Streams im folgenden Format:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Um beispielsweise die Protokolle der Lebenszykluskonfiguration für Domain `d-m85lcu8vbqmz`, Bereichsname `i-sonic-js` und Anwendungstyp `JupyterLab` zu finden, verwenden Sie die folgende Suchzeichenfolge:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
## JupyterServer App-Fehler
Wenn Ihre JupyterServer App aufgrund eines Problems mit der angehängten Lebenszykluskonfiguration abstürzt, zeigt Studio Classic die folgende Fehlermeldung auf dem Studio Classic-Startbildschirm an.
```
Failed to create SageMaker Studio due to start-up script failure
```
Wählen Sie den `View script logs` Link aus, um die CloudWatch Protokolle für Ihre JupyterServer App anzuzeigen.
Wenn die fehlerhafte Lebenszykluskonfiguration in der `DefaultResourceSpec` Ihrer Domain, Ihres Benutzerprofils oder Ihres gemeinsam genutzten Bereichs angegeben ist, verwendet Studio die Lebenszykluskonfiguration auch nach einem Neustart von Studio weiter.
Um diesen Fehler zu beheben, folgen Sie den Schritten in [Standard-Lebenszykluskonfigurationen für Amazon SageMaker Studio Classic festlegen](studio-lcc-defaults.md), um das Skript für die Lebenszykluskonfiguration aus dem `DefaultResourceSpec` zu entfernen oder ein anderes Skript als Standard zu wählen. Starten Sie dann eine neue JupyterServer App.
## KernelGateway App-Fehler
Wenn Ihre KernelGateway App aufgrund eines Problems mit der angehängten Lebenszykluskonfiguration abstürzt, zeigt Studio Classic die Fehlermeldung in Ihrem Studio Classic-Notizbuch an.
Wählen Sie`View script logs`, ob Sie die CloudWatch Protokolle für Ihre KernelGateway App anzeigen möchten.
In diesem Fall wird Ihre Lebenszykluskonfiguration im Studio Classic Launcher angegeben, wenn Sie ein neues Studio-Classic-Notebook starten.
Um diesen Fehler zu beheben, verwenden Sie den Studio Classic Launcher, um eine andere Lebenszykluskonfiguration auszuwählen, oder wählen Sie `No script` aus.
**Anmerkung**
Eine unter angegebene KernelGateway Standardlebenszykluskonfiguration `DefaultResourceSpec` gilt für alle KernelGateway Bilder in der Domäne, im Benutzerprofil oder im gemeinsam genutzten Bereich, es sei denn, der Benutzer wählt ein anderes Skript aus der Liste aus, die im Studio Classic-Launcher angezeigt wird. Das Standardskript wird auch ausgeführt, wenn `No Script` vom Benutzer ausgewählt wird. Weitere Informationen zur Auswahl einer Schrift finden Sie unter [Schritt 3: Starten einer Anwendung mit der Lebenszykluskonfiguration](studio-lcc-create-console.md#studio-lcc-create-console-step3).
## Timeout für die Lebenszykluskonfiguration
Für die Lebenszykluskonfiguration gilt ein Timeout von 5 Minuten. Wenn die Ausführung eines Skripts für die Lebenszykluskonfiguration länger als 5 Minuten dauert, gibt Studio Classic einen Fehler aus.
Um diesen Fehler zu beheben, stellen Sie sicher, dass Ihr Lebenszykluskonfigurationsskript in weniger als 5 Minuten abgeschlossen ist.
Gehen Sie zum Reduzieren der Laufzeit von Skripten wie folgt vor:
+ Beschränken Sie sich auf notwendige Schritte. Schränken Sie zum Beispiel ein, in welchen conda-Umgebungen große Pakete installiert werden sollen.
+ Führen Sie Aufgaben in parallelen Prozessen aus.
+ Verwenden Sie den `nohup` Befehl in Ihrem Skript, um sicherzustellen, dass Hangup-Signale ignoriert werden, und um die Ausführung des Skripts nicht zu beenden.
# Lebenszykluskonfigurationen in Amazon SageMaker Studio Classic aktualisieren und trennen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Ein Lifecycle-Konfigurationsskript kann nicht geändert werden, nachdem es erstellt wurde. Um Ihr Skript zu aktualisieren, müssen Sie ein neues Lebenszyklus-Konfigurationsskript erstellen und es an die jeweilige Domain, das Benutzerprofil oder den gemeinsam genutzten Bereich anhängen. Weitere Informationen zum Erstellen und Anhängen der Lebenszykluskonfiguration finden Sie unter [Eine Lebenszykluskonfiguration erstellen und mit Amazon SageMaker Studio Classic verknüpfen](studio-lcc-create.md).
Das folgende Thema zeigt, wie Sie eine Lebenszykluskonfiguration mithilfe der AWS CLI und SageMaker AI-Konsole trennen.
**Topics**
+ [Voraussetzungen](#studio-lcc-delete-pre)
+ [Trennen Sie mit dem AWS CLI](#studio-lcc-delete-cli)
## Voraussetzungen
Vor der Trennung einer Lebenszykluskonfiguration müssen Sie die folgenden Voraussetzungen erfüllen.
+ Um eine Lebenszykluskonfiguration erfolgreich zu trennen, darf keine laufende Anwendung die Lebenszykluskonfiguration verwenden. Sie müssen zuerst die laufenden Anwendungen beenden, wie in [Amazon SageMaker Studio Classic und Apps herunterfahren und aktualisieren](studio-tasks-update.md) gezeigt.
## Trennen Sie mit dem AWS CLI
Um eine Lebenszykluskonfiguration mithilfe von zu trennen AWS CLI, entfernen Sie die gewünschte Lebenszykluskonfiguration aus der Liste der an die Ressource angehängten Lebenszykluskonfigurationen und übergeben Sie die Liste als Teil des entsprechenden Befehls:
+ [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html)
+ [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html)
+ [update-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-space.html)
Mit dem folgenden Befehl werden beispielsweise alle an die Domäne KernelGateways angehängten Lebenszykluskonfigurationen entfernt.
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"KernelGatewayAppSettings": {
"LifecycleConfigArns":
[]
}
}'
```
# Vorgeschlagene Git-Repos an Amazon SageMaker Studio Classic anhängen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Amazon SageMaker Studio Classic bietet eine Git-Erweiterung, mit der Sie die URL eines Git-Repositorys (Repo) eingeben, es in Ihre Umgebung klonen, Änderungen übertragen und den Commit-Verlauf anzeigen können. Zusätzlich zu dieser Git-Erweiterung können Sie auch ein empfohlenes Git-Repository URLs auf Amazon SageMaker AI-Domain- oder Benutzerprofilebene anhängen. Anschließend können Sie die Repo-URL aus der Liste der Vorschläge auswählen und sie mithilfe der Git-Erweiterung in Studio Classic in Ihre Umgebung klonen.
In den folgenden Themen wird gezeigt, wie Sie Git Repo über URLs die AWS CLI und SageMaker AI-Konsole an eine Domain oder ein Benutzerprofil anhängen. Sie erfahren auch, wie Sie diese Repositorys trennen können. URLs
**Topics**
+ [Hängen Sie ein Git-Repository aus dem AWS CLI für Amazon SageMaker Studio Classic an](studio-git-attach-cli.md)
+ [Hängen Sie ein Git-Repository von der SageMaker AI-Konsole für Amazon SageMaker Studio Classic an](studio-git-attach-console.md)
+ [Git Repos von Amazon SageMaker Studio Classic trennen](studio-git-detach.md)
# Hängen Sie ein Git-Repository aus dem AWS CLI für Amazon SageMaker Studio Classic an
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur vorhandene Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Das folgende Thema zeigt, wie Sie eine Git-Repository-URL mithilfe von anhängen AWS CLI, sodass Amazon SageMaker Studio Classic sie automatisch zum Klonen vorschlägt. Nachdem Sie die Git-Repository-URL angehängt haben, können Sie sie klonen, indem Sie die Schritte unter [Klonen Sie ein Git-Repository in Amazon SageMaker Studio Classic](studio-tasks-git.md) befolgen.
## Voraussetzungen
Stellen Sie vor Beginn sicher, dass die folgenden Voraussetzungen erfüllt sind:
+ Aktualisieren Sie das, AWS CLI indem Sie den Schritten unter [Installation der aktuellen AWS CLI-Version](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) folgen.
+ Führen Sie `aws configure` von Ihrem lokalen Rechner aus und geben Sie Ihre AWS -Anmeldedaten ein. Informationen zu AWS Anmeldeinformationen finden Sie unter [Ihre AWS Anmeldeinformationen verstehen und abrufen](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Integrieren Sie die Amazon SageMaker AI-Domain. Weitere Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
## Anfügen des Git-Repo an eine Domain oder ein Benutzerprofil
Git-Repos, die auf Domainebene URLs verknüpft sind, werden von allen Benutzern vererbt. Git-Repos, URLs die auf Benutzerprofilebene verknüpft sind, sind jedoch auf einen bestimmten Benutzer beschränkt. Sie können mehrere Git-Repos URLs an eine Domain oder ein Benutzerprofil anhängen, indem Sie eine URLs Repository-Liste übergeben.
In den folgenden Abschnitten wird gezeigt, wie Sie eine Git-Repo-URL an Ihre Domain und Ihr Benutzerprofil anfügen.
### An eine Domain anhängen
Mit dem folgenden Befehl wird eine Git-Repo-URL an eine bestehende Domain angefügt.
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
### An ein Benutzerprofil anhängen
Im Folgenden wird gezeigt, wie Sie eine Git-Repo-URL an ein vorhandenes Benutzerprofil anhängen.
```
aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\
--user-settings JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
# Hängen Sie ein Git-Repository von der SageMaker AI-Konsole für Amazon SageMaker Studio Classic an
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Das folgende Thema zeigt, wie Sie eine Git-Repository-URL von der Amazon SageMaker AI-Konsole aus zuordnen, um sie in Ihrer Studio Classic-Umgebung zu klonen. Nachdem Sie die Git-Repository-URL verknüpft haben, können Sie sie klonen, indem Sie die Schritte unter [Klonen Sie ein Git-Repository in Amazon SageMaker Studio Classic](studio-tasks-git.md) befolgen.
## Voraussetzungen
Bevor Sie mit diesem Tutorial beginnen können, müssen Sie die Amazon SageMaker AI-Domain abonnieren. Weitere Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
## Anfügen des Git-Repo an eine Domain oder ein Benutzerprofil
Git-Repos, die auf Domainebene URLs verknüpft sind, werden von allen Benutzern vererbt. Git-Repo-URLs, die auf Benutzerprofilebene verknüpft sind, sind jedoch auf einen bestimmten Benutzer beschränkt.
In den folgenden Abschnitten wird gezeigt, wie Sie eine Git-Repo-URL an eine Domain und ein Benutzerprofil anhängen.
### An eine Domain anhängen
**So fügen Sie eine Git-Repo-URL an eine bestehende Domain an**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie die Domain aus, an die das Git-Repo angefügt werden soll.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Umgebung** aus.
1. Wählen Sie auf der Registerkarte **Vorgeschlagene Code-Repositorys für die Domain** die Option **Anhängen** aus.
1. Geben Sie unter **Quelle** die URL des Git-Repositorys ein.
1. Wählen Sie **An Domain anhängen** aus.
### An ein Benutzerprofil anhängen
In den folgenden Abschnitten wird gezeigt, wie Sie eine Git-Repo-URL an Ihr bestehendes Benutzerprofil anhängen.
**Hängen Sie das Git-Repo an ein Benutzerprofil an**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie die Domain aus, die das Benutzerprofil enthält, an das das Git-Repo angefügt werden soll.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Benutzerprofile** aus.
1. Wählen Sie das Benutzerprofil aus, an das die Git-Repo-URL angehängt werden soll.
1. Klicken Sie auf der Seite **Details des Benutzers** auf **Bearbeiten**.
1. Wählen Sie auf der Seite **Studio-Einstellungen** im Bereich **Vorgeschlagene Code-Repositorys für den Benutzer** die Option **Anhängen** aus.
1. Geben Sie unter **Quelle** die URL des Git-Repositorys ein.
1. Wählen Sie **An Benutzer anhängen**.
# Git Repos von Amazon SageMaker Studio Classic trennen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Diese Anleitung zeigt, wie Sie das Git-Repository mithilfe der oder der Amazon SageMaker AI-Konsole URLs von einer Amazon SageMaker AI-Domain AWS CLI oder einem Benutzerprofil trennen.
**Topics**
+ [Trennen Sie ein Git-Repo mit dem AWS CLI](#studio-git-detach-cli)
+ [Trennen Sie das Git-Repo mithilfe der SageMaker AI-Konsole](#studio-git-detach-console)
## Trennen Sie ein Git-Repo mit dem AWS CLI
Um das gesamte Git-Repo URLs von einer Domain oder einem Benutzerprofil zu trennen, müssen Sie eine leere Liste von Code-Repositorys übergeben. Diese Liste wird als Teil des `JupyterServerAppSettings` Parameters in einem `update-domain` oder `update-user-profile` Befehl übergeben. Um nur eine Git-Repo-URL zu trennen, übergeben Sie die Code-Repository-Liste ohne die gewünschte Git-Repo-URL. In diesem Abschnitt wird gezeigt, wie Sie mithilfe von AWS Command Line Interface ()AWS CLI alle Git-Repos URLs von Ihrer Domain oder Ihrem Benutzerprofil trennen.
### Von einer Domain trennen
Der folgende Befehl trennt das gesamte Git-Repo URLs von einer Domain.
```
aws sagemaker update-domain --region region --domain-name domain-name \
--domain-settings JupyterServerAppSettings={CodeRepositories=[]}
```
### Trennen von einem Benutzerprofil
Der folgende Befehl trennt das gesamte Git-Repo URLs von einem Benutzerprofil.
```
aws sagemaker update-user-profile --domain-name domain-name --user-profile-name user-name\
--user-settings JupyterServerAppSettings={CodeRepositories=[]}
```
## Trennen Sie das Git-Repo mithilfe der SageMaker AI-Konsole
In den folgenden Abschnitten wird gezeigt, wie Sie mithilfe der SageMaker AI-Konsole eine Git-Repo-URL von einer Domain oder einem Benutzerprofil trennen.
### Von einer Domain trennen
Gehen Sie wie folgt vor, um eine Git-Repo-URL von einer vorhandenen Domain zu trennen.
**So trennen Sie eine Git-Repo-URL von einer vorhandenen Domain**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie die Domain mit der Git-Repo-URL aus, die Sie trennen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Umgebung** aus.
1. Wählen Sie auf der Registerkarte **Vorgeschlagene Code-Repositorys für die Domain** die Git-Repository-URL aus, die Sie trennen möchten.
1. Wählen Sie **Trennen** aus.
1. Wählen Sie im neuen Fenster die Option **Trennen** aus.
### Trennen von einem Benutzerprofil
Gehen Sie wie folgt vor, um eine Git-Repo-URL von einem Benutzerprofil zu trennen.
**Um eine Git-Repo-URL von einem Benutzerprofil zu trennen**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie die Domain aus, die das Benutzerprofil mit der Git-Repo-URL enthält, die Sie trennen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Benutzerprofile** aus.
1. Wählen Sie das Benutzerprofil mit der Git-Repo-URL aus, die Sie trennen möchten.
1. Klicken Sie auf der Seite **Details des Benutzers** auf **Bearbeiten**.
1. Wählen Sie auf der Seite mit den **Studio-Einstellungen** die Git-Repo-URL aus, um sie von der Registerkarte **Vorgeschlagene Code-Repositorys für den Benutzer** zu trennen.
1. Wählen Sie **Trennen** aus.
1. Wählen Sie im neuen Fenster die Option **Trennen** aus.
# Allgemeine Aufgaben in Amazon SageMaker Studio Classic ausführen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
In den folgenden Abschnitten wird beschrieben, wie allgemeine Aufgaben in Amazon SageMaker Studio Classic ausgeführt werden. Eine Übersicht über die Studio-Classic-Benutzeroberfläche finden Sie unter [Überblick über die Amazon SageMaker Studio Classic-Benutzeroberfläche](studio-ui.md).
**Topics**
+ [Dateien auf Amazon SageMaker Studio Classic hochladen](studio-tasks-files.md)
+ [Klonen Sie ein Git-Repository in Amazon SageMaker Studio Classic](studio-tasks-git.md)
+ [Beenden Sie einen Schulungsjob in Amazon SageMaker Studio Classic](studio-tasks-stop-training-job.md)
+ [TensorBoard In Amazon SageMaker Studio Classic verwenden](studio-tensorboard.md)
+ [Verwenden Sie Amazon Q Developer mit Amazon SageMaker Studio Classic](sm-q.md)
+ [Verwalten Sie Ihr Amazon EFS-Speichervolume in Amazon SageMaker Studio Classic](studio-tasks-manage-storage.md)
+ [Geben Sie Feedback zu Amazon SageMaker Studio Classic](studio-tasks-provide-feedback.md)
+ [Amazon SageMaker Studio Classic und Apps herunterfahren und aktualisieren](studio-tasks-update.md)
# Dateien auf Amazon SageMaker Studio Classic hochladen
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Wenn Sie Amazon SageMaker Studio Classic nutzen, wird ein Home-Verzeichnis für Sie in dem Amazon Elastic File System (Amazon EFS) -Volume erstellt, das für Ihr Team erstellt wurde. Studio Classic kann nur Dateien öffnen, die in Ihr Verzeichnis hochgeladen wurden. Der Studio-Classic-Dateibrowser ist Ihrem Stammverzeichnis zugeordnet.
**Anmerkung**
Studio Classic unterstützt das Hochladen von Ordnern nicht. Sie können zwar nur einzelne Dateien hochladen, aber Sie können mehrere Dateien gleichzeitig hochladen.
**Um Dateien in Ihr aktuelles Verzeichnis hochzuladen**
1. Wählen Sie in der linken Seitenleiste das Symbol **File Browser (Dateibrowser)** aus ( ![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder.png) ).
1. Wählen Sie im Dateibrowser das Symbol **Dateien hochladen** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/File_upload_squid.png)) aus.
1. Wählen Sie die Dateien die Sie hochladen möchten und danach **Öffnen**.
1. Doppelklicken Sie auf eine Datei, um die Datei in einer neuen Registerkarte in Studio Classic zu öffnen.
# Klonen Sie ein Git-Repository in Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Amazon SageMaker Studio Classic kann nur eine Verbindung zu einem lokalen Git-Repository (Repo) herstellen. Das bedeutet, dass Sie das Git-Repo von Studio Classic aus klonen müssen, um auf die Dateien im Repository zugreifen zu können. Studio Classic bietet eine Git-Erweiterung, mit der Sie die URL eines Git-Repos eingeben, es in Ihre Umgebung klonen, Änderungen mithilfe von Push übertragen und den Commit-Verlauf anzeigen können. Wenn das Repo privat ist und für den Zugriff Anmeldeinformationen erforderlich sind, werden Sie aufgefordert, Ihre Benutzeranmeldedaten einzugeben. Dazu gehören Ihr Benutzername und Ihr persönliches Zugriffstoken. Weitere Informationen zu persönlichen Zugriffstoken finden Sie unter [Persönliche Zugriffstokens verwalten](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
Administratoren können auch ein empfohlenes Git-Repository URLs auf Amazon SageMaker AI-Domain- oder Benutzerprofilebene anhängen. Benutzer können dann die Repo-URL aus der Liste der Vorschläge auswählen und sie in Studio Classic klonen. Weitere Informationen zum Anfügen von vorgeschlagenen Repos finden Sie unter [Vorgeschlagene Git-Repos an Amazon SageMaker Studio Classic anhängen](studio-git-attach.md).
Das folgende Verfahren zeigt, wie Sie ein GitHub Repo aus Studio Classic klonen.
**Klonen Sie das Repo**
1. Klicken Sie in der linken Seitenleiste auf das Symbol **Git** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/git.png)).
1. Wählen Sie **Repository klonen**. Dies öffnet ein neues Fenster.
1. Geben Sie im Fenster **Git-Repository klonen** die URL im folgenden Format für das Git-Repo ein, das Sie klonen möchten, oder wählen Sie ein Repository aus der Liste der **vorgeschlagenen Repositorys** aus.
```
https://github.com/path-to-git-repo/repo.git
```
1. Wenn Sie die URL des Git-Repositorys manuell eingegeben haben, wählen Sie **Clone "*git-url*"** aus dem Drop-down-Menü aus.
1. Geben Sie unter **Projektverzeichnis, in das geklont wird**, den Pfad zu dem lokalen Verzeichnis ein, in das Sie das Git-Repo klonen möchten. Wenn dieser Wert leer gelassen wird, klont Studio Classic das Repository in JupyterLab das Stammverzeichnis.
1. Klicken auf **Clone**. Dadurch wird ein neues Terminalfenster geöffnet.
1. Wenn für das Repo Anmeldeinformationen erforderlich sind, werden Sie aufgefordert, Ihren Benutzernamen und Ihr persönliches Zugriffstoken einzugeben. Diese Aufforderung akzeptiert keine Passwörter. Sie müssen ein persönliches Zugriffstoken verwenden. Weitere Informationen zu persönlichen Zugriffstoken finden Sie unter [Persönliche Zugriffstokens verwalten](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
1. Warten Sie bis der Download abgeschlossen ist. Nachdem das Repo geklont wurde, wird der **Dateibrowser** geöffnet, um das geklonte Repo anzuzeigen.
1. Doppelklicken Sie auf das Repo, um es zu öffnen.
1. Wählen Sie das **Git**-Symbol, um die Git-Benutzeroberfläche anzuzeigen, die jetzt das Repo verfolgt.
1. Um ein anderes Repo zu verfolgen, öffnen Sie das Repo im Dateibrowser und wählen Sie dann das **Git**-Symbol.
# Beenden Sie einen Schulungsjob in Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Sie können einen Trainingsjob mit der Amazon SageMaker Studio Classic-Benutzeroberfläche beenden. Wenn Sie einen Trainingsjob beenden, ändert sich dessen Status in `Stopping`, und die Abrechnung wird eingestellt. Ein Algorithmus kann die Beendigung verzögern, um Modellartefakte zu speichern. Anschließend ändert sich der Auftragsstatus zu `Stopped`. Weitere Informationen finden Sie unter der Methode [stop\$1training\$1job](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.stop_training_job) im AWS SDK für Python (Boto3).
**So beenden Sie einen Trainingsjob**
1. Befolgen Sie das Verfahren [Experimente und Läufe anzeigen](experiments-view-compare.md) auf dieser Seite, bis zu dem Punkt, an dem Sie die Registerkarte **Describe Trial Component (Tetstkomponente beschreiben)** öffnen können.
1. Wählen Sie rechts oben auf der Registerkarte **Trainingsjob beenden** aus. Der **Status** oben links auf der Registerkarte ändert sich zu **Stopped (Beendet)**.
1. Um sich die Trainingszeit und die kostenpflichtige Zeit anzeigen zu lassen, wählen Sie **AWS Einstellungen** aus.
# TensorBoard In Amazon SageMaker Studio Classic verwenden
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Das folgende Dokument beschreibt die Installation und Ausführung TensorBoard in Amazon SageMaker Studio Classic.
**Anmerkung**
Diese Anleitung zeigt, wie Sie die TensorBoard Anwendung über einen SageMaker Studio Classic-Notebook-Server mit einem individuellen SageMaker AI-Domain-Benutzerprofil öffnen. Eine umfassendere TensorBoard Erfahrung, die in SageMaker Training und die Zugriffskontrollfunktionen der SageMaker AI-Domäne integriert ist, finden Sie unter[TensorBoard in Amazon SageMaker AI](tensorboard-on-sagemaker.md).
## Voraussetzungen
Für dieses Tutorial ist eine SageMaker KI-Domain erforderlich. Weitere Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
## Einrichten von `TensorBoardCallback`
1. Starten Sie Studio Classic und öffnen Sie den Launcher. Weitere Informationen finden Sie unter [Verwenden Sie den Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. Wählen Sie im Amazon SageMaker Studio Classic Launcher unter `Notebooks and compute resources` die Schaltfläche **Umgebung ändern**.
1. Im Dialogfeld **Umgebung ändern** verwenden Sie die Dropdown-Menüs, um das **Image** `TensorFlow 2.6 Python 3.8 CPU Optimized` von Studio Classic auszuwählen.
1. Kehren Sie zum Launcher zurück und klicken Sie auf die Kachel **Notebook erstellen**. Ihr Notebook wird gestartet und auf einer neuen Studio-Classic-Registerkarte geöffnet.
1. Führen Sie diesen Code in Ihren Notebook-Zellen aus.
1. Importieren Sie die erforderlichen Pakete.
```
import os
import datetime
import tensorflow as tf
```
1. Erstellen Sie ein Keras-Modell.
```
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. Erstellen Sie ein Verzeichnis für Ihre TensorBoard Logs
```
LOG_DIR = os.path.join(os.getcwd(), "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
```
1. Führen Sie das Training mit durch TensorBoard.
```
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. Generieren Sie den EFS-Pfad für die TensorBoard Protokolle. Sie verwenden diesen Pfad, um Ihre Protokolle vom Terminal aus einzurichten.
```
EFS_PATH_LOG_DIR = "/".join(LOG_DIR.strip("/").split('/')[1:-1])
print (EFS_PATH_LOG_DIR)
```
Rufen Sie den `EFS_PATH_LOG_DIR` ab. Sie benötigen ihn im TensorBoard Installationsbereich.
## Installieren TensorBoard
1. Klicken Sie auf die `Amazon SageMaker Studio Classic` Schaltfläche in der oberen linken Ecke von Studio Classic, um den Amazon SageMaker Studio Classic Launcher zu öffnen. Dieser Launcher muss von Ihrem Stammverzeichnis aus geöffnet werden. Weitere Informationen finden Sie unter [Verwenden Sie den Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. Klicken Sie im Launcher unter `Utilities and files` auf `System terminal`.
1. Führen Sie am Terminal folgende Befehle aus. Kopieren Sie `EFS_PATH_LOG_DIR` aus dem Jupyter Notebook. Sie müssen dies aus dem `/home/sagemaker-user` Stammverzeichnis ausführen.
```
pip install tensorboard
tensorboard --logdir
```
## Starten TensorBoard
1. Kopieren Sie zum Starten TensorBoard Ihre Studio Classic-URL und `lab?` ersetzen Sie `proxy/6006/` sie wie folgt. Sie müssen das Schlusszeichen `/` einschließen.
```
https://.studio.region.sagemaker.aws/jupyter/default/proxy/6006/
```
1. Navigieren Sie zur URL, um Ihre Ergebnisse zu überprüfen.
# Verwenden Sie Amazon Q Developer mit Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Amazon SageMaker Studio Classic ist eine integrierte Umgebung für maschinelles Lernen, in der Sie Ihre Modelle in derselben Anwendung erstellen, trainieren, bereitstellen und analysieren können. Mithilfe von Amazon Q Developer mit Amazon SageMaker AI können Sie Codeempfehlungen generieren und Verbesserungen im Zusammenhang mit Codeproblemen vorschlagen.
Amazon Q Developer ist ein auf generativer künstlicher Intelligenz (KI) basierender Konversationsassistent, der Ihnen helfen kann, AWS Anwendungen zu verstehen, zu erstellen, zu erweitern und zu betreiben. Im Kontext einer integrierten AWS Codierungsumgebung kann Amazon Q Codeempfehlungen auf der Grundlage des Codes der Entwickler sowie ihrer Kommentare in natürlicher Sprache generieren.
Amazon Q bietet die meiste Unterstützung für Java, Python,, C\$1 JavaScript TypeScript, Go, PHP, Rust, Kotlin und SQL sowie für die Infrastructure as Code (IaC) -Sprachen JSON (), YAML (CloudFormation), HCL (Terraform CloudFormation) und CDK (Typescript, Python). Es unterstützt auch die Codegenerierung für Ruby, C\$1\$1, C, Shell und Scala. Beispiele dafür, wie Amazon Q in Amazon SageMaker AI integriert ist und Codevorschläge in der Amazon SageMaker Studio Classic IDE anzeigt, finden Sie unter [Codebeispiele](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/inline-suggestions-code-examples.html) im *Amazon Q Developer User Guide*.
Weitere Informationen zur Verwendung von Amazon Q mit Amazon SageMaker Studio Classic finden Sie im [Amazon Q Developer User Guide](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/sagemaker-setup.html).
# Verwalten Sie Ihr Amazon EFS-Speichervolume in Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Wenn ein Benutzer in Ihrem Team zum ersten Mal Amazon SageMaker Studio Classic nutzt, erstellt Amazon SageMaker AI ein Amazon Elastic File System (Amazon EFS) -Volume für das Team. Für jeden Benutzer, der als Teil Ihres Teams bei Studio Classic einsteigt, wird im Volume ein Stammverzeichnis erstellt. In diesen Verzeichnissen werden Notebookdateien und Datendateien gespeichert. Benutzer haben keinen Zugriff auf die Home-Verzeichnisse anderer Teammitglieder. Die Amazon SageMaker AI-Domain unterstützt das Mounten von benutzerdefinierten oder zusätzlichen Amazon EFS-Volumes nicht.
**Wichtig**
Löschen Sie das Amazon EFS-Volume nicht. Wenn Sie sie löschen, funktioniert die Domain nicht mehr und alle Benutzer verlieren ihre Arbeit.
**So finden Sie Ihr Amazon EFS Volumes**
1. Öffnen Sie die [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie auf der Seite **Domains** die Domain aus, für die Sie die ID finden möchten.
1. Wählen Sie auf der Seite mit den **Domain-Details** den Tab **Domaineinstellungen** aus.
1. Suchen Sie unter **Allgemeine Einstellungen** nach der **Domain-ID**. Die ID hat das folgende Format: `d-xxxxxxxxxxxx`.
1. Übergeben Sie das `Domain ID`, as `DomainId`, an die Methode [describe\$1domain](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.describe_domain).
1. Notieren Sie in der Antwort von `describe_domain` den Wert für den `HomeEfsFileSystemId` Schlüssel. Das ist das Amazon EFS-Dateisystem-ID.
1. Öffnen Sie die [Amazon-ECS-Konsole](https://console.aws.amazon.com/efs#/file-systems/). Stellen Sie sicher, dass es sich bei der AWS Region um dieselbe Region handelt, die von Studio Classic verwendet wird.
1. Wählen Sie unter **Dateisysteme** die Dateisystem-ID aus dem vorherigen Schritt aus.
1. Um zu überprüfen, ob Sie das richtige Dateisystem ausgewählt haben, wählen Sie die Überschrift **Tags** aus. Der Wert, der dem `ManagedByAmazonSageMakerResource` Schlüssel entspricht, sollte mit dem `Studio Classic ID` übereinstimmen.
Informationen zum Zugriff auf das Amazon EFS-Volume finden Sie unter [Dateisysteme in Amazon EFS verwenden](https://docs.aws.amazon.com/efs/latest/ug/using-fs.html).
Informationen zum Löschen des Amazon EFS-Volumes finden Sie unter [Löschen eines Amazon EFS-Dateisystems](https://docs.aws.amazon.com/efs/latest/ug/delete-efs-fs.html).
# Geben Sie Feedback zu Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Amazon SageMaker AI nimmt Ihr Feedback ernst. Wir empfehlen Ihnen, Feedback zu geben.
**So geben Sie Feedback**
1. Rechts neben SageMaker Studio Classic finden Sie das **Feedback-Symbol** (![\[Speech bubble icon representing messaging or communication functionality.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/feedback.png)).
1. Wählen Sie ein Smiley-Emoji, um uns mitzuteilen, wie zufrieden Sie mit SageMaker Studio Classic sind, und fügen Sie Feedback hinzu, das Sie uns mitteilen möchten.
1. Entscheiden Sie, ob Sie Ihre Identität mit uns teilen möchten, und wählen Sie dann **Submit (Senden)**.
# Amazon SageMaker Studio Classic und Apps herunterfahren und aktualisieren
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
In den folgenden Themen wird gezeigt, wie Sie Studio Classic- und SageMaker Studio Classic-Apps herunterfahren und aktualisieren.
Studio Classic bietet ein Benachrichtigungssymbol (![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/Notification.png)) in der oberen rechten Ecke der Studio-Classic-Benutzeroberfläche. Dieses Benachrichtigungssymbol zeigt die Anzahl der ungelesenen Benachrichtigungen an. Um die Benachrichtigungen zu lesen, wählen Sie das Symbol aus.
Studio Classic bietet zwei Arten von Benachrichtigungen:
+ Upgrade – wird angezeigt, wenn Studio Classic oder eine der Studio-Classic-Apps eine neue Version veröffentlicht haben. Informationen zum Aktualisieren von Studio Classic finden Sie unter [Amazon SageMaker Studio Classic herunterfahren und aktualisieren](studio-tasks-update-studio.md). Informationen zum Aktualisieren von Studio-Classic-Apps finden Sie unter [Amazon SageMaker Studio Classic-Apps herunterfahren und aktualisieren](studio-tasks-update-apps.md).
+ Information – Wird für neue Features und andere Informationen angezeigt.
Um das Benachrichtigungssymbol zurückzusetzen, müssen Sie den Link in jeder Benachrichtigung auswählen. Gelesene Benachrichtigungen werden möglicherweise weiterhin im Symbol angezeigt. Dies bedeutet nicht, dass nach der Aktualisierung von Studio Classic und Studio-Classic-Apps weiterhin Updates erforderlich sind.
Informationen zum Aktualisieren von [Amazon SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html) finden Sie unter. [Amazon SageMaker Studio Classic-Apps herunterfahren und aktualisieren](studio-tasks-update-apps.md)
Um sicherzustellen, dass Sie über die neuesten Softwareupdates verfügen, aktualisieren Sie Amazon SageMaker Studio Classic und Ihre Studio Classic-Apps mithilfe der in den folgenden Themen beschriebenen Methoden.
**Topics**
+ [Amazon SageMaker Studio Classic herunterfahren und aktualisieren](studio-tasks-update-studio.md)
+ [Amazon SageMaker Studio Classic-Apps herunterfahren und aktualisieren](studio-tasks-update-apps.md)
# Amazon SageMaker Studio Classic herunterfahren und aktualisieren
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Um Amazon SageMaker Studio Classic auf die neueste Version zu aktualisieren, müssen Sie die JupyterServer App herunterfahren. Sie können die JupyterServer App von der SageMaker AI-Konsole, von Amazon SageMaker Studio oder von Studio Classic aus herunterfahren. Nachdem die JupyterServer App heruntergefahren wurde, müssen Sie Studio Classic über die SageMaker AI-Konsole oder über Studio, das eine neue Version der JupyterServer App erstellt, erneut öffnen.
Sie können die JupyterServer Anwendung nicht löschen, solange die Studio Classic-Benutzeroberfläche noch im Browser geöffnet ist. Wenn Sie die JupyterServer Anwendung löschen, während die Studio Classic-Benutzeroberfläche noch im Browser geöffnet ist, erstellt SageMaker AI die JupyterServer Anwendung automatisch neu.
Nicht gespeicherte Notebook-Informationen gehen dabei verloren. Die Benutzerdaten im Amazon EFS-Volume sind nicht betroffen.
Einige der Services in Studio Classic, wie Data Wrangler, werden in einer eigenen App ausgeführt. Um diese Dienste zu aktualisieren, müssen Sie die App für diesen Dienst löschen. Weitere Informationen hierzu finden Sie unter [Amazon SageMaker Studio Classic-Apps herunterfahren und aktualisieren](studio-tasks-update-apps.md).
**Anmerkung**
Eine JupyterServer App ist einem einzelnen Studio Classic-Benutzer zugeordnet. Wenn Sie die App für einen Benutzer aktualisieren, hat dies keine Auswirkungen auf andere Benutzer.
Auf der folgenden Seite wird gezeigt, wie Sie die JupyterServer App von der SageMaker AI-Konsole, von Studio aus oder von Studio Classic aus aktualisieren.
## Fahren Sie das Gerät von der SageMaker AI-Konsole aus herunter und aktualisieren Sie es
1. Navigieren Sie zu [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie die Domain aus, die die zu aktualisierende Studio-Classic-Anwendung enthält.
1. Wählen Sie unter **Benutzerprofile** Ihren Benutzernamen aus.
1. Wählen Sie in der angezeigten Zeile unter ****JupyterServer**Apps** die Option **Aktion** und anschließend **Löschen** aus.
1. Wählen Sie **Ja, App löschen** aus.
1. Geben Sie **delete** im Bestätigungsfeld ein, um dies zu bestätigen.
1. Wählen Sie **Löschen** aus.
1. Nachdem die App gelöscht wurde, starten Sie eine neue Studio-Classic-App, um die neueste Version zu erhalten.
## Herunterfahren und Aktualisieren von Studio
1. Navigieren Sie zu Studio, indem Sie den Schritten unter [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md) folgen.
1. Suchen Sie in der Studio-Benutzeroberfläche den Anwendungsbereich auf der linken Seite.
1. Wählen Sie im Anwendungsbereich **Studio Classic** aus.
1. Wählen Sie auf der Studio-Classic-Landingpage die Studio-Classic-Instance aus, die Sie beenden möchten.
1. Wählen Sie **Beenden** aus.
1. Nachdem die App gestoppt wurde, wählen Sie **Ausführen** aus, um die neueste Version zu verwenden.
## Herunterfahren und Aktualisieren aus Studio Classic
1. Starten Sie Studio Classic.
1. Wählen Sie im oberen Menü **File (Datei)** und anschließend **Shut Down (Herunterfahren)** aus.
1. Wählen Sie eine der folgenden Optionen:
+ **Server herunterfahren** — Fährt die JupyterServer App herunter. Terminalsitzungen, Kernel-Sitzungen, SageMaker Images und Instanzen werden nicht heruntergefahren. Für diese Ressourcen fallen weiterhin Gebühren an.
+ **Alle herunterfahren** — Fährt alle Apps, Terminalsitzungen, Kernel-Sitzungen, SageMaker Images und Instanzen herunter. Für diese Ressourcen fallen keine Gebühren mehr an.
1. Schließen Sie das -Fenster.
1. Nachdem die App gelöscht wurde, starten Sie eine neue Studio-Classic-App, um die neueste Version zu verwenden.
# Amazon SageMaker Studio Classic-Apps herunterfahren und aktualisieren
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Um eine Amazon SageMaker Studio Classic-App auf die neueste Version zu aktualisieren, müssen Sie zuerst die entsprechende KernelGateway App von der SageMaker AI-Konsole aus herunterfahren. Nachdem die KernelGateway App heruntergefahren wurde, müssen Sie sie erneut über SageMaker Studio Classic öffnen, indem Sie einen neuen Kernel ausführen. Der Kernel wird automatisch aktualisiert. Nicht gespeicherte Notebook-Informationen gehen dabei verloren. Die Benutzerdaten im Amazon EFS-Volume sind nicht betroffen.
Nachdem eine Anwendung für 24 Stunden heruntergefahren wurde, löscht SageMaker AI alle Metadaten für die Anwendung. Um als Aktualisierung zu gelten und Anwendungsmetadaten beizubehalten, müssen Anwendungen innerhalb von 24 Stunden nach dem Herunterfahren der vorherigen Anwendung neu gestartet werden. Nach Ablauf dieses Zeitfensters wird die Erstellung einer Anwendung als neue Anwendung und nicht als Aktualisierung der vorherigen Anwendung betrachtet.
**Anmerkung**
Eine KernelGateway App ist einem einzelnen Studio Classic-Benutzer zugeordnet. Wenn Sie die App für einen Benutzer aktualisieren, hat dies keine Auswirkungen auf andere Benutzer.
**Um die KernelGateway App zu aktualisieren**
1. Navigieren Sie zu [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie die Domain aus, die die Anwendung enthält, die Sie aktualisieren möchten.
1. Wählen Sie unter **Benutzerprofile** Ihren Benutzernamen aus.
1. Wählen Sie unter **Apps** in der Zeile mit dem **App-Namen** **Aktion** und anschließend **Löschen** aus
Um Data Wrangler zu aktualisieren, löschen Sie die App, die mit beginnt. **sagemaker-data-wrang**
1. Wählen Sie **Ja, App löschen** aus.
1. Geben Sie **delete** im Bestätigungsfeld ein, um dies zu bestätigen.
1. Wählen Sie **Löschen** aus.
1. Nachdem die App gelöscht wurde, starten Sie in Studio Classic einen neuen Kernel, um die neueste Version zu verwenden.
# Amazon SageMaker Studio Classic — Preise
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
Wenn das erste Mitglied Ihres Teams Amazon SageMaker Studio Classic nutzt, erstellt Amazon SageMaker AI ein Amazon Elastic File System (Amazon EFS) -Volume für das Team. Wenn dieses Mitglied oder ein anderes Mitglied des Teams Studio Classic öffnet, wird im Volume ein Stammverzeichnis für das Mitglied erstellt. Für dieses Verzeichnis fallen Speichergebühren an. In der Folge fallen zusätzliche Speichergebühren für die Notebooks und Datendateien an, die im Home-Verzeichnis des Mitglieds gespeichert sind. Weitere Informationen zu Amazon EFS-Preisen finden Sie unter [Amazon EFS Preise](https://aws.amazon.com/efs/pricing/).
Zusätzliche Kosten entstehen, wenn andere Vorgänge in Studio Classic ausgeführt werden, z. B. die Ausführung eines Notebooks, die Ausführung von Trainingsjobs und das Hosting eines Modells.
Weitere Informationen zu den Kosten in Zusammenhang mit der Verwendung von Studio-Classic-Notebooks finden Sie unter [Nutzungsmessung für Amazon SageMaker Studio Classic-Notebooks](notebooks-usage-metering.md).
Informationen zur Abrechnung sowie Preisbeispiele finden Sie unter [ SageMaker Amazon-Preise](https://aws.amazon.com/sagemaker/pricing/).
Wenn Amazon SageMaker Studio Ihr Standarderlebnis ist, finden Sie [Amazon SageMaker Studio-Preise](studio-updated-cost.md) weitere Preisinformationen unter.
# Problembehebung bei Amazon SageMaker Studio Classic
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
In diesem Thema wird beschrieben, wie Sie häufig auftretende Probleme mit Amazon SageMaker Studio Classic bei der Einrichtung und Verwendung beheben können. Im Folgenden sind häufig auftretende Fehler aufgeführt, die bei der Verwendung von Amazon SageMaker Studio Classic auftreten können. Auf jeden Fehler folgt eine Lösung.
## Probleme mit der Studio-Classic-Anwendung
Die folgenden Probleme treten beim Starten und Verwenden der Studio-Classic-Anwendung auf.
+ **Der Bildschirm wird nicht geladen: Den Workspace löschen und warten hilft nicht**
Beim Starten der Studio-Classic-Anwendung wird in einem Pop-up-Fenster die folgende Meldung angezeigt. Unabhängig davon, welche Option ausgewählt wird, wird Studio Classic nicht geladen.
```
Loading...
The loading screen is taking a long time. Would you like to clear the workspace or keep waiting?
```
Bei der Studio-Classic-Anwendung kann es zu einer Verzögerung beim Start kommen, wenn mehrere Registerkarten im Studio-Classic-Workspace geöffnet sind oder sich mehrere Dateien in Amazon EFS befinden. Dieses Pop-up-Fenster sollte nach einigen Sekunden verschwinden, sobald der Studio-Classic-Workspace bereit ist.
Wenn Sie nach der Auswahl einer der Optionen weiterhin einen Ladebildschirm mit einem Drehfeld sehen, kann es zu Verbindungsproblemen mit der von Studio Classic verwendeten Amazon Virtual Private Cloud kommen.
Überprüfen Sie die folgenden Netzwerkkonfigurationen, um Verbindungsprobleme mit der von Studio Classic verwendeten Amazon Virtual Private Cloud (Amazon VPC) zu beheben:
+ Wenn Ihre Domain im `VpcOnly` Modus eingerichtet ist: Stellen Sie sicher, dass ein Amazon VPC-Endpunkt für AWS STS oder ein NAT-Gateway für ausgehenden Datenverkehr, einschließlich Verkehr über das Internet, vorhanden ist. Befolgen Sie dafür die unter [Verbinden von Studio-Notebooks in einer VPC mit externen Ressourcen](studio-notebooks-and-internet-access.md) beschriebenen Schritte.
+ Wenn Ihre Amazon VPC mit einem benutzerdefinierten DNS anstelle des von Amazon bereitgestellten DNS eingerichtet ist: Stellen Sie sicher, dass die Routen mithilfe des Dynamic Host Configuration Protocol (DHCP) für jeden Amazon-VPC-Endpunkt konfiguriert sind, der der von Studio Classic verwendeten Amazon VPC hinzugefügt wird. Weitere Informationen zur Einstellung standardmäßiger und benutzerdefinierter DHCP-Optionssätze finden Sie unter [DHCP-Optionssätze in Amazon VPC](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_DHCP_Options.html).
+ ****Interner Fehler** beim Starten von Studio**
Beim Starten von Studio Classic können Sie die Studio-Classic-Benutzeroberfläche nicht anzeigen. Außerdem wird ein Fehler ähnlich dem folgenden angezeigt, wobei **Interner Fehler** das Fehlerdetail ist.
```
Amazon SageMaker Studio
The JupyterServer app default encountered a problem and was stopped.
```
Dieser Fehler kann durch mehrere Faktoren verursacht werden. Wenn der Abschluss dieser Schritte Ihr Problem nicht löst, erstellen Sie ein Problem mit. https://aws.amazon.com/premiumsupport/
+ **Fehlendes Mounting-Ziel von Amazon EFS**: Studio Classic verwendet Amazon EFS als Speicher. Das Amazon EFS-Volume benötigt ein Mount-Ziel für jedes Subnetz, in dem die Amazon SageMaker AI-Domain erstellt wird. Wenn dieses Mounting-Ziel von Amazon EFS versehentlich gelöscht wird, kann die Studio-Classic-Anwendung nicht geladen werden, da sie das Dateiverzeichnis des Benutzers nicht mounten kann. Führen Sie die folgenden Schritte aus, um dieses Problem zu beheben.
**Um Mount-Ziele zu überprüfen oder zu erstellen.**
1. Suchen Sie mithilfe des [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html)API-Aufrufs nach dem Amazon EFS-Volume, das der Domain zugeordnet ist.
1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die Amazon EFS-Konsole unter [ https://console.aws.amazon.com/efs/](https://console.aws.amazon.com/efs/).
1. Wählen Sie aus der Liste der Amazon EFS-Volumes das Amazon EFS-Volume aus, das der Domain zugeordnet ist.
1. Wählen Sie auf der Amazon EFS-Detailseite die Registerkarte **Netzwerk** aus. Stellen Sie sicher, dass Mount-Ziele für alle Subnetze vorhanden sind, in denen die Domain eingerichtet ist.
1. Wenn Mount-Ziele fehlen, fügen Sie die fehlenden Amazon EFS-Mount-Ziele hinzu. Anweisungen finden Sie unter [Mount-Ziele und Sicherheitsgruppen erstellen und verwalten](https://docs.aws.amazon.com/efs/latest/ug/accessing-fs.html).
1. Nachdem die fehlenden Mounting-Ziele erstellt wurden, starten Sie die Studio-Classic-Anwendung.
+ **Widersprüchliche Dateien im `.local` Benutzerordner**: Wenn Sie JupyterLab Version 1 in Studio Classic verwenden, können widersprüchliche Bibliotheken in Ihrem `.local` Ordner zu Problemen beim Starten der Studio Classic-Anwendung führen. Um dieses Problem zu beheben, aktualisieren Sie die JupyterLab Standardversion Ihres Benutzerprofils auf JupyterLab 3.0. Weitere Informationen zum Anzeigen und Aktualisieren der JupyterLab Version finden Sie unter[JupyterLab Versionierung in Amazon SageMaker Studio Classic](studio-jl.md).
+ ****ConfigurationError: LifecycleConfig** beim Starten von Studio Classic**
Sie können die Studio-Classic-Benutzeroberfläche beim Starten von Studio Classic nicht anzeigen. Dies wird durch Probleme mit dem standardmäßigen Lifecycle-Konfigurationsskript verursacht, das an die Domain angehängt ist.
**Um Probleme mit der Lebenszykluskonfiguration zu lösen**
1. Sehen Sie sich die CloudWatch Amazon-Protokolle für die Lebenszykluskonfiguration an, um den Befehl nachzuverfolgen, der den Fehler verursacht hat. Um das Protokoll einzusehen, folgen Sie den Schritten unter [Überprüfen Sie den Lebenszykluskonfigurationsprozess anhand von CloudWatch Protokollen](studio-lcc-debug.md#studio-lcc-debug-logs).
1. Trennen Sie das Standardskript vom Benutzerprofil oder der Domain. Weitere Informationen finden Sie unter [Lebenszykluskonfigurationen in Amazon SageMaker Studio Classic aktualisieren und trennen](studio-lcc-delete.md).
1. Starten Sie die Studio-Classic-Anwendung.
1. Debuggen Sie Ihr Lifecycle-Konfigurationsskript. Sie können das Lebenszyklus-Konfigurationsskript vom Systemterminal aus ausführen, um Fehler zu beheben. Wenn das Skript erfolgreich vom Terminal aus ausgeführt wird, können Sie das Skript an das Benutzerprofil oder die Domain anhängen.
+ **SageMaker Die Kernfunktionen von Studio Classic sind nicht verfügbar.**
Wenn Sie diese Fehlermeldung beim Öffnen von Studio Classic erhalten, kann dies an Versionskonflikten des Python-Pakets liegen. Dies ist der Fall, wenn Sie die folgenden Befehle in einem Notebook oder Terminal verwendet haben, um Python-Pakete zu installieren, bei denen Versionskonflikte mit SageMaker AI-Paketabhängigkeiten auftreten.
```
!pip install
```
```
pip install --user
```
Führen Sie die folgenden Schritte aus, um dieses Problem zu beheben:
1. Deinstallieren Sie kürzlich installierte Python-Pakete. Wenn Sie sich nicht sicher sind, welches Paket Sie deinstallieren sollen, erstellen Sie ein Problem mit https://aws.amazon.com/premiumsupport/.
1. Starten Sie Studio Classic neu:
1. Fahren Sie Studio Classic über das Menü **Datei** herunter.
1. Warten Sie eine Minute.
1. Öffnen Sie Studio Classic erneut, indem Sie die Seite aktualisieren oder sie über die AWS-Managementkonsoleöffnen.
Das Problem sollte behoben sein, wenn Sie das Paket deinstalliert haben, das den Konflikt verursacht hat. Um Pakete zu installieren, ohne dieses Problem erneut zu verursachen, verwenden Sie `%pip install` ohne die `--user` Flagge.
Wenn das Problem weiterhin besteht, erstellen Sie ein neues Benutzerprofil und richten Sie Ihre Umgebung mit diesem Benutzerprofil ein.
Wenn diese Lösungen das Problem nicht beheben, erstellen Sie ein Problem mit https://aws.amazon.com/premiumsupport/.
+ **Studio Classic kann nicht über die AWS-Managementkonsole geöffnet werden.**
Wenn Sie Studio Classic nicht öffnen und keine neue laufende Instanz mit allen Standardeinstellungen erstellen können, erstellen Sie ein Problem mit https://aws.amazon.com/premiumsupport/.
## KernelGateway Probleme mit der Anwendung
Die folgenden Probleme betreffen speziell KernelGateway Anwendungen, die in Studio Classic gestartet werden.
+ **Auf die Kernel-Sitzung kann nicht zugegriffen werden**
Wenn der Benutzer ein neues Notebook startet, kann er keine Verbindung zur Notebook-Sitzung herstellen. Wenn der Status der KernelGateway Anwendung lautet`In Service`, können Sie Folgendes überprüfen, um das Problem zu beheben.
+ **Überprüfen Sie die Konfigurationen der Sicherheitsgruppen**
Wenn die Domäne im `VPCOnly` Modus eingerichtet ist, muss die der Domäne zugeordnete Sicherheitsgruppe den Verkehr zwischen den Ports im Bereich `8192-65535` für die Konnektivität zwischen den JupyterServer und KernelGateway Apps zulassen.
**So überprüfen Sie die Sicherheitsgruppenregeln**
1. Rufen Sie mithilfe des [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html)API-Aufrufs die mit der Domain verknüpften Sicherheitsgruppen ab.
1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die Amazon VPC-Konsole unter [https://console.aws.amazon.com/vpc/](https://console.aws.amazon.com/vpc/).
1. Wählen Sie in der Navigationsleiste unter **Sicherheit** die Option **Sicherheitsgruppen** aus.
1. Filtern Sie nach IDs den Sicherheitsgruppen, die der Domain zugeordnet sind.
1. Für jede Sicherheitsgruppe:
1. Wählen Sie die Sicherheitsgruppe aus.
1. Sehen Sie sich auf der Seite mit den Sicherheitsgruppendetails die **Regeln für eingehende Nachrichten an**. Stellen Sie sicher, dass Datenverkehr zwischen den Ports im Bereich `8192-65535` zulässig ist.
Weitere Informationen zu Sicherheitsgruppenregeln finden Sie unter [Steuern des Datenverkehrs zu Ressourcen mithilfe von Sicherheitsgruppen](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_SecurityGroups.html#working-with-security-group-rules). Weitere Informationen zu den Anforderungen für die Verwendung von Studio Classic im `VPCOnly`-Modus finden Sie unter [Verbinden von Studio-Notebooks in einer VPC mit externen Ressourcen](studio-notebooks-and-internet-access.md).
+ **Überprüfen Sie die Firewall und die WebSocket Verbindungen**
Wenn die KernelGateway Apps einen `InService` Status haben und der Benutzer keine Verbindung zur Studio Classic-Notebook-Sitzung herstellen kann, überprüfen Sie die Firewall und die WebSocket Einstellungen.
1. Starten Sie die Studio-Classic-Anwendung. Weitere Informationen finden Sie unter [Starten Sie Amazon SageMaker Studio Classic](studio-launch.md).
1. Öffnen Sie die Entwicklertools Ihres Web-Browsers.
1. Wählen Sie die Registerkarte **Network (Netzwerk)** aus.
1. Suchen Sie nach einem Eintrag, der dem folgenden Format entspricht.
```
wss://.studio..sagemaker.aws/jupyter/default/api/kernels//channels?session_id=
```
Wenn der Status- oder Antwortcode für den Eintrag etwas anderes als lautet`101`, verhindern Ihre Netzwerkeinstellungen die Verbindung zwischen der Studio Classic-Anwendung und den KernelGateway Apps.
Um dieses Problem zu beheben, wenden Sie sich an das Team, das Ihre Netzwerkeinstellungen verwaltet, um die Studio Classic-URL aufzulisten und WebSocket Verbindungen zu aktivieren.
+ **Eine App konnte aufgrund einer Überschreitung der Ressourcenkontingente nicht gestartet werden**
Wenn ein Benutzer versucht, ein neues Notebook zu starten, schlägt die Erstellung des Notebooks mit einem der folgenden Fehler fehl. Dies wird durch die Überschreitung von Ressourcenkontingenten verursacht.
+
```
Unable to start more Apps of AppType [KernelGateway] and ResourceSpec(instanceType=[]) for UserProfile []. Please delete an App with a matching AppType and ResourceSpec, then try again
```
Studio Classic unterstützt bis zu vier laufende KernelGateway Apps auf derselben Instanz. Um dieses Problem zu lösen, können Sie eine der folgenden Möglichkeiten nutzen:
+ Löschen Sie eine bestehende KernelGateway Anwendung, die auf der Instanz ausgeführt wird, und starten Sie dann das neue Notebook neu.
+ Starten Sie das neue Notebook auf einem anderen Instance-Typ
Weitere Informationen finden Sie unter [Ändern Sie den Instance-Typ für ein Amazon SageMaker Studio Classic-Notebook](notebooks-run-and-manage-switch-instance-type.md).
+
```
An error occurred (ResourceLimitExceeded) when calling the CreateApp operation
```
In diesem Fall verfügt das Konto nicht über ausreichende Limits, um eine Studio-Classic-Anwendung auf dem angegebenen Instance-Typ zu erstellen. Um dieses Problem zu beheben, navigieren Sie zur Service Quotas Konsole unter [https://console.aws.amazon.com/servicequotas/](https://console.aws.amazon.com/servicequotas/). Fordern Sie in dieser Konsole an, das `Studio KernelGateway Apps running on instance-type instance` Limit zu erhöhen. Weitere Informationen finden Sie unter [AWS Servicekontingente](https://docs.aws.amazon.com/general/latest/gr/aws_service_limits.html).
# SageMaker JupyterLab
Erstellen Sie einen JupyterLab Bereich in Amazon SageMaker Studio, um die JupyterLab Anwendung zu starten. Ein JupyterLab Bereich ist ein privater oder gemeinsam genutzter Bereich innerhalb von Studio, der die Speicher- und Rechenressourcen verwaltet, die für die Ausführung der JupyterLab Anwendung benötigt werden. Die JupyterLab Anwendung ist eine webbasierte interaktive Entwicklungsumgebung (IDE) für Notebooks, Code und Daten. Verwenden Sie die flexible und umfangreiche Oberfläche der JupyterLab Anwendung, um Workflows für maschinelles Lernen (ML) zu konfigurieren und zu organisieren.
Standardmäßig wird die JupyterLab Anwendung mit dem SageMaker Distribution-Image geliefert. Das Distribution-Image enthält beliebte Pakete wie die folgenden:
+ PyTorch
+ TensorFlow
+ Keras
+ NumPy
+ Pandas
+ Scikit-learn
Sie können gemeinsam genutzte Bereiche verwenden, um in Echtzeit mit anderen Benutzern an Ihren Jupyter-Notebooks zusammenzuarbeiten. Weitere Informationen zur Datenfreigabe finden Sie unter [Zusammenarbeit mit gemeinsam genutzten Räumen](domain-space.md).
Innerhalb der JupyterLab Anwendung können Sie Amazon Q Developer verwenden, einen generativen KI-gestützten Code-Begleiter, um Ihren Code zu generieren, zu debuggen und zu erklären. Informationen über die Verwendung von Amazon Q Developer finden Sie unter [JupyterLab Benutzerleitfaden](studio-updated-jl-user-guide.md). Informationen über die Einrichtung von Amazon Q Developer finden Sie unter [JupyterLab Administratorhandbuch](studio-updated-jl-admin-guide.md).
Erstellen Sie einheitliche Analytik- und ML-Workflows in demselben Jupyter-Notebook. Führen Sie interaktive Spark Jobs auf Amazon EMR und einer AWS Glue serverlosen Infrastruktur direkt von Ihrem Notebook aus aus. Mithilfe der Inline–SparkBenutzeroberfläche können Sie Aufträge schneller überwachen und debuggen. In wenigen Schritten können Sie Ihre Datenvorbereitung automatisieren, indem Sie das Notebook als Auftrag einplanen.
Die JupyterLab Anwendung hilft Ihnen bei der Zusammenarbeit mit Ihren Kollegen. Verwenden Sie die integrierte Git-Integration in der JupyterLab IDE, um Code zu teilen und zu versionieren. Bringen Sie Ihr eigenes Dateispeichersystem mit, wenn Sie ein Amazon-EFS-Volume haben.
Die JupyterLab Anwendung läuft auf einer einzigen Amazon Elastic Compute Cloud (Amazon EC2) -Instance und verwendet ein einzelnes Amazon Elastic Block Store (Amazon EBS) -Volume als Speicher. Sie können schnellere Instances wechseln oder die Größe des Amazon-EBS-Volumes Ihren Bedürfnissen entsprechend erhöhen.
Die JupyterLab 4 Anwendungen werden in einem JupyterLab Bereich innerhalb von Studio ausgeführt. Studio Classic verwendet die JupyterLab 3-Anwendung. JupyterLab 4 bietet die folgenden Vorteile:
+ Eine schnellere IDE als Amazon SageMaker Studio Classic, insbesondere bei großen Notebooks
+ Verbesserte Dokumentsuche
+ Ein leistungsfähigerer und zugänglicherer Texteditor
Weitere Informationen zu JupyterLab finden Sie in der [JupyterLabDokumentation](https://jupyterlab.readthedocs.io/en/stable/#).
**Topics**
+ [JupyterLab Benutzerleitfaden](studio-updated-jl-user-guide.md)
+ [JupyterLab Administratorhandbuch](studio-updated-jl-admin-guide.md)
# JupyterLab Benutzerleitfaden
In diesem Handbuch erfahren JupyterLab Benutzer, wie sie Analytics- und Machine-Learning-Workflows in SageMaker Studio ausführen. Sie können schnellen Speicher erhalten und Ihre Rechenleistung je nach Bedarf nach oben oder unten skalieren.
JupyterLab unterstützt sowohl private als auch gemeinsam genutzte Bereiche. Private Bereiche sind auf einen einzelnen Benutzer in einer Domain beschränkt. Gemeinsam genutzte Bereiche ermöglichen es anderen Benutzern in Ihrer Domain, in Echtzeit mit Ihnen zusammenzuarbeiten. Informationen über Studio-Bereiche finden Sie unter [Amazon SageMaker Studio-Räume](studio-updated-spaces.md).
Um mit der Verwendung zu beginnen JupyterLab, erstellen Sie einen Bereich und starten Sie Ihre JupyterLab Anwendung. Der Bereich, in dem Ihre JupyterLab Anwendung ausgeführt wird, ist ein JupyterLab Space. Der JupyterLab Speicherplatz verwendet eine einzige Amazon EC2 EC2-Instance für Ihre Datenverarbeitung und ein einzelnes Amazon EBS-Volume für Ihren Speicher. Alle Elemente in Ihrem Bereich, wie beispielsweise Ihr Code, Ihr Git-Profil und Ihre Umgebungsvariablen, werden auf demselben Amazon-EBS-Volume gespeichert. Das Volume hat 3000 IOPS und einen Durchsatz von 125 Megabyte pro Sekunde (). MBps Sie können den schnellen Speicher verwenden, um mehrere Jupyter-Notebooks auf derselben Instance zu öffnen und auszuführen. Sie können auch schnell zwischen den Kernels in einem Notebook wechseln.
Ihr Administrator hat die standardmäßigen Amazon-EBS-Speichereinstellungen für Ihren Bereich konfiguriert. Die Standardspeichergröße beträgt 5 GB, Sie können den verfügbaren Speicherplatz jedoch erhöhen. Bitte wenden Sie sich an Ihren Administrator, um entsprechende Richtlinien zu erhalten.
Sie können den Amazon EC2 EC2-Instance-Typ, den Sie für die Ausführung verwenden JupyterLab, wechseln und Ihre Rechenleistung je nach Bedarf nach oben oder unten skalieren. Die **Schnellstart**-Instances starten viel schneller als die anderen Instances.
Ihr Administrator stellt Ihnen möglicherweise eine Lebenszykluskonfiguration zur Verfügung, mit der Ihre Umgebung angepasst werden kann. Sie können die Lebenszykluskonfiguration festlegen, wenn Sie den Bereich erstellen.
Wenn Ihr Administrator Ihnen Zugriff auf ein Amazon EFS gewährt, können Sie Ihren JupyterLab Bereich so konfigurieren, dass er darauf zugreift.
Standardmäßig verwendet die JupyterLab Anwendung das SageMaker Distributions-Image. Dies umfasst die Unterstützung für zahlreiche Pakete für Machine Learning, Analytik und Deep Learning. Sollten Sie jedoch ein benutzerdefiniertes Image benötigen, kann Ihnen Ihr Administrator den Zugriff auf die benutzerdefinierten Images ermöglichen.
Das Amazon-EBS-Volume bleibt unabhängig von der Lebensdauer einer einzelnen Instance erhalten. Sie verlieren Ihre Daten nicht, wenn Sie Instances wechseln. Verwenden Sie die Paketverwaltungsbibliotheken conda und pip, um reproduzierbare benutzerdefinierte Umgebungen zu erstellen, die auch beim Wechseln des Instance-Typs erhalten bleiben.
Nach dem Öffnen JupyterLab können Sie Ihre Umgebung mit dem Terminal konfigurieren. Um das Terminal zu öffnen, navigieren Sie zum **Launcher** und wählen Sie **Terminal** aus.
Im Folgenden finden Sie Beispiele für verschiedene Möglichkeiten, wie Sie eine Umgebung konfigurieren können JupyterLab.
**Anmerkung**
In Studio können Sie Lebenszykluskonfigurationen verwenden, um Ihre Umgebung anzupassen. Wir empfehlen jedoch, stattdessen einen Paketmanager zu verwenden. Die Verwendung von Lebenszykluskonfigurationen ist eine fehleranfälligere Methode. Es ist einfacher, Abhängigkeiten hinzuzufügen oder zu entfernen, als ein Skript für die Lebenszykluskonfiguration zu debuggen. Es kann auch die JupyterLab Startzeit verlängern.
Informationen zu Lebenszykluskonfigurationen finden Sie unter [Lebenszykluskonfigurationen mit JupyterLab](jl-lcc.md).
**Topics**
+ [Erstellen eines Berichts](studio-updated-jl-user-guide-create-space.md)
+ [Konfigurieren eines Bereichs](studio-updated-jl-user-guide-configure-space.md)
+ [Anpassen Ihrer Umgebung mithilfe eines Paketmanagers](studio-updated-jl-user-guide-customize-package-manager.md)
+ [Bereinigen einer Conda-Umgebung](studio-updated-jl-clean-up-conda.md)
+ [Teilen von Conda-Umgebungen zwischen Instance-Typen](studio-updated-jl-create-conda-share-environment.md)
+ [Verwenden von Amazon Q, um Ihre Machine-Learning-Workflows zu beschleunigen](studio-updated-jl-user-guide-use-amazon-q.md)
# Erstellen eines Berichts
Erstellen Sie zunächst einen Bereich oder wählen Sie den Bereich aus JupyterLab, den Ihr Administrator für Sie erstellt hat, und öffnen Sie ihn JupyterLab.
Gehen Sie wie folgt vor, um einen Bereich zu erstellen und zu öffnen JupyterLab.
**Um einen Raum zu erstellen und zu öffnen JupyterLab**
1. Studio erneut öffnen Informationen zum Öffnen von Studio finden Sie unter [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md).
1. Wählen Sie **JupyterLab**.
1. Wählen Sie ** JupyterLab Bereich erstellen**.
1. Geben Sie unter **Name** den Namen des Bereichs an.
1. (Optional) Wählen Sie **Mit meiner Domain teilen** aus, um einen gemeinsam genutzten Bereich zu erstellen.
1. Wählen Sie **Bereich erstellen** aus.
1. (Optional) Geben Sie für **Instance** die Amazon-EC2-Instance an, die den Bereich ausführt.
1. (Optional) Geben Sie für **Image** ein Image an, das Ihr Administrator zur Anpassung Ihrer Umgebung bereitgestellt hat.
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Studio-Benutzern ermöglichen, Bereiche zu erstellen, müssen auch Berechtigungen zum Auflisten von Images (`sagemaker: ListImage`) gewähren, um benutzerdefinierte Images anzeigen zu können. Informationen zum Hinzufügen der Berechtigung finden Sie unter [Hinzufügen oder Entfernen von Identitätsberechtigungen](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) im *AWS Identity and Access Management*-Benutzerhandbuch.
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker KI-Ressourcen gewähren, beinhalten bereits die Erlaubnis, Bilder während der Erstellung dieser Ressourcen aufzulisten.
1. (Optional) Geben Sie für **Bereichseinstellungen** Folgendes an:
+ **Speicher (GB)** – bis zu 100 GB oder die von Ihrem Administrator festgelegte Größe.
+ **Lebenszykluskonfiguration** – eine Lebenszykluskonfiguration, die Ihr Administrator festlegt.
+ **Benutzerdefiniertes EFS-Dateisystem anfügen** – ein Amazon EFS, auf das Ihr Administrator Zugriff gewährt.
1. Wählen Sie **Bereich ausführen** aus.
1. Klicken Sie auf **Open JupyterLab**.
# Konfigurieren eines Bereichs
Nachdem Sie einen JupyterLab Bereich erstellt haben, können Sie ihn wie folgt konfigurieren:
+ Ändern Sie den Instance-Typ.
+ Ändern Sie den Speicherdatensatz.
+ (Administratorkonfiguration erforderlich) Verwenden Sie ein benutzerdefiniertes Image.
+ (Administratorkonfiguration erforderlich) Verwenden Sie eine Lebenszykluskonfiguration.
+ (Administratorkonfiguration erforderlich) Hängen Sie ein benutzerdefiniertes Amazon EFS an.
**Wichtig**
Sie müssen den JupyterLab Space jedes Mal beenden, wenn Sie ihn konfigurieren. Verwenden Sie das folgende Verfahren, um den Bereich zu konfigurieren.
**So konfigurieren Sie einen Bereich**
1. Navigieren Sie in Studio zur JupyterLab Anwendungsseite.
1. Wählen Sie den Namen des Bereichs aus.
1. (Optional) Geben Sie für **Image** ein Image an, das Ihr Administrator zur Anpassung Ihrer Umgebung bereitgestellt hat.
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Studio-Benutzern ermöglichen, Bereiche zu erstellen, müssen auch Berechtigungen zum Auflisten von Images (`sagemaker: ListImage`) gewähren, um benutzerdefinierte Images anzeigen zu können. Informationen zum Hinzufügen der Berechtigung finden Sie unter [Hinzufügen oder Entfernen von Identitätsberechtigungen](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) im *AWS Identity and Access Management*-Benutzerhandbuch.
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker KI-Ressourcen gewähren, beinhalten bereits Berechtigungen zum Auflisten von Bildern bei der Erstellung dieser Ressourcen.
1. (Optional) Geben Sie für **Bereichseinstellungen** Folgendes an:
+ **Speicher (GB)** – bis zu 100 GB oder die von Ihrem Administrator konfigurierte Größe für den Bereich.
+ **Lebenszykluskonfiguration** – eine Lebenszykluskonfiguration, die Ihr Administrator angibt.
+ **Benutzerdefiniertes EFS-Dateisystem anfügen** – ein Amazon EFS, auf das Ihr Administrator Zugriff gewährt.
1. Wählen Sie **Bereich ausführen** aus.
Wenn Sie die JupyterLab Anwendung öffnen, hat Ihr Bereich die aktualisierte Konfiguration.
# Anpassen Ihrer Umgebung mithilfe eines Paketmanagers
Verwenden Sie pip oder conda, um Ihre Umgebung anzupassen. Wir empfehlen die Verwendung von Paketmanagern anstelle von Skripten für die Lebenszykluskonfiguration.
## Erstellen und Aktivieren der benutzerdefinierten Umgebung
Dieser Abschnitt enthält Beispiele für verschiedene Möglichkeiten, wie Sie eine Umgebung konfigurieren können JupyterLab.
Eine grundlegende Conda-Umgebung verfügt über die Mindestanzahl von Paketen, die für Ihre Workflows in SageMaker KI erforderlich sind. Verwenden Sie die folgende Vorlage, um eine grundlegende Conda-Umgebung zu erstellen:
```
# initialize conda for shell interaction
conda init
# create a new fresh environment
conda create --name test-env
# check if your new environment is created successfully
conda info --envs
# activate the new environment
conda activate test-env
# install packages in your new conda environment
conda install pip boto3 pandas ipykernel
# list all packages install in your new environment
conda list
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# to exit your new environment
conda deactivate
```
Das folgende Image zeigt den Standort der von Ihnen erstellten Umgebung.
![\[Die test-env-Umgebung wird in der oberen rechten Ecke des Bildschirms angezeigt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/juptyer-notebook-environment-location.png)
Um Ihre Umgebung zu ändern, wählen Sie sie aus und wählen Sie eine Option aus dem Dropdown-Menü aus.
![\[Das Häkchen und der entsprechende Text zeigen eine Beispielumgebung, die Sie zuvor erstellt haben.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jupyter-notebook-select-env.png)
Wählen Sie **Auswählen** aus, um einen Kernel für die Umgebung auszuwählen.
## Erstellen einer Conda-Umgebung mit einer bestimmten Python-Version
Das Bereinigen nicht verwendeter Conda-Umgebungen kann dazu beitragen, Speicherplatz freizugeben und die Leistung zu verbessern. Verwenden Sie die folgende Vorlage, um eine Conda-Umgebung zu bereinigen:
```
# create a conda environment with a specific python version
conda create --name py38-test-env python=3.8.10
# activate and test your new python version
conda activate py38-test-env & python3 --version
# Install ipykernel to facilicate env registration
conda install ipykernel
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your py38 test environment
conda deactivate
```
## Erstellen einer Conda-Umgebung mit einem bestimmten Satz von Paketen
Verwenden Sie die folgende Vorlage, um eine Conda-Umgebung mit einer bestimmten Version von Python und einer Reihe von Paketen zu erstellen:
```
# prefill your conda environment with a set of packages,
conda create --name py38-test-env python=3.8.10 pandas matplotlib=3.7 scipy ipykernel
# activate your conda environment and ensure these packages exist
conda activate py38-test-env
# check if these packages exist
conda list | grep -E 'pandas|matplotlib|scipy'
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
## Klonen von Conda aus einer vorhandenen Umgebung
Klonen Sie Ihre Conda-Umgebung, um deren Funktionsfähigkeit zu gewährleisten. Sie experimentieren in der geklonten Umgebung, ohne sich Gedanken über grundlegende Änderungen in Ihrer Testumgebung machen zu müssen.
Mit dem folgenden Befehl klonen Sie eine Umgebung.
```
# create a fresh env from a base environment
conda create --name py310-base-ext --clone base # replace 'base' with another env
# activate your conda environment and ensure these packages exist
conda activate py310-base-ext
# install ipykernel to register your env
conda install ipykernel
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
## Klonen von Conda aus einer YAML-Referenzdatei
Erstellen Sie eine Conda-Umgebung aus einer YAML-Referenzdatei. Es folgt ein Beispiel für eine YAML-Datei, die Sie verwenden können.
```
# anatomy of a reference environment.yml
name: py311-new-env
channels:
- conda-forge
dependencies:
- python=3.11
- numpy
- pandas
- scipy
- matplotlib
- pip
- ipykernel
- pip:
- git+https://github.com/huggingface/transformers
```
Unter `pip` empfehlen wir, nur die Abhängigkeiten anzugeben, die mit Conda nicht verfügbar sind.
Verwenden Sie die folgenden Befehle, um eine Conda-Umgebung aus einer YAML-Datei zu erstellen.
```
# create your conda environment
conda env create -f environment.yml
# activate your env
conda activate py311-new-env
```
# Bereinigen einer Conda-Umgebung
Das Bereinigen nicht verwendeter Conda-Umgebungen kann dazu beitragen, Speicherplatz freizugeben und die Leistung zu verbessern. Verwenden Sie die folgende Vorlage, um eine Conda-Umgebung zu bereinigen:
```
# list your environments to select an environment to clean
conda info --envs # or conda info -e
# once you've selected your environment to purge
conda remove --name test-env --all
# run conda environment list to ensure the target environment is purged
conda info --envs # or conda info -e
```
# Teilen von Conda-Umgebungen zwischen Instance-Typen
Sie können Conda-Umgebungen teilen, indem Sie sie in einem Amazon-EFS-Verzeichnis außerhalb Ihres Amazon-EBS-Volumes speichern. Ein anderer Benutzer kann auf die Umgebung in dem Verzeichnis zugreifen, in dem Sie sie gespeichert haben.
**Wichtig**
Es gibt Einschränkungen bei der gemeinsamen Nutzung Ihrer Umgebungen. Beispielsweise empfehlen wir keine Umgebung, die für die Ausführung auf einer Instance von GPU Amazon EC2 vorgesehen ist, gegenüber einer Umgebung, die auf einer CPU-Instance ausgeführt wird.
Verwenden Sie die folgenden Befehle als Vorlage, um das Zielverzeichnis anzugeben, in dem Sie eine benutzerdefinierte Umgebung erstellen möchten. Sie erstellen eine Conda innerhalb eines bestimmten Pfades. Sie erstellen sie im Amazon-EFS-Verzeichnis. Sie können eine neue Instance erstellen, den Befehl „conda activate path“ ausführen und dies innerhalb von Amazon EFS durchführen.
```
# if you know your environment path for your conda environment
conda create --prefix /home/sagemaker-user/my-project/py39-test python=3.9
# activate the env with full path from prefix
conda activate home/sagemaker-user/my-project/py39-test
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | awk -F' : ' '{print $2}' | awk -F'/' '{print $NF}')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env-prefix:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
# Verwenden von Amazon Q, um Ihre Machine-Learning-Workflows zu beschleunigen
Amazon Q Developer ist Ihr KI-gestütztes Begleittool für die Entwicklung von Machine Learning. Mit Amazon Q Developer können Sie:
+ Lassen Sie sich step-by-step beraten, wie Sie SageMaker KI-Funktionen unabhängig oder in Kombination mit anderen AWS Diensten nutzen können.
+ Holen Sie sich Beispielcode, um mit Ihren ML-Aufgaben wie Datenaufbereitung, Training, Inferenz und MLOps zu beginnen.
+ Sie erhalten Unterstützung bei der Fehlerbehebung, um Fehler zu debuggen und zu beseitigen, die beim Ausführen von Code aufgetreten sind.
Amazon Q Developer lässt sich nahtlos in Ihre JupyterLab Umgebung integrieren. Um Amazon Q Developer zu verwenden, wählen Sie **Q** in der linken Navigationsleiste Ihrer JupyterLab Umgebung oder Code-Editor-Umgebung aus.
Wenn Sie das **Q**-Symbol nicht sehen, muss Ihr Administrator es für Sie einrichten. Weitere Informationen über die Einrichtung von Amazon Q Developer finden Sie unter [Amazon Q Developer für Ihre Benutzer einrichten](studio-updated-amazon-q-admin-guide-set-up.md).
Amazon Q bietet automatisch Vorschläge, die Ihnen beim Schreiben Ihres Codes helfen. Sie können auch über die Chat-Oberfläche nach Vorschlägen fragen.
# JupyterLab Administratorhandbuch
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
In diesem Leitfaden für Administratoren werden SageMaker JupyterLab KI-Ressourcen beschrieben, z. B. die von Amazon Elastic Block Store (Amazon EBS) und Amazon Elastic Compute Cloud (Amazon EC2). Die Themen behandeln auch, wie Sie Benutzerzugriff gewähren und die Speichergröße ändern können.
Ein SageMaker JupyterLab KI-Bereich besteht aus den folgenden Ressourcen:
+ Ein separates Amazon-EBS-Volume, auf dem alle Daten wie der Code und die Umgebungsvariablen gespeichert werden.
+ Die Amazon-EC2-Instance, die zum Ausführen des Bereichs verwendet wurde.
+ Das zur Ausführung verwendete Image JupyterLab.
**Anmerkung**
Anwendungen haben keinen Zugriff auf das EBS-Volume anderer Anwendungen. Beispielsweise hat der auf Code-OSS basierende Code Editor, Visual Studio Code — Open Source, keinen Zugriff auf das EBS-Volume für. JupyterLab Weitere Informationen über EBS-Volumes finden Sie unter [Amazon Elastic Block Store (Amazon EBS)](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/AmazonEBS.html).
Sie können die SageMaker Amazon-API verwenden, um Folgendes zu tun:
+ Ändern Sie die Standardspeichergröße des EBS-Volumes für Ihre Benutzer.
+ Ändern der maximalen Größe des EBS-Speichers
+ Geben Sie die Benutzereinstellungen für die Anwendung an. Sie können beispielsweise angeben, ob der Benutzer ein benutzerdefiniertes Image oder ein Code-Repository verwendet.
+ Geben Sie den Typ der Support-Anwendung an.
Die Standardgröße des Amazon-EBS-Volumes beträgt 5 GB. Sie können die Volumegröße auf ein Maximum von 16 384 GB erhöhen. Wenn Sie keine Maßnahmen ergreifen, können Ihre Benutzer ihr Volumen auf 100 GB erhöhen. Die Volumengröße kann innerhalb von sechs Stunden nur einmal geändert werden.
Die mit der JupyterLab Anwendung verknüpften Kernel werden auf derselben Amazon EC2 EC2-Instance ausgeführt, die auch ausgeführt wird. JupyterLab Wenn Sie einen Bereich erstellen, wird standardmäßig die neueste Version des SageMaker Distribution-Images verwendet. Weitere Informationen zu SageMaker Distribution-Images finden Sie unter[SageMaker Richtlinie zur Unterstützung von Studio-Images](sagemaker-distribution.md).
**Wichtig**
Informationen zur Aktualisierung des Speicherplatzes für die Verwendung der neuesten Version des SageMaker AI Distribution Image finden Sie unter[Aktualisieren Sie das SageMaker Vertriebsimage](studio-updated-jl-update-distribution-image.md).
Das Arbeitsverzeichnis Ihrer Benutzer innerhalb des Speichervolumes ist `/home/sagemaker-user`. Wenn Sie Ihren eigenen AWS KMS Schlüssel für die Verschlüsselung des Volumes angeben, wird alles im Arbeitsverzeichnis mit Ihrem vom Kunden verwalteten Schlüssel verschlüsselt. Wenn Sie keinen AWS KMS Schlüssel angeben, werden die `/home/sagemaker-user` darin enthaltenen Daten mit einem AWS verwalteten Schlüssel verschlüsselt. Unabhängig davon, ob Sie einen AWS KMS Schlüssel angeben, werden alle Daten außerhalb des Arbeitsverzeichnisses mit einem AWS verwalteten Schlüssel verschlüsselt.
Die folgenden Abschnitte bieten schrittweise Anleitungen für die Konfigurationen, die Sie als Administrator durchführen müssen.
**Topics**
+ [Gewähren von Zugriff für die Benutzer auf Bereiche](studio-updated-jl-admin-guide-permissions.md)
+ [Ändern Sie die Standardspeichergröße für Ihre Benutzer JupyterLab](studio-updated-jl-admin-guide-storage-size.md)
+ [Lebenszykluskonfigurationen mit JupyterLab](jl-lcc.md)
+ [Git repos in JupyterLab](studio-updated-jl-admin-guide-git-attach.md)
+ [Benutzerdefinierte Images](studio-updated-jl-admin-guide-custom-images.md)
+ [Aktualisieren Sie das SageMaker Vertriebsimage](studio-updated-jl-update-distribution-image.md)
+ [Löschen von nicht genutzten Ressourcen](studio-updated-jl-admin-guide-clean-up.md)
+ [Kontingente](studio-updated-jl-admin-guide-quotas.md)
# Gewähren von Zugriff für die Benutzer auf Bereiche
Um Benutzern Zugriff auf private oder gemeinsam genutzte Bereiche zu gewähren, müssen Sie ihren IAM-Rollen eine Berechtigungsrichtlinie hinzufügen. Sie können die Berechtigungsrichtlinie auch verwenden, um private Bereiche und die damit verbundenen Anwendungen auf ein bestimmtes Benutzerprofil zu beschränken.
Die folgende Berechtigungsrichtlinie gewährt Zugriff auf private und gemeinsam genutzte Bereiche. Auf diese Weise können Benutzer ihren eigenen Bereich erstellen und andere Bereiche innerhalb ihrer Domain auflisten. Ein Benutzer mit dieser Richtlinie kann nicht auf den privaten Bereich eines anderen Benutzers zugreifen. Informationen über Studio-Bereiche finden Sie unter [Amazon SageMaker Studio-Räume](studio-updated-spaces.md).
Die Richtlinie gewährt Benutzern die folgenden Berechtigungen:
+ Private Bereiche oder gemeinsam genutzte Bereiche.
+ Ein Benutzerprofil für den Zugriff auf diese Bereiche.
Um Berechtigungen zu erteilen, können Sie die Berechtigungen der folgenden Richtlinie einschränken und sie zu den IAM-Rollen Ihrer Benutzer hinzufügen. Sie können diese Richtlinie auch verwenden, um Ihre Bereiche und die damit verbundenen Anwendungen auf ein bestimmtes Benutzerprofil zu beschränken.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioCreatePresignedDomainUrlForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
{
"Sid": "SMStudioAppPermissionsListAndDescribe",
"Effect": "Allow",
"Action": [
"sagemaker:ListApps",
"sagemaker:ListDomains",
"sagemaker:ListUserProfiles",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:DescribeUserProfile",
"sagemaker:DescribeSpace"
],
"Resource": "*"
},
{
"Sid": "SMStudioAppPermissionsTagOnCreate",
"Effect": "Allow",
"Action": [
"sagemaker:AddTags"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:*/*",
"Condition": {
"Null": {
"sagemaker:TaggingAction": "false"
}
}
},
{
"Sid": "SMStudioRestrictSharedSpacesWithoutOwners",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioRestrictSpacesToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private",
"Shared"
]
}
}
},
{
"Sid": "SMStudioRestrictCreatePrivateSpaceAppsToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/sagemaker:DomainId/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private"
]
}
}
}
]
}
```
------
# Ändern Sie die Standardspeichergröße für Ihre Benutzer JupyterLab
Sie können die Standardspeichereinstellungen für Ihre Benutzer ändern. Sie können die Standardspeichereinstellungen auch entsprechend Ihren organisatorischen Anforderungen und den Bedürfnissen Ihrer Benutzer ändern.
Um die Speichergröße zu ändern, finden Sie in diesem Abschnitt Befehle für folgende Aktionen:
1. Aktualisieren Sie die Amazon EBS-Speichereinstellungen in der Amazon SageMaker AI-Domain (Domain).
1. Erstellen Sie ein Benutzerprofil und geben Sie die darin enthaltenen Speichereinstellungen an.
Verwenden Sie die folgenden Befehle AWS Command Line Interface (AWS CLI), um die Standardspeichergröße zu ändern.
Verwenden Sie den folgenden AWS CLI Befehl, um die Domain zu aktualisieren:
```
aws --region AWS-Region sagemaker update-domain \
--domain-id domain-id \
--default-user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":5,
"MaximumEbsVolumeSizeInGb":100
}
}
}'
```
Verwenden Sie den folgenden AWS CLI Befehl, um das Benutzerprofil zu erstellen und die Standardspeichereinstellungen anzugeben:
```
aws --region AWS-Region sagemaker create-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":5,
"MaximumEbsVolumeSizeInGb":100
}
}
}'
```
Verwenden Sie die folgenden AWS CLI Befehle, um die Standardspeichereinstellungen im Benutzerprofil zu aktualisieren:
```
aws --region AWS-Region sagemaker update-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":25,
"MaximumEbsVolumeSizeInGb":200
}
}
}'
```
# Lebenszykluskonfigurationen mit JupyterLab
Lebenszykluskonfigurationen sind Shell-Skripte, die durch JupyterLab Lebenszyklusereignisse ausgelöst werden, z. B. durch das Starten eines neuen JupyterLab Notebooks. Sie können Lebenszykluskonfigurationen verwenden, um die Anpassung an Ihre JupyterLab Umgebung zu automatisieren. Diese Anpassung umfasst die Installation benutzerdefinierter Pakete, die Konfiguration von Notebook-Erweiterungen, das Vorladen von Datensätzen und die Einrichtung von Quellcode-Repositorys.
Die Verwendung von Lebenszykluskonfigurationen bietet Ihnen Flexibilität und Kontrolle bei der Konfiguration JupyterLab, die Ihren spezifischen Anforderungen entspricht. Beispielsweise können Sie eine minimale Auswahl an Basis-Container-Images mit den am häufigsten verwendeten Paketen und Bibliotheken erstellen. Anschließend können Sie mithilfe von Lebenszykluskonfigurationen zusätzliche Pakete für spezifische Anwendungsfälle in Ihren Datenwissenschaft- und Machine-Learning-Teams installieren.
**Anmerkung**
Jedes Skript hat ein Limit von **16 384 Zeichen**.
**Topics**
+ [Erstellen der Lebenszykluskonfiguration](jl-lcc-create.md)
+ [Konfigurationen für den Debug-Lebenszyklus](jl-lcc-debug.md)
+ [Trennen von Lebenszykluskonfigurationen](jl-lcc-delete.md)
# Erstellen der Lebenszykluskonfiguration
Dieses Thema enthält Anweisungen zum Erstellen und Zuordnen einer Lebenszykluskonfiguration zu JupyterLab. Sie verwenden das AWS Command Line Interface (AWS CLI) oder das AWS-Managementkonsole , um die Anpassung an Ihre JupyterLab Umgebung zu automatisieren.
Lebenszykluskonfigurationen sind Shell-Skripts, die durch JupyterLab Lebenszyklusereignisse ausgelöst werden, z. B. durch das Starten eines neuen JupyterLab Notebooks. Weitere Informationen zur Lebenszyklus-Konfiguration finden Sie unter [Lebenszykluskonfigurationen mit JupyterLab](jl-lcc.md).
## Erstellen einer Lebenszykluskonfiguration (AWS CLI)
Erfahren Sie, wie Sie mithilfe von AWS Command Line Interface (AWS CLI) eine Lebenszykluskonfiguration erstellen, um die Anpassung für Ihre Studio-Umgebung zu automatisieren.
### Voraussetzungen
Stellen Sie vor Beginn sicher, dass die folgenden Voraussetzungen erfüllt sind:
+ Aktualisieren Sie die, AWS CLI indem Sie den Schritten unter [Installation der aktuellen AWS CLI Version](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) folgen.
+ Führen Sie `aws configure` von Ihrem lokalen Rechner aus und geben Sie Ihre AWS -Anmeldedaten ein. Informationen zu AWS Anmeldeinformationen finden Sie unter [AWS Anmeldeinformationen verstehen und abrufen](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Integrieren Sie die Amazon SageMaker AI-Domain. Weitere konzeptuelle Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md). Eine Schnellstartanleitung finden Sie unter [Verwenden Sie das Schnell-Setup für Amazon SageMaker AI](onboard-quick-start.md).
### Schritt 1: Erstellen einer Lebenszykluskonfiguration
Das folgende Verfahren zeigt, wie Sie ein Skript für die Lebenszykluskonfiguration erstellen, das `Hello World` ausgibt.
**Anmerkung**
Jedes Skript kann bis zu **16.384 Zeichen** enthalten.
1. Erstellen Sie auf Ihrem lokalen Rechner eine Datei namens `my-script.sh` mit folgendem Inhalt:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Gehen Sie wie folgt vor, um Ihre `my-script.sh`-Datei in das base64-Format zu konvertieren. Diese Anforderung verhindert Fehler, die bei der Kodierung von Abständen und Zeilenumbrüchen auftreten.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Erstellen Sie eine Lebenszykluskonfiguration für die Verwendung mit Studio. Der folgende Befehl erstellt eine Lebenszykluskonfiguration, die ausgeführt wird, wenn Sie eine zugehörige `JupyterLab`-Anwendung starten.
```
aws sagemaker create-studio-lifecycle-config \
--region region \
--studio-lifecycle-config-name my-jl-lcc \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type JupyterLab
```
Notieren Sie sich den ARN der neu erstellten Lebenszykluskonfiguration, die zurückgegeben wird. Dieser ARN ist erforderlich, um die Lebenszykluskonfiguration an Ihre Anwendung anzuhängen.
### Schritt 2: Hängen Sie die Lebenszykluskonfiguration an Ihre Amazon SageMaker AI-Domain (Domain) und Ihr Benutzerprofil an
Um die Lebenszykluskonfiguration anzuhängen, müssen Sie die `UserSettings` für Ihre Domain oder Ihr Benutzerprofil aktualisieren. Skripte zur Lebenszykluskonfiguration, die auf Domainebene verknüpft sind, werden von allen Benutzern übernommen. Skripte, die auf Benutzerprofilebene verknüpft sind, sind jedoch auf einen bestimmten Benutzer beschränkt.
Sie können ein neues Benutzerprofil, eine neue Domain oder einen neuen Bereich mit angefügter Lebenszykluskonfiguration mithilfe der folgenden Befehle erstellen:
+ [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html)
+ [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html)
+ [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html)
Der folgende Befehl erstellt ein Benutzerprofil mit einer Lebenszykluskonfiguration. Fügen Sie den ARN für die Lebenszykluskonfiguration aus dem vorangegangenen Schritt zu den `JupyterLabAppSettings` des Benutzers hinzu. Sie können mehrere Lebenszykluskonfigurationen gleichzeitig hinzufügen, indem Sie eine Liste mit diesen übergeben. Wenn ein Benutzer eine JupyterLab Anwendung mit dem startet AWS CLI, kann er eine Lebenszykluskonfiguration angeben, anstatt die Standardkonfiguration zu verwenden. Die Lebenszykluskonfiguration, die der Benutzer übergibt, muss zur Liste der Lebenszykluskonfigurationen in `JupyterLabAppSettings` gehören.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
## Erstellen einer Lebenszykluskonfiguration (Konsole)
Erfahren Sie, wie Sie mithilfe von eine Lebenszykluskonfiguration erstellen AWS-Managementkonsole , um die Anpassung für Ihre Studio-Umgebung zu automatisieren.
### Schritt 1: Erstellen einer Lebenszykluskonfiguration
Das folgende Verfahren zeigt, wie Sie ein Skript für die Lebenszykluskonfiguration erstellen, das `Hello World` druckt.
**So erstellen Sie eine Lebenszykluskonfiguration**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich die Option **Admin-Konfigurationen** aus.
1. Wählen Sie unter **Admin-Konfigurationen** die Option **Lifecycle-Konfigurationen** aus.
1. Wählen Sie die Registerkarte **JupyterLab** aus.
1. Wählen Sie **Create configuration** (Konfiguration erstellen).
1. Geben Sie im Feld **Name** den Namen der Lebenszykluskonfiguration ein.
1. Geben Sie für das Textfeld unter **Skripte** die folgende Lebenszykluskonfiguration an:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Wählen Sie **Create configuration** (Konfiguration erstellen).
### Schritt 2: Hängen Sie die Lebenszykluskonfiguration an Ihre Amazon SageMaker AI-Domain (Domain) und Ihr Benutzerprofil an
Auf Domainebene zugeordnete Lebenszyklus-Konfigurationsskripten werden von allen Benutzern übernommen. Skripts, die auf Benutzerprofilebene verknüpft sind, sind jedoch auf einen bestimmten Benutzer beschränkt.
Sie können mehrere Lebenszykluskonfigurationen an eine Domain oder ein Benutzerprofil für anhängen JupyterLab.
Führen Sie die folgenden Schritte aus, um eine Lebenszykluskonfiguration an eine Domain anzufügen.
**So fügen Sie eine Lebenszykluskonfiguration an eine Domain an**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain aus, an die die Lebenszykluskonfiguration angefügt werden soll.
1. Wählen Sie in den **Domaindetails** die Registerkarte **Umgebung** aus.
1. Wählen Sie unter **Lebenszykluskonfigurationen für persönliche Studio-Apps** die Option **Anhängen** aus.
1. Wählen Sie unter **Quelle** die Option **Bestehende Konfiguration** aus.
1. Wählen Sie unter **Studio-Lebenszykluskonfigurationen** die Lebenszykluskonfiguration aus, die Sie im vorherigen Schritt erstellt haben.
1. Wählen Sie **An Domain anhängen** aus.
Führen Sie die folgenden Schritte aus, um eine Lebenszykluskonfiguration an ein Benutzerprofil anzufügen.
**So hängen Sie eine Lebenszykluskonfiguration an ein Benutzerprofil an**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain aus, die das Benutzerprofil enthält, an das die Lebenszykluskonfiguration angefügt werden soll.
1. Wählen Sie unter **Benutzerprofile** das Benutzerprofil aus.
1. Wählen Sie auf der Seite **Benutzerdetails** die Option **Bearbeiten**.
1. Wählen Sie in der linken Navigation **Studioeinstellungen**.
1. Wählen Sie unter **Lebenszykluskonfigurationen, die dem Benutzer** zugeordnet sind, die Option **Anhängen**.
1. Wählen Sie unter **Quelle** die Option **Bestehende Konfiguration** aus.
1. Wählen Sie unter **Studio-Lebenszykluskonfigurationen** die Lebenszykluskonfiguration aus, die Sie im vorherigen Schritt erstellt haben.
1. Wählen Sie **An Benutzerprofil anhängen**.
# Konfigurationen für den Debug-Lebenszyklus
In den folgenden Themen erfahren Sie, wie Sie Informationen über Ihre Lebenszykluskonfigurationen abrufen und debuggen.
**Topics**
+ [Überprüfen Sie den Lebenszyklus-Konfigurationsprozess anhand der CloudWatch Protokolle](#jl-lcc-debug-logs)
+ [Timeout für die Lebenszykluskonfiguration](#jl-lcc-debug-timeout)
## Überprüfen Sie den Lebenszyklus-Konfigurationsprozess anhand der CloudWatch Protokolle
Lebenszykluskonfigurationen protokollieren nur `STDOUT` und `STDERR`.
`STDOUT` ist die Standardausgabe für Bash-Skripte. Sie können in `STDERR` schreiben, indem Sie `>&2` an das Ende eines Bash-Befehls anhängen. Beispiel, `echo 'hello'>&2`.
Protokolle für Ihre Lebenszykluskonfigurationen werden auf Amazon veröffentlicht, wenn Sie Amazon AWS-Konto verwenden CloudWatch. Diese Protokolle finden Sie im `/aws/sagemaker/studio` Protokollstream in der CloudWatch Konsole.
1. Öffnen Sie die CloudWatch Konsole unter [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Wählen Sie im linken Navigationsbereich **Protokolle** aus. Wählen Sie im Dropdown-Menü **Protokollgruppen** aus.
1. Suchen Sie auf der Seite **Protokollgruppen** nach `aws/sagemaker/studio`.
1. Wählen Sie die -Protokollgruppe aus.
1. Wählen Sie auf der Seite mit den **Details zur Protokollgruppe** die Registerkarte **Protokollstreams** aus.
1. Um die Protokolle für einen bestimmten Bereich zu finden, suchen Sie in den Protokollstreams nach dem folgenden Format:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Um beispielsweise die Protokolle der Lebenszykluskonfiguration für Domain-ID `d-m85lcu8vbqmz`, Bereichsname `i-sonic-js` und Anwendungstyp `JupyterLab` zu finden, verwenden Sie die folgende Suchzeichenfolge:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
## Timeout für die Lebenszykluskonfiguration
Für die Lebenszykluskonfiguration gilt ein Timeout von 5 Minuten. Wenn die Ausführung eines Skripts zur Lebenszykluskonfiguration länger als 5 Minuten dauert, wird ein Fehler ausgegeben.
Um diesen Fehler zu beheben, stellen Sie sicher, dass das Skript einer Lebenszykluskonfiguration in weniger als 5 Minuten abgeschlossen ist.
Gehen Sie zum Reduzieren der Laufzeit von Skripten wie folgt vor:
+ Reduzieren Sie unnötige Schritte. Schränken Sie zum Beispiel ein, in welchen conda-Umgebungen große Pakete installiert werden sollen.
+ Führen Sie Aufgaben in parallelen Prozessen aus.
+ Verwenden Sie den Befehl „nohup“ in Ihrem Skript, um sicherzustellen, dass hangup-Signale ignoriert werden, sodass das Skript ohne Unterbrechung ausgeführt wird.
# Trennen von Lebenszykluskonfigurationen
Um Ihr Skript zu aktualisieren, müssen Sie ein neues Lifecycle-Konfigurationsskript erstellen und es an die jeweilige Amazon SageMaker AI-Domain (Domain), das Benutzerprofil oder den Shared Space anhängen. Ein Lifecycle-Konfigurationsskript kann nicht geändert werden, nachdem es erstellt wurde. Weitere Informationen zum Erstellen und Anhängen der Lebenszykluskonfiguration finden Sie unter [Erstellen der Lebenszykluskonfiguration](jl-lcc-create.md).
Im folgenden Abschnitt wird gezeigt, wie eine Lebenszykluskonfiguration unter Verwendung der AWS Command Line Interface (AWS CLI) getrennt wird.
## Trennen Sie es mit dem AWS CLI
Um eine Lebenszykluskonfiguration mithilfe von AWS CLI zu trennen, entfernen Sie die gewünschte Lebenszykluskonfiguration aus der Liste der an die Ressource angehängten Lebenszykluskonfigurationen. Anschließend übergeben Sie die Liste als Teil des jeweiligen Befehls:
+ [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html)
+ [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html)
+ [update-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-space.html)
Mit dem folgenden Befehl werden beispielsweise alle Lebenszykluskonfigurationen für die JupyterLab Anwendung entfernt, die an die Domäne angehängt ist.
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[]
}
}'
```
# Git repos in JupyterLab
JupyterLab bietet eine Git-Erweiterung, um die URL eines Git-Repositorys (Repo) einzugeben, es in eine Umgebung zu klonen, Änderungen zu übertragen und den Commit-Verlauf anzusehen. Sie können das vorgeschlagene Git-Repo auch URLs an eine Amazon SageMaker AI-Domain (Domain) oder ein Benutzerprofil anhängen.
In den folgenden Abschnitten wird gezeigt, wie Sie ein Git-Repo URLs anhängen oder trennen.
**Topics**
+ [Anfügen eines Git-Repositorys (AWS CLI)](studio-updated-git-attach-cli.md)
+ [Git-Repo trennen URLs](studio-updated-git-detach.md)
# Anfügen eines Git-Repositorys (AWS CLI)
In diesem Abschnitt wird gezeigt, wie Sie eine Git-Repository-URL (Repo) mit dem AWS CLI anhängen. Nachdem Sie die Git-Repo-URL angefügt haben, können Sie sie klonen, indem Sie die Schritte unter [Klonen Sie ein Git-Repo in Amazon Studio SageMaker](#studio-updated-tasks-git) befolgen.
## Voraussetzungen
Stellen Sie vor Beginn sicher, dass die folgenden Voraussetzungen erfüllt sind:
+ Aktualisieren Sie das, AWS CLI indem Sie den Schritten unter [Installation der aktuellen AWS Command Line Interface Version](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) folgen.
+ Führen Sie `aws configure` von Ihrem lokalen Rechner aus und geben Sie Ihre AWS -Anmeldedaten ein. Informationen zu AWS Anmeldeinformationen finden Sie unter [AWS Anmeldeinformationen verstehen und abrufen](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Integrieren Sie die Amazon SageMaker AI-Domain. Weitere Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
## Hängen Sie das Git-Repo an eine Amazon SageMaker AI-Domain (Domain) oder ein Benutzerprofil an
Git-Repos URLs , die auf Domainebene verknüpft sind, werden von allen Benutzern vererbt. Git-Repos, URLs die auf Benutzerprofilebene verknüpft sind, sind jedoch auf einen bestimmten Benutzer beschränkt. Sie können mehrere Git-Repos URLs an eine Amazon SageMaker AI-Domain oder an ein Benutzerprofil anhängen, indem Sie eine URLs Repository-Liste übergeben.
In den folgenden Abschnitten wird gezeigt, wie Sie eine Git-Repo-URL an Ihre Domain und Ihr Benutzerprofil anfügen.
### An eine Amazon SageMaker AI-Domain anhängen
Mit dem folgenden Befehl wird eine Git-Repo-URL an eine bestehende Domain angefügt.
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
### An ein Benutzerprofil anhängen
Mit dem folgenden Befehl wird eine Git-Repo-URL an ein bestehendes Benutzerprofil angefügt.
```
aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\
--user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
## Klonen Sie ein Git-Repo in Amazon Studio SageMaker
Amazon SageMaker Studio stellt nur eine Verbindung zu einem lokalen Git-Repo her. Klonen Sie das Git-Repo von Studio aus, um auf die Dateien im Repository zugreifen zu können. Dazu bietet Studio eine Git-Erweiterung, mit der Sie die URL eines Git-Repos eingeben, es in Ihre Umgebung klonen, Änderungen per Push übergeben und den Commit-Verlauf anzeigen können.
Wenn das Repo privat ist und für den Zugriff Anmeldeinformationen erforderlich sind, werden Sie aufgefordert, Ihre Benutzeranmeldeinformationen einzugeben. Dazu gehören Ihr Benutzername und Ihr persönliches Zugriffstoken. Weitere Informationen zu persönlichen Zugriffstoken finden Sie unter [Persönliche Zugriffstokens verwalten](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
Administratoren können auch ein empfohlenes Git-Repository URLs auf Amazon SageMaker AI-Domain- oder Benutzerprofilebene anhängen. Benutzer können dann die Repo-URL aus der Liste der Vorschläge auswählen und sie in Studio klonen. Weitere Informationen zum Anfügen von vorgeschlagenen Repos finden Sie unter [Vorgeschlagene Git-Repos an Amazon SageMaker Studio Classic anhängen](studio-git-attach.md).
# Git-Repo trennen URLs
In diesem Abschnitt wird gezeigt, wie Sie das Git-Repository URLs von einer Amazon SageMaker AI-Domain (Domain) oder einem Benutzerprofil trennen. Sie können das Repo URLs mithilfe der AWS Command Line Interface (AWS CLI) oder der Amazon SageMaker AI-Konsole trennen.
## Trennen Sie ein Git-Repo mit dem AWS CLI
Um das gesamte Git-Repo URLs von einer Domain oder einem Benutzerprofil zu trennen, müssen Sie eine leere Liste von Code-Repositorys übergeben. Diese Liste wird als Teil des `JupyterLabAppSettings` Parameters in einem `update-domain` oder `update-user-profile` Befehl übergeben. Um nur eine Git-Repo-URL zu trennen, übergeben Sie die Code-Repository-Liste ohne die gewünschte Git-Repo-URL.
### Von einer Amazon SageMaker AI-Domain trennen
Der folgende Befehl trennt das gesamte Git-Repo URLs von einer Domain:
```
aws sagemaker update-domain --region region --domain-name domain-name \
--domain-settings JupyterLabAppSettings={CodeRepositories=[]}
```
### Trennen von einem Benutzerprofil
Der folgende Befehl trennt das gesamte Git-Repo URLs von einem Benutzerprofil:
```
aws sagemaker update-user-profile --domain-name domain-name --user-profile-name user-name\
--user-settings JupyterLabAppSettings={CodeRepositories=[]}
```
# Benutzerdefinierte Images
Wenn Sie Funktionen benötigen, die sich von der SageMaker Distribution unterscheiden, können Sie Ihr eigenes Image mit Ihren benutzerdefinierten Erweiterungen und Paketen mitbringen. Sie können es auch verwenden, um die JupyterLab Benutzeroberfläche an Ihre eigenen Branding- oder Compliance-Anforderungen anzupassen.
Auf der folgenden Seite finden Sie JupyterLab spezifische Informationen und Vorlagen, mit denen Sie Ihre eigenen benutzerdefinierten SageMaker KI-Images erstellen können. Dies soll die Informationen und Anweisungen von Amazon SageMaker Studio zur Erstellung Ihres eigenen SageMaker KI-Images und zur Übertragung Ihres eigenen Images in Studio ergänzen. Weitere Informationen zu benutzerdefinierten Amazon SageMaker AI-Images und dazu, wie Sie Ihr eigenes Bild in Studio importieren können, finden Sie unter[Bring Your Own Image (BYOI)](studio-updated-byoi.md).
**Topics**
+ [Zustandsprüfung und URL für Anwendungen](#studio-updated-jl-admin-guide-custom-images-app-healthcheck)
+ [Dockerfile-Beispiele](#studio-updated-jl-custom-images-dockerfile-templates)
## Zustandsprüfung und URL für Anwendungen
+ `Base URL` – Die Basis-URL für die BYOI-Anwendung muss `jupyterlab/default` lauten. Es ist nur eine Anwendung zulässig, und diese muss stets den Namen `default` haben.
+ `HealthCheck API`— SageMaker KI verwendet den Health Check-Endpunkt am Port`8888`, um den Zustand der JupyterLab Anwendung zu überprüfen. `jupyterlab/default/api/status`ist der Endpunkt für den Gesundheitscheck.
+ `Home/Default URL`— Die `/opt/ml` Verzeichnisse `/opt/.sagemakerinternal` und, die von verwendet werden AWS. Die Metadatendatei in `/opt/ml` enthält Metadaten zu Ressourcen wie `DomainId`.
+ Authentifizierung – Um die Authentifizierung für Ihre Benutzer zu aktivieren, deaktivieren Sie bitte die token- oder passwortbasierte Authentifizierung für Jupyter-Notebooks und lassen Sie alle Ursprünge zu.
## Dockerfile-Beispiele
Die folgenden Beispiele sind `Dockerfile`s, die den obigen Informationen und [Benutzerdefinierte Image-Daten](studio-updated-byoi-specs.md) entsprechen.
**Anmerkung**
Wenn Sie Ihr eigenes Image in SageMaker Unified Studio verwenden, müssen Sie die [Dockerfile-Spezifikationen](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) im *Amazon SageMaker Unified Studio-Benutzerhandbuch* befolgen.
`Dockerfile`Beispiele für SageMaker Unified Studio finden Sie im [Dockerfile-Beispiel](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) im *Amazon SageMaker Unified Studio-Benutzerhandbuch*.
------
#### [ Example AL2023 Dockerfile ]
Das folgende ist ein Beispiel für AL2023 Dockerfile, die den obigen Informationen und [Benutzerdefinierte Image-Daten](studio-updated-byoi-specs.md) entsprechen.
```
FROM public.ecr.aws/amazonlinux/amazonlinux:2023
ARG NB_USER="sagemaker-user"
ARG NB_UID=1000
ARG NB_GID=100
# Install Python3, pip, and other dependencies
RUN yum install -y \
python3 \
python3-pip \
python3-devel \
gcc \
shadow-utils && \
useradd --create-home --shell /bin/bash --gid "${NB_GID}" --uid ${NB_UID} ${NB_USER} && \
yum clean all
RUN python3 -m pip install --no-cache-dir \
'jupyterlab>=4.0.0,<5.0.0' \
urllib3 \
jupyter-activity-monitor-extension \
--ignore-installed
# Verify versions
RUN python3 --version && \
jupyter lab --version
USER ${NB_UID}
CMD jupyter lab --ip 0.0.0.0 --port 8888 \
--ServerApp.base_url="/jupyterlab/default" \
--ServerApp.token='' \
--ServerApp.allow_origin='*'
```
------
#### [ Example SageMaker Amazon-Vertrieb Dockerfile ]
Das folgende ist ein Beispiel für Amazon SageMaker Distribution Dockerfile, die den obigen Informationen und [Benutzerdefinierte Image-Daten](studio-updated-byoi-specs.md) entsprechen.
```
FROM public.ecr.aws/sagemaker/sagemaker-distribution:latest-cpu
ARG NB_USER="sagemaker-user"
ARG NB_UID=1000
ARG NB_GID=100
ENV MAMBA_USER=$NB_USER
USER root
RUN apt-get update
RUN micromamba install sagemaker-inference --freeze-installed --yes --channel conda-forge --name base
USER $MAMBA_USER
ENTRYPOINT ["entrypoint-jupyter-server"]
```
------
# Aktualisieren Sie das SageMaker Vertriebsimage
**Wichtig**
Dieses Thema setzt voraus, dass Sie einen Bereich erstellt und dem Benutzer Zugriff darauf gewährt haben. Weitere Informationen finden Sie unter [Gewähren von Zugriff für die Benutzer auf Bereiche](studio-updated-jl-admin-guide-permissions.md).
Aktualisieren Sie die JupyterLab Bereiche, die Sie bereits erstellt haben, um die neueste Version des SageMaker Distribution-Images für den Zugriff auf die neuesten Funktionen zu verwenden. Sie können entweder die Studio-Benutzeroberfläche oder die AWS Command Line Interface (AWS CLI) verwenden, um das Image zu aktualisieren.
In den folgenden Abschnitten erhalten Sie Informationen zum Aktualisieren eines Images.
## Aktualisieren des Images (Benutzeroberfläche)
Um das Image zu aktualisieren, muss der JupyterLab Bereich Ihres Benutzers neu gestartet werden. Gehen Sie wie folgt vor, um den JupyterLab Bereich Ihres Benutzers mit dem neuesten Bild zu aktualisieren.
**So aktualisieren Sie das Image (Benutzeroberfläche)**
1. Studio erneut öffnen Informationen zum Öffnen von Studio finden Sie unter [Starten Sie Amazon SageMaker Studio](studio-updated-launch.md).
1. Wählen Sie **JupyterLab**.
1. Wählen Sie den JupyterLab Bereich Ihres Benutzers aus.
1. Wählen Sie **Bereich stoppen** aus.
1. Wählen Sie für **Image** eine aktualisierte Version des SageMaker AI Distribution Image aus. Wählen Sie für das neueste Image die Option **Neueste** aus.
1. Wählen Sie **Bereich ausführen** aus.
## Aktualisieren des Images ((AWS CLI)
In diesem Abschnitt wird davon ausgegangen, dass Sie AWS Command Line Interface (AWS CLI) installiert haben. Informationen zur Installation von finden [Sie unter Installation oder Aktualisierung auf die neueste Version von AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html). AWS CLI
Um das Image zu aktualisieren, müssen Sie für Ihren Benutzerbereich wie folgt vorgehen:
1. Löschen Sie die JupyterLab Anwendung
1. Aktualisieren Sie den Bereich.
1. Erstellen der Anwendung
**Wichtig**
Sie müssen die folgenden Informationen bereit haben, bevor Sie mit der Aktualisierung des Images beginnen:
Domain-ID — Die ID der Amazon SageMaker AI-Domain Ihres Benutzers.
Anwendungstyp — JupyterLab.
Anwendungsname – Standard.
Bereichsname – der für den Bereich angegebene Name.
Instance-Typ – Der Instance-Typ von Amazon EC2, der zur Ausführung Ihrer Anwendung genutzt wurde. Beispiel, `ml.t3.medium`.
SageMaker Image ARN — Der Amazon-Ressourcenname (ARN) des SageMaker AI-Distribution-Images. Sie können die neueste Version des SageMaker AI Distribution Image bereitstellen, indem Sie entweder `sagemaker-distribution-cpu` oder `sagemaker-distribution-gpu` als Ressourcen-ID angeben.
Führen Sie den folgenden Befehl aus, um die JupyterLab Anwendung zu löschen:
```
aws sagemaker delete-app \
--domain-id your-user's-domain-id
--app-type JupyterLab \
--app-name default \
--space-name name-of-your-user's-space
```
Um den Bereich Ihres Benutzers zu aktualisieren, führen Sie den folgenden Befehl aus:
```
aws sagemaker update-space \
--space-name name-of-your-user's-space \
--domain-id your-user's-domain-id
```
Wenn Sie den Bereich erfolgreich aktualisiert haben, sehen Sie den Bereichs-ARN in der Antwort:
```
{
"SpaceArn": "arn:aws:sagemaker:AWS-Region:111122223333:space/your-user's-domain-id/name-of-your-user's-space"
}
```
Führen Sie den folgenden Befehl aus, um die Anwendung zu erstellen:
```
aws sagemaker create-app \
--domain-id your-user's-domain-id \
--app-type JupyterLab \
--app-name default \
--space-name name-of-your-user's-space \
--resource-spec "InstanceType=instance-type,SageMakerImageArn=arn:aws:sagemaker:AWS-Region:555555555555:image/sagemaker-distribution-resource-identifier"
```
# Löschen von nicht genutzten Ressourcen
Um zusätzliche Betriebskosten zu vermeiden, empfehlen wir JupyterLab, ungenutzte Ressourcen in der folgenden Reihenfolge zu löschen:
1. JupyterLab Anwendungen
1. Leerzeichen
1. Benutzerprofile
1. domains
Verwenden Sie die folgenden Befehle AWS Command Line Interface (AWS CLI), um Ressourcen innerhalb einer Domäne zu löschen:
------
#### [ Delete a JupyterLab application ]
```
aws --region AWS-Region sagemaker delete-app --domain-id example-domain-id --app-name default --app-type JupyterLab --space-name example-space-name
```
------
#### [ Delete a space ]
**Wichtig**
Wenn Sie einen Bereich löschen, löschen Sie das damit verbundene Amazon-EBS-Volume. Wir empfehlen Ihnen, alle wichtigen Daten zu sichern, bevor Sie Ihren Bereich löschen.
```
aws --region AWS-Region sagemaker delete-space --domain-id example-domain-id --space-name example-space-name
```
------
#### [ Delete a user profile ]
```
aws --region AWS-Region sagemaker delete-user-profile --domain-id example-domain-id --user-profile example-user-profile
```
------
# Kontingente
JupyterLab, hat Kontingente für Folgendes:
+ Die Summe aller Amazon-EBS-Volumes innerhalb eines AWS-Konto.
+ Die Instance-Typen, die für Ihre Benutzer verfügbar sind.
+ Die Anzahl der Instances für ein bestimmtes Programm, die Ihre Benutzer starten können.
Um mehr Speicherplatz und Rechenleistung für Ihre Benutzer zu erhalten, fordern Sie eine Erhöhung Ihrer AWS -Kontingente an. Weitere Informationen zur Beantragung einer Kontingenterhöhung finden Sie unter [Amazon SageMaker AI-Endpunkte und Kontingente](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html).
# SageMaker Amazon-Notebook-Instanzen
Eine SageMaker Amazon-Notebook-Instance ist eine Recheninstanz für maschinelles Lernen (ML), auf der die Jupyter Notebook-Anwendung ausgeführt wird. Eine der besten Möglichkeiten für Machine-Learning-Experten (ML), Amazon SageMaker AI zu nutzen, besteht darin, ML-Modelle mithilfe von SageMaker Notebook-Instances zu trainieren und bereitzustellen. Die SageMaker Notebook-Instances helfen bei der Erstellung der Umgebung, indem sie Jupyter-Server auf Amazon Elastic Compute Cloud (Amazon EC2) initiieren und vorkonfigurierte Kernel mit den folgenden Paketen bereitstellen: das Amazon SageMaker Python SDK,, AWS Command Line Interface (AWS CLI), Conda, Pandas AWS SDK für Python (Boto3), Deep-Learning-Framework-Bibliotheken und andere Bibliotheken für Datenwissenschaft und maschinelles Lernen.
Verwenden Sie Jupyter-Notebooks in Ihrer Notebook-Instance, um:
+ Daten vorzubereiten und zu verarbeiten
+ Code zu schreiben, um Modelle zu trainieren
+ Modelle für das Hosting bereitstellen SageMaker
+ Testen oder Validieren von Modellen
Informationen zur Preisgestaltung mit Amazon SageMaker Notebook Instance finden Sie unter [ SageMaker Amazon-Preise](https://aws.amazon.com/sagemaker/pricing/).
## Wartung
SageMaker KI aktualisiert die zugrunde liegende Software für Amazon SageMaker Notebook Instances mindestens einmal alle 90 Tage. Bei einigen Wartungsupdates, wie z. B. Betriebssystem-Upgrades, muss Ihre Anwendung möglicherweise für einen kurzen Zeitraum offline geschaltet werden. Während dieses Zeitraums können keine Operationen ausgeführt werden, während die zugrunde liegende Software aktualisiert wird. Wir empfehlen, Ihre Notebooks mindestens einmal alle 30 Tage neu zu starten, damit Patches automatisch verwendet werden.
Wenn die Notebook-Instance nicht aktualisiert wird und unsichere Software ausgeführt wird, aktualisiert SageMaker KI die Instance möglicherweise regelmäßig im Rahmen der regelmäßigen Wartung. Während dieser Updates werden Daten außerhalb des Ordners nicht dauerhaft `/home/ec2-user/SageMaker` gespeichert.
Für weitere Informationen kontaktieren Sie [AWS Support](https://aws.amazon.com/premiumsupport/).
## Machine Learning mit dem SageMaker Python-SDK
Verwenden Sie das SageMaker Python-SDK, um ein ML-Modell in einer SageMaker Notebook-Instanz zu trainieren, zu validieren, bereitzustellen und zu evaluieren. Die SageMaker Python-SDK-Abstraktionen AWS SDK für Python (Boto3) und SageMaker API-Operationen. Es ermöglicht Ihnen die Integration und Orchestrierung anderer AWS Services wie Amazon Simple Storage Service (Amazon S3) zum Speichern von Daten und Modellartefakten, Amazon Elastic Container Registry (ECR) für den Import und die Wartung der ML-Modelle, Amazon Elastic Compute Cloud (Amazon EC2) für Training und Inferenz.
Sie können auch SageMaker KI-Funktionen nutzen, die Ihnen helfen, jede Phase eines vollständigen ML-Zyklus zu bewältigen: Datenkennzeichnung, Datenvorverarbeitung, Modelltraining, Modellbereitstellung, Bewertung der Prognoseleistung und Überwachung der Modellqualität in der Produktion.
Wenn Sie SageMaker KI zum ersten Mal verwenden, empfehlen wir Ihnen, das SageMaker Python-SDK zu verwenden, indem Sie dem end-to-end ML-Tutorial folgen. Die Open-Source-Dokumentation finden Sie im [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Wartung](#nbi-maintenance)
+ [Machine Learning mit dem SageMaker Python-SDK](#gs-ml-with-sagemaker-pysdk)
+ [Tutorial zum Erstellen von Modellen mit Notebook-Instances](gs-console.md)
+ [AL2023 Notebook-Instances](nbi-al2023.md)
+ [Amazon Linux 2-Notebook-Instances](nbi-al2.md)
+ [JupyterLab Versionierung](nbi-jl.md)
+ [Erstellen Sie eine SageMaker Amazon-Notebook-Instance](howitworks-create-ws.md)
+ [Zugreifen auf Notebook-Instances](howitworks-access-ws.md)
+ [Aktualisiert eine Notebook-Instance](nbi-update.md)
+ [Anpassung einer SageMaker Notebook-Instanz mithilfe eines LCC-Skripts](notebook-lifecycle-config.md)
+ [Festlegen des Notebook-Kernels](howitworks-set-kernel.md)
+ [Git-Repositorys mit SageMaker AI Notebook-Instanzen](nbi-git-repo.md)
+ [Notebook-Instance-Metadaten](nbi-metadata.md)
+ [Überwachen Sie Jupyter-Protokolle in Amazon Logs CloudWatch](jupyter-logs.md)
# Tutorial zum Erstellen von Modellen mit Notebook-Instances
In diesem Tutorial „Erste Schritte“ erfahren Sie, wie Sie eine SageMaker Notebook-Instance erstellen, ein Jupyter-Notebook mit einem vorkonfigurierten Kernel mit der Conda-Umgebung für maschinelles Lernen öffnen und eine SageMaker KI-Sitzung starten, um einen ML-Zyklus auszuführen. end-to-end Sie erfahren, wie Sie einen Datensatz in einem standardmäßigen Amazon S3 S3-Bucket speichern, der automatisch mit der SageMaker KI-Sitzung gepaart wird, einen Trainingsjob eines ML-Modells an Amazon EC2 senden und das trainierte Modell für Prognosen bereitstellen, indem Sie es hosten oder Batch-Inferenzen über Amazon EC2 durchführen.
In diesem Tutorial wird explizit ein vollständiger ML-Flow gezeigt, bei dem das XGBoost Modell aus dem in SageMaker KI integrierten Modellpool trainiert wird. Sie verwenden den [Datensatz der US-Volkszählung für Erwachsene](https://archive.ics.uci.edu/ml/datasets/adult) und bewerten die Leistung des trainierten SageMaker XGBoost KI-Modells bei der Vorhersage des Einkommens von Einzelpersonen.
+ [SageMaker KI XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html) — Das [XGBoost](https://xgboost.readthedocs.io/en/latest/)Modell ist an die SageMaker KI-Umgebung angepasst und als Docker-Container vorkonfiguriert. SageMaker KI bietet eine Reihe [integrierter Algorithmen](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html), die für die Verwendung von SageMaker KI-Funktionen vorbereitet sind. Weitere Informationen darüber, welche ML-Algorithmen an SageMaker KI angepasst sind, finden [Sie unter Wählen Sie einen Algorithmus](https://docs.aws.amazon.com/sagemaker/latest/dg/algorithms-choose.html) und [verwenden Sie die von Amazon SageMaker integrierten Algorithmen](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html). Informationen zu den API-Operationen für den integrierten SageMaker KI-Algorithmus finden Sie unter [Erstanbieter-Algorithmen](https://sagemaker.readthedocs.io/en/stable/algorithms/index.html) im [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable).
+ [Datensatz zur Volkszählung von Erwachsenen](https://archive.ics.uci.edu/ml/datasets/adult) – Der Datensatz aus der Datenbank des [Census Bureau von 1994](http://www.census.gov/en.html) von Ronny Kohavi und Barry Becker (Data Mining and Visualization, Silicon Graphics). Das SageMaker XGBoost KI-Modell wird anhand dieses Datensatzes trainiert, um vorherzusagen, ob eine Person mehr als 50.000\$1 pro Jahr oder weniger verdient.
**Topics**
+ [Erstellen Sie eine Amazon SageMaker Notebook-Instance für das Tutorial](gs-setup-working-env.md)
+ [Erstellen Sie ein Jupyter-Notebook in der Notebook-Instance SageMaker](ex1-prepare.md)
+ [Vorbereiten eines Datensatzes](ex1-preprocess-data.md)
+ [Trainieren eines Modells](ex1-train-model.md)
+ [Bereitstellen des Modells auf Amazon EC2](ex1-model-deployment.md)
+ [Bewerten des Modells](ex1-test-model.md)
+ [Bereinigen der SageMaker Amazon-Notebook-Instance-Ressourcen](ex1-cleanup.md)
# Erstellen Sie eine Amazon SageMaker Notebook-Instance für das Tutorial
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Eine Amazon SageMaker Notebook-Instance ist eine vollständig verwaltete Amazon Elastic Compute Cloud (Amazon EC2) Compute Instance für maschinelles Lernen (ML). Eine SageMaker Amazon-Notebook-Instance führt die Jupyter Notebook-Anwendung aus. Verwenden Sie die Notebook-Instance, um Jupyter Notebooks für die Vorverarbeitung von Daten, das Trainieren von ML-Modellen und die Bereitstellung von ML-Modellen zu erstellen und zu verwalten.
**Um eine Notebook-Instance zu erstellen SageMaker**
![\[Animierter Screenshot, der zeigt, wie eine SageMaker Notebook-Instanz erstellt wird.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-create-instance.gif)
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie **Notebook-Instances** und **Notebook-Instance erstellen** aus.
1. Geben Sie auf der Seite **Create notebook instance (Notebook-Instance erstellen)** die folgenden Informationen an (falls ein Feld nicht erwähnt wird, behalten Sie die Standardwerte bei):
1. Geben Sie unter **Notebook instance name (Name der Notebook-Instance)** einen Namen für die Notebook-Instance ein.
1. Wählen Sie für **Notebook instance type (Typ der Notebook-Instance)** `ml.t2.medium` aus. Dies ist der kostengünstigste Instance-Typ, der von Notebook-Instances unterstützt wird, und er reicht für diese Übung aus. Wenn ein `ml.t2.medium` Instance-Typ in Ihrer aktuellen AWS -Region nicht verfügbar ist, wählen Sie `ml.t3.medium`.
1. Wählen Sie unter **Platform Identifier** einen Plattformtyp aus, auf dem die Notebook-Instance erstellt werden soll. Dieser Plattformtyp definiert das Betriebssystem und die JupyterLab Version, mit der Ihre Notebook-Instance erstellt wurde. Die neueste und empfohlene Version ist `notebook-al2023-v1` für eine Amazon Linux 2023 Notebook-Instance. Informationen zu den Typen von Plattformkennungen finden Sie unter [AL2023 Notebook-Instances](nbi-al2023.md) und[Amazon Linux 2-Notebook-Instances](nbi-al2.md). Informationen zu JupyterLab Versionen finden Sie unter[JupyterLab Versionierung](nbi-jl.md).
1. Wählen Sie für die **IAM-Rolle** die Option **Neue Rolle erstellen** und anschließend **Rolle erstellen** aus. Diese IAM-Rolle ruft automatisch Berechtigungen für den Zugriff auf S3 Buckets ab, die `sagemaker` im Namen enthalten. Es erhält diese Berechtigungen über die `AmazonSageMakerFullAccess` Richtlinie, die SageMaker KI der Rolle zuordnet.
**Anmerkung**
Wenn Sie der IAM-Rolle die Berechtigung zum Zugriff auf S3-Buckets ohne `sagemaker` im Namen gewähren möchten, müssen Sie der IAM-Rolle die `S3FullAccess`-Richtlinie anfügen. Sie können die Berechtigungen auch auf bestimmte S3-Buckets auf die IAM-Rolle beschränken. Weitere Informationen und Beispiele für das Hinzufügen von Bucket-Richtlinien zur IAM-Rolle finden Sie unter [Beispiele für Bucket-Richtlinien](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-bucket-policies.html).
1. Wählen Sie **Create notebook instance (Notebook-Instance erstellen)** aus.
In wenigen Minuten startet SageMaker KI eine Notebook-Instance und fügt ihr ein 5 GB großes Amazon EBS-Speichervolume hinzu. Die Notebook-Instance verfügt über einen vorkonfigurierten Jupyter-Notebook-Server, SageMaker KI- und AWS SDK-Bibliotheken sowie eine Reihe von Anaconda-Bibliotheken.
[Weitere Informationen zum Erstellen einer Notebook-Instanz finden Sie unter Erstellen einer SageMaker Notebook-Instanz.](https://docs.aws.amazon.com/sagemaker/latest/dg/howitworks-create-ws.html)
## (Optional) Ändern Sie die Einstellungen der SageMaker Notebook-Instanz
Um den ML-Compute-Instance-Typ oder die Größe des Amazon EBS-Speichers einer SageMaker AI-Notebook-Instance zu ändern, bearbeiten Sie die Notebook-Instance-Einstellungen.
**Um den SageMaker Notebook-Instance-Typ und das EBS-Volume zu ändern und zu aktualisieren**
1. Wählen Sie auf der Seite **Notebook-Instanzen** in der SageMaker AI-Konsole Ihre Notebook-Instance aus.
1. Wählen Sie **Aktionen**, dann **Stopp** und warten Sie, bis die Notebook-Instance vollständig beendet ist.
1. Nachdem sich der Status der Notebook-Instance auf **Gestoppt** geändert hat, wählen Sie **Aktionen** und dann **Einstellungen aktualisieren** aus.
![\[Animierter Screenshot, der zeigt, wie Sie die Instanzeinstellungen für SageMaker Notebooks aktualisieren.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-update-instance.gif)
1. Wählen Sie für **Notebook-Instance-Typ** einen anderen ML-Instance-Typ aus.
1. Geben Sie für **Volume-Größe in GB** eine andere Ganzzahl ein, um eine neue EBS-Volume-Größe anzugeben.
**Anmerkung**
EBS-Speichervolumes sind verschlüsselt, sodass SageMaker KI nicht ermitteln kann, wie viel freier Speicherplatz auf dem Volume verfügbar ist. Daher können Sie beim Aktualisieren einer Notebook-Instance die Volume-Größe nur erhöhen, nicht jedoch verkleinern. Wenn Sie die Größe eines verwendeten ML-Speicher-Volumes verkleinern möchten, erstellen Sie eine neue Notebook-Instance mit der gewünschten Größe.
1. Wählen Sie unten auf der Seite die Option **Notebook-Instance aktualisieren** aus.
1. Wenn das Update abgeschlossen ist, **starten** Sie die Notebook-Instance mit den neuen Einstellungen.
Weitere Informationen zum Aktualisieren der SageMaker Notebook-Instance-Einstellungen finden Sie unter [Eine Notebook-Instanz aktualisieren](https://docs.aws.amazon.com/sagemaker/latest/dg/nbi-update.html).
## (Optional) Erweiterte Einstellungen für SageMaker Notebook-Instanzen
Das folgende Tutorial-Video zeigt, wie Sie SageMaker Notebook-Instanzen über die SageMaker AI-Konsole einrichten und verwenden. Es umfasst erweiterte Optionen wie die Konfiguration des SageMaker KI-Lebenszyklus und das Importieren von GitHub Repositorys. (Länge: 26:04)
[](http://www.youtube.com/watch?v=https://www.youtube.com/embed/X5CLunIzj3U)
Eine vollständige Dokumentation zur SageMaker Notebook-Instance finden Sie unter [Verwenden von Amazon SageMaker Notebook-Instances](https://docs.aws.amazon.com/sagemaker/latest/dg/nbi.html).
# Erstellen Sie ein Jupyter-Notebook in der Notebook-Instance SageMaker
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Um mit der Skripterstellung für das Training und die Bereitstellung Ihres Modells zu beginnen, erstellen Sie ein Jupyter-Notebook in der Notebook-Instanz. SageMaker Mit dem Jupyter-Notebook können Sie Machine-Learning-Experimente (ML) für Training und Inferenz durchführen und dabei KI-Funktionen und die Infrastruktur nutzen. SageMaker AWS
**So erstellen Sie ein Jupyter Notebook**
![\[Animierter Screenshot, der zeigt, wie ein Jupyter-Notizbuch in der AI-Notebook-Instanz erstellt wird. SageMaker\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-create-notebook.gif)
1. Öffnen Sie die Notebook-Instance wie folgt:
1. Melden Sie sich bei der SageMaker AI-Konsole an unter. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Öffnen Sie auf der Seite **Notebook-Instances** Ihre Notebook-Instance, indem Sie eine der folgenden Optionen wählen:
+ **Öffnen Sie JupyterLab** für die JupyterLab Schnittstelle
+ **Jupyter öffnen** für die klassische Jupyter-Ansicht
**Anmerkung**
Wenn der Status der Notebook-Instance in der Spalte **Status** **Ausstehend** anzeigt, wird Ihre Notebook-Instance immer noch erstellt. Der Status ändert sich zu dem **InService**Zeitpunkt, zu dem die Notebook-Instanz einsatzbereit ist.
1. Erstellen Sie ein Notebook wie folgt:
+ Wenn Sie das Notizbuch in der JupyterLab Ansicht geöffnet haben, wählen Sie im Menü **Datei** die Option **Neu** und dann **Notizbuch** aus. Wählen Sie für **Select Kernel (Kernel auswählen)** **conda\$1python3** aus. Diese vorinstallierte Umgebung umfasst die Anaconda-Standardinstallation und Python 3.
+ Wenn Sie das Notebook in der klassischen Jupyter-Ansicht geöffnet haben, wählen Sie in der Registerkarte **Dateien** **Neu** und **conda\$1python3** aus. Diese vorinstallierte Umgebung umfasst die Anaconda-Standardinstallation und Python 3.
1. Speichern Sie die Notebooks wie folgt:
+ Wählen Sie in der JupyterLab Ansicht „**Datei**“ und dann „**Notizbuch speichern unter...“.** , und benennen Sie dann das Notizbuch um.
+ Wählen Sie in der klassischen Ansicht von Jupyter **Datei** und dann **Speichern unter...** , und benennen Sie dann das Notebook um.
# Vorbereiten eines Datensatzes
In diesem Schritt laden Sie den [Datensatz Adult Census](https://archive.ics.uci.edu/ml/datasets/adult) mithilfe der SHAP-Bibliothek (SHapley Additive Explanations) in Ihre Notebook-Instance, überprüfen den Datensatz, transformieren ihn und laden ihn auf Amazon S3 hoch. SHAP ist ein spieltheoretischer Ansatz zur Erklärung der Ergebnisse eines beliebigen Modells für Machine Learning. Weitere Informationen zu SHAP finden Sie in der [Wilkommen zu SHAP Dokumentation](https://shap.readthedocs.io/en/latest/).
Um das folgende Beispiel auszuführen, fügen Sie den Beispielcode in eine Zelle in Ihrer Notebook-Instance ein.
## Laden Sie den Datensatz zur Volkszählung von Erwachsenen mit SHAP
Importieren Sie den Datensatz der Volkszählung für Erwachsene mithilfe der SHAP-Bibliothek wie folgt:
```
import shap
X, y = shap.datasets.adult()
X_display, y_display = shap.datasets.adult(display=True)
feature_names = list(X.columns)
feature_names
```
**Anmerkung**
Wenn der aktuelle Jupyter-Kernel nicht über die SHAP-Bibliothek verfügt, installieren Sie sie, indem Sie den folgenden `conda` Befehl ausführen:
```
%conda install -c conda-forge shap
```
Wenn Sie verwenden JupyterLab, müssen Sie den Kernel manuell aktualisieren, nachdem die Installation und die Updates abgeschlossen sind. Führen Sie das folgende IPython Skript aus, um den Kernel herunterzufahren (der Kernel wird automatisch neu gestartet):
```
import IPython
IPython.Application.instance().kernel.do_shutdown(True)
```
Das `feature_names` Listenobjekt sollte die folgende Liste von Features zurückgeben:
```
['Age',
'Workclass',
'Education-Num',
'Marital Status',
'Occupation',
'Relationship',
'Race',
'Sex',
'Capital Gain',
'Capital Loss',
'Hours per week',
'Country']
```
**Tipp**
Wenn Sie mit unbeschrifteten Daten beginnen, können Sie Amazon SageMaker Ground Truth verwenden, um innerhalb von Minuten einen Datenkennzeichnungsworkflow zu erstellen. Weitere Informationen finden Sie unter [Beschriftungsdaten](https://docs.aws.amazon.com/sagemaker/latest/dg/data-label.html).
## Überblick über den Datensatz
Führen Sie das folgende Skript aus, um die statistische Übersicht des Datensatzes und die Histogramme der numerischen Merkmale anzuzeigen.
```
display(X.describe())
hist = X.hist(bins=30, sharey=True, figsize=(20, 10))
```
![\[Überblick über den Datensatz der Volkszählung für Erwachsene.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-1.png)
**Tipp**
Wenn Sie einen Datensatz verwenden möchten, der bereinigt und transformiert werden muss, können Sie die Datenvorverarbeitung und das Feature-Engineering mit Amazon SageMaker Data Wrangler vereinfachen und optimieren. Weitere Informationen finden Sie unter [Vorbereiten von ML-Daten mit Amazon SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html).
## Teilen Sie den Datensatz in Trainings-, Validierungs- und Testdatensätze auf
Teilen Sie den Datensatz mithilfe von Sklearn in einen Trainingssatz und einen Testsatz auf. Der Trainingssatz wird verwendet, um das Modell zu trainieren, während der Testsatz verwendet wird, um die Leistung des endgültigen trainierten Modells zu bewerten. Der Datensatz wird nach dem Zufallsprinzip mit der festen Zufallszahl sortiert: 80 Prozent des Datensatzes für den Trainingssatz und 20 Prozent davon für einen Testsatz.
```
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)
X_train_display = X_display.loc[X_train.index]
```
Teilen Sie den Trainingssatz auf, um einen Validierungssatz zu trennen. Der Validierungssatz wird verwendet, um die Leistung des trainierten Modells zu bewerten und gleichzeitig die Hyperparameter des Modells zu optimieren. 75 Prozent des Trainingssatzes werden zum endgültigen Trainingssatz, und der Rest ist der Validierungssatz.
```
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.25, random_state=1)
X_train_display = X_display.loc[X_train.index]
X_val_display = X_display.loc[X_val.index]
```
Richten Sie mithilfe des Pandas-Pakets jeden Datensatz explizit aus, indem Sie die numerischen Merkmale mit den tatsächlichen Beschriftungen verketten.
```
import pandas as pd
train = pd.concat([pd.Series(y_train, index=X_train.index,
name='Income>50K', dtype=int), X_train], axis=1)
validation = pd.concat([pd.Series(y_val, index=X_val.index,
name='Income>50K', dtype=int), X_val], axis=1)
test = pd.concat([pd.Series(y_test, index=X_test.index,
name='Income>50K', dtype=int), X_test], axis=1)
```
Prüfen Sie, ob der Datensatz wie erwartet aufgeteilt und strukturiert ist:
```
train
```
![\[Der Beispiel-Trainingsdatensatz.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-train.png)
```
validation
```
![\[Das Beispiel für den Validierungsdatensatz.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-validation.png)
```
test
```
![\[Der Beispiel-Testdatensatz.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-test.png)
## Konvertiert das Trainings- und Validierungsdatensätze in CSV-Dateien
Konvertieren Sie die Objekte `train` und `validation` DataFrame in CSV-Dateien, sodass sie dem Eingabedateiformat für den Algorithmus entsprechen. XGBoost
```
# Use 'csv' format to store the data
# The first column is expected to be the output column
train.to_csv('train.csv', index=False, header=False)
validation.to_csv('validation.csv', index=False, header=False)
```
## Hochladen der Datensätze auf Amazon S3
Laden Sie mithilfe von SageMaker KI und Boto3 die Trainings- und Validierungsdatensätze in den standardmäßigen Amazon S3 S3-Bucket hoch. Die Datensätze im S3-Bucket werden von einer rechenoptimierten SageMaker Instance auf Amazon EC2 für Schulungen verwendet.
Der folgende Code richtet die standardmäßige S3-Bucket-URI für Ihre aktuelle SageMaker AI-Sitzung ein, erstellt einen neuen `demo-sagemaker-xgboost-adult-income-prediction` Ordner und lädt die Trainings- und Validierungsdatensätze in den Unterordner hoch. `data`
```
import sagemaker, boto3, os
bucket = sagemaker.Session().default_bucket()
prefix = "demo-sagemaker-xgboost-adult-income-prediction"
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'data/train.csv')).upload_file('train.csv')
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'data/validation.csv')).upload_file('validation.csv')
```
Führen Sie den folgenden Befehl aus AWS CLI , um zu überprüfen, ob die CSV-Dateien erfolgreich in den S3-Bucket hochgeladen wurden.
```
! aws s3 ls {bucket}/{prefix}/data --recursive
```
Dies sollte die folgende Ausgabe ergeben:
![\[Ausgabe des CLI-Befehls zur Überprüfung der Datensätze im S3-Bucket.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-3.png)
# Trainieren eines Modells
In diesem Schritt wählen Sie einen Trainingsalgorithmus aus und führen einen Trainingsjob für das Modell aus. Das [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) bietet Framework-Schätzer und generische Schätzer, mit denen Sie Ihr Modell trainieren und gleichzeitig den Lebenszyklus des maschinellen Lernens (ML) orchestrieren können, indem Sie auf die SageMaker KI-Funktionen für das Training und die AWS Infrastrukturen wie Amazon Elastic Container Registry (Amazon ECR), Amazon Elastic Compute Cloud (Amazon EC2) und Amazon Simple Storage Service (Amazon S3) zugreifen. Weitere Informationen zu SageMaker KI-integrierten Framework-Schätzern finden Sie unter [Frameworks](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html) in der [Amazon SageMaker Python SDK-Dokumentation](https://sagemaker.readthedocs.io/en/stable). Weitere Informationen zu integrierten Algorithmen finden Sie unter [Integrierte Algorithmen und vortrainierte Modelle in Amazon SageMaker](algos.md).
**Topics**
+ [Auswählen des Trainingsalgorithmus](#ex1-train-model-select-algorithm)
+ [Erstellen und Ausführen eines Trainingsauftrags](#ex1-train-model-sdk)
## Auswählen des Trainingsalgorithmus
Um den richtigen Algorithmus für Ihren Datensatz auszuwählen, müssen Sie in der Regel verschiedene Modelle auswerten, um die für Ihre Daten am besten geeigneten Modelle zu finden. Der Einfachheit halber wird in diesem Tutorial der [XGBoost Algorithmus mit Amazon SageMaker AI](xgboost.md) integrierte SageMaker KI-Algorithmus verwendet, ohne dass Modelle vorab evaluiert werden müssen.
**Tipp**
Wenn Sie möchten, dass SageMaker KI ein geeignetes Modell für Ihren tabellarischen Datensatz findet, verwenden Sie Amazon SageMaker Autopilot, das eine Lösung für maschinelles Lernen automatisiert. Weitere Informationen finden Sie unter [SageMaker Autopilot](autopilot-automate-model-development.md).
## Erstellen und Ausführen eines Trainingsauftrags
Nachdem Sie herausgefunden haben, welches Modell Sie verwenden sollen, beginnen Sie mit der Erstellung eines SageMaker KI-Schätzers für das Training. In diesem Tutorial wird der XGBoost integrierte Algorithmus für den generischen SageMaker KI-Schätzer verwendet.
**So führen Sie einen Modelltrainingsauftrag aus**
1. Importieren Sie das [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable) und rufen Sie zunächst die Basisinformationen aus Ihrer aktuellen SageMaker KI-Sitzung ab.
```
import sagemaker
region = sagemaker.Session().boto_region_name
print("AWS Region: {}".format(region))
role = sagemaker.get_execution_role()
print("RoleArn: {}".format(role))
```
Dies gibt folgende Informationen zurück:
+ `region`— Die aktuelle AWS Region, in der die SageMaker AI-Notebook-Instance ausgeführt wird.
+ `role` – Die von der Notebook-Instance verwendete IAM-Rolle.
**Anmerkung**
Überprüfen Sie die SageMaker Python-SDK-Version, indem Sie Folgendes ausführen`sagemaker.__version__`. Dieses Tutorial basiert auf `sagemaker>=2.20`. Wenn das SDK veraltet ist, installieren Sie die neueste Version, indem Sie den folgenden Befehl ausführen:
```
! pip install -qU sagemaker
```
Wenn Sie diese Installation in Ihren bestehenden SageMaker Studio- oder Notebook-Instanzen ausführen, müssen Sie den Kernel manuell aktualisieren, um die Installation des Versionsupdates abzuschließen.
1. Erstellen Sie mithilfe XGBoost der Klasse einen Schätzer. `sagemaker.estimator.Estimator` Im folgenden Beispielcode wird der XGBoost Schätzer benannt. `xgb_model`
```
from sagemaker.debugger import Rule, ProfilerRule, rule_configs
from sagemaker.session import TrainingInput
s3_output_location='s3://{}/{}/{}'.format(bucket, prefix, 'xgboost_model')
container=sagemaker.image_uris.retrieve("xgboost", region, "1.2-1")
print(container)
xgb_model=sagemaker.estimator.Estimator(
image_uri=container,
role=role,
instance_count=1,
instance_type='ml.m4.xlarge',
volume_size=5,
output_path=s3_output_location,
sagemaker_session=sagemaker.Session(),
rules=[
Rule.sagemaker(rule_configs.create_xgboost_report()),
ProfilerRule.sagemaker(rule_configs.ProfilerReport())
]
)
```
Um den SageMaker AI-Schätzer zu erstellen, geben Sie die folgenden Parameter an:
+ `image_uri` – Geben Sie den Image-URI des Trainingscontainers an. In diesem Beispiel wird der SageMaker XGBoost AI-Trainingscontainer-URI mit `sagemaker.image_uris.retrieve` angegeben.
+ `role`— Die AWS Identity and Access Management (IAM-) Rolle, die SageMaker KI verwendet, um Aufgaben in Ihrem Namen auszuführen (z. B. Trainingsergebnisse lesen, Modellartefakte von Amazon S3 aufrufen und Trainingsergebnisse in Amazon S3 schreiben).
+ `instance_count` und `instance_type` – Typ und Anzahl der für das Modelltraining zu verwendenden Amazon-EC2-ML-Compute-Instances. Für diese Trainingsübung verwenden Sie eine einzelne `ml.m4.xlarge` Instance mit 4 CPUs, 16 GB Arbeitsspeicher, einem Amazon Elastic Block Store (Amazon EBS)-Speicher und einer hohen Netzwerkleistung. Weitere Informationen zu EC2-Rechen-Instance-Typen finden Sie unter [Amazon-EC2-Instance-Typen](https://aws.amazon.com/ec2/instance-types/). Weitere Informationen zur Abrechnung finden Sie unter [ SageMaker Amazon-Preise](https://aws.amazon.com/sagemaker/pricing/).
+ `volume_size` – Die Größe des EBS-Speichervolumens (in GB), das an das Trainings-Instance angefügt werden soll. Diese muss groß genug sein, um Trainingsdaten speichern zu können, wenn Sie den `File`-Modus verwenden (der `File`-Modus ist der Standardwert). Wenn Sie diesen Parameter nicht angeben, ist sein Wert standardmäßig 30.
+ `output_path`— Der Pfad zum S3-Bucket, in dem SageMaker KI das Modellartefakt und die Trainingsergebnisse speichert.
+ `sagemaker_session`— Das Sitzungsobjekt, das Interaktionen mit SageMaker API-Vorgängen und anderen AWS Diensten verwaltet, die der Trainingsjob verwendet.
+ `rules`— Geben Sie eine Liste der integrierten SageMaker Debugger-Regeln an. In diesem Beispiel erstellt die `create_xgboost_report()` Regel einen XGBoost Bericht, der Einblicke in den Trainingsfortschritt und die Ergebnisse bietet, und die `ProfilerReport()` Regel erstellt einen Bericht über die Auslastung der EC2-Rechenressourcen. Weitere Informationen finden Sie unter [SageMaker Interaktiver Debugger-Bericht für XGBoost](debugger-report-xgboost.md).
**Tipp**
Wenn Sie ein verteiltes Training von großen Deep-Learning-Modellen wie Convolutional Neural Networks (CNN) und Natural Language Processing (NLP) -Modellen (Natural Language Processing) durchführen möchten, verwenden Sie SageMaker AI Distributed für Daten- oder Modellparallelität. Weitere Informationen finden Sie unter [Verteilte Schulungen in Amazon SageMaker AI](distributed-training.md).
1. Legen Sie die Hyperparameter für den Algorithmus fest, indem Sie die Methode des Schätzers aufrufen. XGBoost `set_hyperparameters` Eine vollständige Liste der XGBoost Hyperparameter finden Sie unter. [XGBoost Hyperparameter](xgboost_hyperparameters.md)
```
xgb_model.set_hyperparameters(
max_depth = 5,
eta = 0.2,
gamma = 4,
min_child_weight = 6,
subsample = 0.7,
objective = "binary:logistic",
num_round = 1000
)
```
**Tipp**
Sie können die Hyperparameter auch mithilfe der SageMaker AI-Hyperparameter-Optimierungsfunktion optimieren. Weitere Informationen finden Sie unter [Automatische Modelloptimierung mit KI SageMaker](automatic-model-tuning.md).
1. Verwenden Sie die `TrainingInput` Klasse, um einen Dateneingabefluss für das Training zu konfigurieren. Der folgende Beispielcode zeigt, wie Sie `TrainingInput` Objekte für die Verwendung der Trainings- und Validierungsdatensätze konfigurieren, die Sie im [Teilen Sie den Datensatz in Trainings-, Validierungs- und Testdatensätze auf](ex1-preprocess-data.md#ex1-preprocess-data-transform) Abschnitt auf Amazon S3 hochgeladen haben.
```
from sagemaker.session import TrainingInput
train_input = TrainingInput(
"s3://{}/{}/{}".format(bucket, prefix, "data/train.csv"), content_type="csv"
)
validation_input = TrainingInput(
"s3://{}/{}/{}".format(bucket, prefix, "data/validation.csv"), content_type="csv"
)
```
1. Um das Modelltraining zu starten, rufen Sie die `fit` Methode des Schätzers mit den Trainings- und Validierungsdatensätzen auf. Wenn Sie `wait=True` einstellen, zeigt die `fit` Methode Fortschrittsprotokolle an und wartet, bis das Training abgeschlossen ist.
```
xgb_model.fit({"train": train_input, "validation": validation_input}, wait=True)
```
Weitere Informationen zum Modelltraining finden Sie unter [Trainiere ein Modell mit Amazon SageMaker](how-it-works-training.md). Dieser Tutorial-Trainingsjob kann bis zu 10 Minuten dauern.
Nach Abschluss der Trainingsaufgabe können Sie einen XGBoost Trainingsbericht und einen vom Debugger generierten Profilerstellungsbericht herunterladen. SageMaker Der XGBoost Trainingsbericht bietet Ihnen Einblicke in den Trainingsfortschritt und die Ergebnisse, z. B. die Verlustfunktion in Bezug auf die Iteration, die Wichtigkeit der Merkmale, die Konfusionsmatrix, die Genauigkeitskurven und andere statistische Ergebnisse des Trainings. Im XGBoost Trainingsbericht findest du zum Beispiel die folgende Verlustkurve, die eindeutig darauf hinweist, dass ein Überfitnessproblem vorliegt.
![\[Die Grafik im XGBoost Trainingsbericht.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-train-loss-curve-validation-overfitting.png)
Führen Sie den folgenden Code aus, um den S3-Bucket-URI anzugeben, unter dem die Debugger-Trainingsberichte generiert werden, und überprüfen Sie, ob die Berichte vorhanden sind.
```
rule_output_path = xgb_model.output_path + "/" + xgb_model.latest_training_job.job_name + "/rule-output"
! aws s3 ls {rule_output_path} --recursive
```
Laden Sie die XGBoost Debugger-Schulungs- und Profilerstellungsberichte in den aktuellen Workspace herunter:
```
! aws s3 cp {rule_output_path} ./ --recursive
```
Führen Sie das folgende IPython Skript aus, um den Dateilink des XGBoost Trainingsberichts abzurufen:
```
from IPython.display import FileLink, FileLinks
display("Click link below to view the XGBoost Training report", FileLink("CreateXgboostReport/xgboost_report.html"))
```
Das folgende IPython-Skript gibt den Dateilink des Debugger-Profilerstellungsberichts zurück, der Zusammenfassungen und Details zur Ressourcenauslastung der EC2-Instance, zu den Ergebnissen der Erkennung von Systemengpässen und zur Profilerstellung für Python-Operationen enthält:
```
profiler_report_name = [rule["RuleConfigurationName"]
for rule in xgb_model.latest_training_job.rule_job_summary()
if "Profiler" in rule["RuleConfigurationName"]][0]
profiler_report_name
display("Click link below to view the profiler report", FileLink(profiler_report_name+"/profiler-output/profiler-report.html"))
```
**Tipp**
Wenn die HTML-Berichte in der JupyterLab Ansicht keine Diagramme rendern, müssen Sie oben in den Berichten die Option **HTML vertrauen** auswählen.
Um Trainingsprobleme wie Überanpassung, verschwindende Gradienten und andere Probleme zu identifizieren, die die Konvergenz Ihres Modells verhindern, verwenden Sie den SageMaker Debugger und ergreifen Sie automatisierte Maßnahmen, während Sie Prototypen erstellen und Ihre ML-Modelle trainieren. Weitere Informationen finden Sie unter [SageMaker Amazon-Debugger](train-debugger.md). Eine vollständige Analyse der Modellparameter finden Sie im Beispielnotizbuch [Explainability with Amazon SageMaker Debugger](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/xgboost_census_explanations/xgboost-census-debugger-rules.html#Explainability-with-Amazon-SageMaker-Debugger).
Sie haben jetzt ein trainiertes Modell. XGBoost SageMaker KI speichert das Modellartefakt in Ihrem S3-Bucket. Um die Position des Modellartefakts zu ermitteln, führen Sie den folgenden Code aus, um das model\$1data-Attribut des `xgb_model` Schätzers auszudrucken:
```
xgb_model.model_data
```
**Tipp**
Verwenden SageMaker Sie Clarify, um Verzerrungen zu messen, die in jeder Phase des ML-Lebenszyklus (Datenerfassung, Modelltraining und -optimierung sowie Überwachung von ML-Modellen, die zur Vorhersage eingesetzt werden) auftreten können. Weitere Informationen finden Sie unter [Erklärbarkeit des Modells](clarify-model-explainability.md). Ein Beispiel finden Sie im end-to-end Beispielnotizbuch [Fairness and Explainability with SageMaker ](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-clarify/fairness_and_explainability/fairness_and_explainability.html) Clarify.
# Bereitstellen des Modells auf Amazon EC2
Um Prognosen zu erhalten, stellen Sie Ihr Modell mithilfe von Amazon SageMaker AI in Amazon EC2 bereit.
**Topics**
+ [Stellen Sie das Modell für SageMaker AI Hosting Services bereit](#ex1-deploy-model)
+ [(Optional) Verwenden Sie SageMaker AI Predictor, um den gehosteten Endpunkt wiederzuverwenden](#ex1-deploy-model-sdk-use-endpoint)
+ [(Optional) Vorhersagen mit Batch-Transformation treffen](#ex1-batch-transform)
## Stellen Sie das Modell für SageMaker AI Hosting Services bereit
Um ein Modell mithilfe von Amazon SageMaker AI über Amazon EC2 zu hosten, stellen Sie das Modell bereit, in dem Sie trainiert haben, [Erstellen und Ausführen eines Trainingsauftrags](ex1-train-model.md#ex1-train-model-sdk) indem Sie die `deploy` Methode des `xgb_model` Schätzers aufrufen. Wenn Sie die `deploy`-Methode aufrufen, geben Sie die Anzahl und den Typ der EC2-ML-Instances an, die Sie zum Hosten des Endpunkts verwenden möchten.
```
import sagemaker
from sagemaker.serializers import CSVSerializer
xgb_predictor=xgb_model.deploy(
initial_instance_count=1,
instance_type='ml.t2.medium',
serializer=CSVSerializer()
)
```
+ `initial_instance_count` (int) – Die Anzahl der Instances, für die das Modell bereitgestellt werden soll.
+ `instance_type` (str) – Der Instance-Typ, mit dem Sie Ihr bereitgestelltes Modell betreiben möchten.
+ `serializer`(int) — Serialisiert Eingabedaten verschiedener Formate (ein NumPy Array, eine Liste, eine Datei oder ein Puffer) in eine CSV-formatierte Zeichenfolge. Wir verwenden dies, weil der XGBoost Algorithmus Eingabedateien im CSV-Format akzeptiert.
Die `deploy` Methode erstellt ein bereitstellbares Modell, konfiguriert den Endpunkt der SageMaker KI-Hostingdienste und startet den Endpunkt, um das Modell zu hosten. Weitere Informationen finden Sie in der [Deploy-Klassenmethode des generischen SageMaker KI-Estimators](https://sagemaker.readthedocs.io/en/stable/estimators.html#sagemaker.estimator.Estimator.deploy) im [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable). Um den Namen des Endpunkts abzurufen, der von der `deploy` Methode generiert wurde, führen Sie den folgenden Code aus:
```
xgb_predictor.endpoint_name
```
Dies sollte den Endpunktnamen von `xgb_predictor` zurückgeben. Das Format des Endpunktnamens ist `"sagemaker-xgboost-YYYY-MM-DD-HH-MM-SS-SSS"`. Dieser Endpunkt bleibt in der ML-Instance aktiv, und Sie können jederzeit sofortige Vorhersagen treffen, sofern Sie ihn nicht später herunterfahren. Kopieren Sie diesen Endpunktnamen und speichern Sie ihn, um ihn wiederzuverwenden und Vorhersagen in Echtzeit an anderer Stelle in SageMaker Studio- oder SageMaker AI-Notebook-Instances zu treffen.
**Tipp**
Weitere Informationen zur Kompilierung und Optimierung Ihres Modells für die Bereitstellung auf Amazon-EC2-Instances oder Edge-Geräten finden Sie unter [Modelle mit Neo kompilieren und bereitstellen](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html).
## (Optional) Verwenden Sie SageMaker AI Predictor, um den gehosteten Endpunkt wiederzuverwenden
Nachdem Sie das Modell auf einem Endpunkt bereitgestellt haben, können Sie einen neuen SageMaker KI-Prädiktor einrichten, indem Sie den Endpunkt koppeln und in allen anderen Notebooks kontinuierlich Vorhersagen in Echtzeit treffen. Der folgende Beispielcode zeigt, wie Sie die SageMaker AI Predictor-Klasse verwenden, um ein neues Prädiktorobjekt unter Verwendung desselben Endpunkts einzurichten. Verwenden Sie erneut den Endpunktnamen, den Sie für den `xgb_predictor` verwendet haben.
```
import sagemaker
xgb_predictor_reuse=sagemaker.predictor.Predictor(
endpoint_name="sagemaker-xgboost-YYYY-MM-DD-HH-MM-SS-SSS",
sagemaker_session=sagemaker.Session(),
serializer=sagemaker.serializers.CSVSerializer()
)
```
Der `xgb_predictor_reuse` Prädiktor verhält sich genauso wie das Original `xgb_predictor`. Weitere Informationen finden Sie in der [SageMaker AI Predictor-Klasse](https://sagemaker.readthedocs.io/en/stable/predictors.html#sagemaker.predictor.RealTimePredictor) im [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable).
## (Optional) Vorhersagen mit Batch-Transformation treffen
Anstatt einen Endpunkt in der Produktion zu hosten, können Sie einen einmaligen Batch-Inferenzjob ausführen, um mithilfe der SageMaker AI-Batch-Transformation Vorhersagen für einen Testdatensatz zu treffen. Nach Abschluss Ihres Modelltrainings können Sie den Schätzer auf ein `transformer` Objekt erweitern, das auf der [SageMaker AI Transformer-Klasse](https://sagemaker.readthedocs.io/en/stable/api/inference/transformer.html) basiert. Der Batch-Transformer liest Eingabedaten aus einem bestimmten S3-Bucket ein und trifft Vorhersagen.
**So erstellen Sie einen Batch-Transformationsauftrag**
1. Führen Sie den folgenden Code aus, um die Feature-Spalten des Testdatensatzes in eine CSV-Datei zu konvertieren und in den S3-Bucket hochzuladen:
```
X_test.to_csv('test.csv', index=False, header=False)
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'test/test.csv')).upload_file('test.csv')
```
1. Geben Sie den S3-Bucket URIs für Eingabe und Ausgabe für den Batch-Transformationsjob wie folgt an:
```
# The location of the test dataset
batch_input = 's3://{}/{}/test'.format(bucket, prefix)
# The location to store the results of the batch transform job
batch_output = 's3://{}/{}/batch-prediction'.format(bucket, prefix)
```
1. Erstellen Sie ein Transformer-Objekt, das die Mindestanzahl von Parametern angibt: die Parameter `instance_count` und `instance_type`, um den Batch-Transformationsauftrag auszuführen, und die `output_path` um Prognosedaten zu speichern, wie im Folgenden dargestellt:
```
transformer = xgb_model.transformer(
instance_count=1,
instance_type='ml.m4.xlarge',
output_path=batch_output
)
```
1. Initiieren Sie den Batch-Transformationsauftrag, indem Sie die `transform()` Methode des `transformer` Objekts wie folgt ausführen:
```
transformer.transform(
data=batch_input,
data_type='S3Prefix',
content_type='text/csv',
split_type='Line'
)
transformer.wait()
```
1. Wenn der Batch-Transformationsauftrag abgeschlossen ist, erstellt SageMaker AI die im `batch_output` Pfad gespeicherten `test.csv.out` Vorhersagedaten, die das folgende Format haben sollten:`s3://sagemaker--111122223333/demo-sagemaker-xgboost-adult-income-prediction/batch-prediction`. Führen Sie Folgendes aus AWS CLI , um die Ausgabedaten des Batch-Transformationsjobs herunterzuladen:
```
! aws s3 cp {batch_output} ./ --recursive
```
Dadurch sollte die `test.csv.out` Datei im aktuellen Arbeitsverzeichnis erstellt werden. Sie können sich die Gleitkommawerte ansehen, die auf der Grundlage der logistischen Regression des XGBoost Trainingsjobs vorhergesagt wurden.
# Bewerten des Modells
Nachdem Sie nun ein Modell mit Amazon SageMaker AI trainiert und bereitgestellt haben, evaluieren Sie das Modell, um sicherzustellen, dass es genaue Vorhersagen für neue Daten generiert. Verwenden Sie für die Modellbewertung den Testdatensatz, den Sie in [Vorbereiten eines Datensatzes](ex1-preprocess-data.md) erstellt haben.
## Evaluieren Sie das für SageMaker AI Hosting Services bereitgestellte Modell
Um das Modell auszuwerten und in der Produktion zu verwenden, rufen Sie den Endpunkt mit dem Testdatensatz auf und überprüfen Sie, ob die erhaltenen Schlussfolgerungen die Zielgenauigkeit ergeben, die Sie erreichen möchten.
**So bewerten Sie das Modell**
1. Richten Sie die folgende Funktion ein, um jede Zeile des Testsatzes vorherzusagen. Im folgenden Beispielcode besteht das `rows` Argument darin, die Anzahl der Zeilen anzugeben, die gleichzeitig vorhergesagt werden sollen. Sie können den Wert ändern, um eine Batch-Inferenz durchzuführen, die die Hardwareressourcen der Instance voll ausnutzt.
```
import numpy as np
def predict(data, rows=1000):
split_array = np.array_split(data, int(data.shape[0] / float(rows) + 1))
predictions = ''
for array in split_array:
predictions = ','.join([predictions, xgb_predictor.predict(array).decode('utf-8')])
return np.fromstring(predictions[1:], sep=',')
```
1. Führen Sie den folgenden Code aus, um Vorhersagen für den Testdatensatz zu treffen und ein Histogramm zu zeichnen. Sie müssen nur die Feature-Spalten des Testdatensatzes verwenden, mit Ausnahme der 0-ten Spalte für die tatsächlichen Werte.
```
import matplotlib.pyplot as plt
predictions=predict(test.to_numpy()[:,1:])
plt.hist(predictions)
plt.show()
```
![\[Ein Histogramm der vorhergesagten Werte.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-eval-predicted-values-histogram.png)
1. Die vorhergesagten Werte sind vom Typ Float. Um `True` oder `False` auf der Grundlage der Float-Werte zu bestimmen, müssen Sie einen Grenzwert festlegen. Wie im folgenden Beispielcode gezeigt, verwenden Sie die Scikit-Learn-Bibliothek, um den ausgegebenen Konfusionsmetriken- und Klassifizierungsbericht mit einem Grenzwert von 0,5 zurückzugeben.
```
import sklearn
cutoff=0.5
print(sklearn.metrics.confusion_matrix(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0)))
print(sklearn.metrics.classification_report(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0)))
```
Dies sollte die folgende Konfusionsmatrix zurückgeben:
![\[Ein Beispiel für Konfusionsmatrix und Statistik, nachdem die Schlussfolgerung aus dem bereitgestellten Modell gezogen wurde.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-evaluate-confusion-matrix.png)
1. Um den besten Grenzwert für den angegebenen Testsatz zu ermitteln, berechnen Sie die Log-Loss-Funktion der logistischen Regression. Die Log-Loss-Funktion ist definiert als die negative Log-Likelihood eines logistischen Modells, das Vorhersagewahrscheinlichkeiten für seine Ground-Truth-Beschriftungen zurückgibt. Im folgenden Beispielcode werden die logarithmischen Verlustwerte (`-(y*log(p)+(1-y)log(1-p)`) numerisch und iterativ berechnet. Dabei handelt es sich bei `y` um die wahre Beschriftung und bei `p` um eine Wahrscheinlichkeitsschätzung der entsprechenden Testprobe. Es wird ein Diagramm mit logarithmischem Verlust im Vergleich zum Grenzwert zurückgegeben.
```
import matplotlib.pyplot as plt
cutoffs = np.arange(0.01, 1, 0.01)
log_loss = []
for c in cutoffs:
log_loss.append(
sklearn.metrics.log_loss(test.iloc[:, 0], np.where(predictions > c, 1, 0))
)
plt.figure(figsize=(15,10))
plt.plot(cutoffs, log_loss)
plt.xlabel("Cutoff")
plt.ylabel("Log loss")
plt.show()
```
Dies sollte die folgende Log-Verlustkurve zurückgeben.
![\[Beispiel einer Log-Verlustkurve.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/get-started-ni/gs-ni-evaluate-logloss-vs-cutoff.png)
1. Ermitteln Sie die Mindestpunkte der Fehlerkurve mithilfe der `min` Funktionen NumPy `argmin` und:
```
print(
'Log loss is minimized at a cutoff of ', cutoffs[np.argmin(log_loss)],
', and the log loss value at the minimum is ', np.min(log_loss)
)
```
Das sollte folgendes zurückgeben: `Log loss is minimized at a cutoff of 0.53, and the log loss value at the minimum is 4.348539186773897`.
Anstatt die Log-Loss-Funktion zu berechnen und zu minimieren, können Sie als Alternative eine Kostenfunktion schätzen. Wenn Sie beispielsweise ein Modell darauf trainieren möchten, eine binäre Klassifikation für ein Geschäftsproblem durchzuführen, z. B. ein Problem mit der Vorhersage der Kundenabwanderung, können Sie Gewichtungen für die Konfusionsmatrix festlegen und die Kostenfunktion entsprechend berechnen.
Sie haben jetzt Ihr erstes SageMaker KI-Modell trainiert, eingesetzt und evaluiert.
**Tipp**
Verwenden Sie Amazon Model Monitor und SageMaker AI Clarify, um SageMaker Modellqualität, Datenqualität und Verzerrungen zu überwachen. Weitere Informationen finden Sie unter [Amazon SageMaker Model Monitor](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html), [Datenqualität überwachen, Modellqualität](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-data-quality.html) [überwachen](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html), [Verzerrungsdrift überwachen](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-bias-drift.html) und [Funktionszuordnungsabweichung überwachen](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-feature-attribution-drift.html).
**Tipp**
Verwenden Sie Amazon Augmented AI-Workflows zur mesnchlichen Überprüfung, um ML-Vorhersagen mit geringer Zuverlässigkeit oder eine Zufallsstichprobe von Vorhersagen von Menschen überprüfen zu lassen. Weitere Informationen finden Sie unter [Amazon Augmented AI for Human Review](https://docs.aws.amazon.com/sagemaker/latest/dg/a2i-use-augmented-ai-a2i-human-review-loops.html) verwenden.
# Bereinigen der SageMaker Amazon-Notebook-Instance-Ressourcen
Um unnötige Gebühren zu vermeiden, verwenden Sie den, AWS-Managementkonsole um die Endpunkte und Ressourcen zu löschen, die Sie während der Ausführung der Übungen erstellt haben.
**Anmerkung**
Trainingsaufträge und -protokolle können nicht gelöscht werden und werden auf unbestimmte Zeit aufbewahrt.
**Anmerkung**
Wenn Sie vorhaben, weitere Übungen in diesem Handbuch durchzuführen, können Sie einige dieser Ressourcen behalten, wie beispielsweise die Notebook-Instance, den S3-Bucket und die IAM-Rolle.
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)und löschen Sie die folgenden Ressourcen:
+ Der Endpunkt. Beim Löschen des Endpunkts werden auch die ML-Compute-Instance oder unterstützenden Instances gelöscht.
1. Wählen Sie unter **Inferenz** die Option **Endpunkte** aus.
1. Wählen Sie den Endpunkt aus, den Sie im Beispiel erstellt haben, und wählen Sie dann **Aktionen** und dann **Löschen** aus.
+ Die Endpunktkonfiguration.
1. Wählen Sie unter **Inferenz** die Option **Endpunktkonfigurationen** aus.
1. Wählen Sie die Endpunktkonfiguration aus, die Sie im Beispiel erstellt haben, und wählen Sie dann **Aktionen** und dann **Löschen** aus.
+ Das Modell.
1. Wählen Sie unter **Inferenz** die Option **Modelle** aus.
1. Wählen Sie das Modell aus, das Sie im Beispiel erstellt haben, und wählen Sie dann **Aktionen** und dann **Löschen** aus.
+ Die Notebook-Instance. Beenden Sie die Notebook-Instance, bevor Sie sie löschen.
1. Wählen Sie unter **Notebook** die Option **Notebook-Instances**aus.
1. Wählen Sie die Notebook-Instance aus, die Sie im Beispiel erstellt haben, und wählen Sie dann **Aktionen** und dann **Stoppen** aus. Es dauert mehrere Minuten, bis das Notebook zum Stillstand kommt. Wenn der **Status** in **Gestoppt** geändert wird, fahren Sie mit dem nächsten Schritt fort.
1. Wählen Sie **Aktionen** und anschließend **Löschen** aus.
1. Öffnen Sie die Amazon S3 S3-Konsole unter [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)und löschen Sie dann den Bucket, den Sie zum Speichern von Modellartefakten und dem Trainingsdatensatz erstellt haben.
1. Öffnen Sie die CloudWatch Amazon-Konsole unter [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/)und löschen Sie dann alle Protokollgruppen, deren Namen mit beginnen`/aws/sagemaker/`.
# AL2023 Notebook-Instances
Amazon SageMaker Notebook-Instances unterstützen derzeit AL2023 Betriebssysteme. AL2023ist jetzt das neueste und empfohlene Betriebssystem für Notebook-Instances. Sie können das Betriebssystem auswählen, auf dem Ihre Notebook-Instance basiert, wenn Sie die Notebook-Instance erstellen.
SageMaker AI unterstützt Notebook-Instanzen, die auf den folgenden AL2023 Betriebssystemen basieren.
+ **notebook-al2023-v1**: Diese Notebook-Instanzen unterstützen Version 4. JupyterLab Informationen zu Versionen finden Sie unter. JupyterLab [JupyterLab Versionierung](nbi-jl.md)
**Topics**
+ [Unterstützte Instance-Typen](#nbi-al2023-instances)
+ [Verfügbare Kernel](#nbi-al2023-kernel)
## Unterstützte Instance-Typen
AL2023 unterstützt Instance-Typen, die unter **Notebook-Instances** in [SageMaker AI Pricing](https://aws.amazon.com/sagemaker/pricing/) aufgeführt sind, mit der Ausnahme `ml.p2``ml.p3`, dass `ml.g3` Instances AL2023 nicht unterstützt werden.
## Verfügbare Kernel
Die folgende Tabelle enthält Informationen über die verfügbaren Kernel für SageMaker Notebook-Instances. Alle diese Images werden auf Notebook-Instanzen unterstützt, die auf dem `notebook-al2023-v1` Betriebssystem basieren.
| Kernelname | Description |
| --- | --- |
| R | Ein Kernel, der zur Datenanalyse und -visualisierung mit R-Code aus einem Jupyter Notebook verwendet wird. |
| Sparkmagic () PySpark | Ein Kernel, der für Datenwissenschaft mit Remote-Spark-Clustern von Jupyter Notebooks in der Programmiersprache Python verwendet wird. Dieser Kernel wird mit Python 3.10 geliefert. |
| Sparkmagic (Spark) | Ein Kernel, der für Datenwissenschaft mit entfernten Spark-Clustern von Jupyter Notebooks unter Verwendung der Programmiersprache Scala verwendet wird. Dieser Kernel wird mit Python 3.10 geliefert. |
| Sparkmagic (SparkR) | Ein Kernel, der für Datenwissenschaft mit Remote-Spark-Clustern von Jupyter Notebooks aus verwendet wird, die die Programmiersprache R verwenden. Dieser Kernel wird mit Python 3.10 geliefert. |
| conda\$1python3 | Eine Conda-Umgebung, auf der beliebte Pakete für Datenwissenschaft und Machine Learning vorinstalliert sind. Dieser Kernel wird mit Python 3.10 geliefert. |
| conda\$1pytorch | Eine Conda-Umgebung, auf der PyTorch Version 2.7.0 sowie beliebte Pakete für Datenwissenschaft und maschinelles Lernen vorinstalliert sind. Dieser Kernel wird mit Python 3.10 geliefert. |
# Amazon Linux 2-Notebook-Instances
**Wichtig**
JupyterLab 1 und JupyterLab 3 werden ab dem 30. Juni 2025 nicht mehr unterstützt. Mit diesen Versionen können Sie keine neuen Notebook-Instances mehr erstellen oder angehaltene Instances neu starten. Bestehende In-Service-Instances funktionieren möglicherweise weiterhin, erhalten aber keine Sicherheitsupdates oder Bugfixes. Migrieren Sie auf JupyterLab 4 Notebook-Instanzen, um den Support fortzusetzen. Weitere Informationen finden Sie unter [JupyterLab Wartung der Version](nbi-jl.md#nbi-jl-version-maintenance).
**Anmerkung**
AL2023 ist das neueste und empfohlene Betriebssystem, das für Notebook-Instanzen verfügbar ist. Weitere Informationen hierzu finden Sie unter [AL2023 Notebook-Instances](nbi-al2023.md).
Amazon SageMaker Notebook-Instances unterstützen derzeit Amazon Linux 2 (AL2) -Betriebssysteme. Sie können das Betriebssystem auswählen, auf dem Ihre Notebook-Instance basiert, wenn Sie die Notebook-Instance erstellen.
SageMaker AI unterstützt Notebook-Instances, die auf den folgenden Amazon Linux 2-Betriebssystemen basieren.
+ **notebook-al2-v1** (veraltet): Diese Notebook-Instances unterstützten Version 1. JupyterLab Ab dem 30. Juni 2025 können Sie keine neuen Instances mehr mit dieser Plattformkennung erstellen. Informationen zu Versionen finden Sie unter. JupyterLab [JupyterLab Versionierung](nbi-jl.md)
+ **notebook-al2-v2** (veraltet): Diese Notebook-Instanzen unterstützten Version 3. JupyterLab Ab dem 30. Juni 2025 können Sie keine neuen Instances mehr mit dieser Plattformkennung erstellen. Informationen zu Versionen finden Sie unter. JupyterLab [JupyterLab Versionierung](nbi-jl.md)
+ **notebook-al2-v3**: Diese Notebook-Instances unterstützen Version 4. JupyterLab Informationen JupyterLab zu Versionen finden Sie unter. [JupyterLab Versionierung](nbi-jl.md)
Notebook-Instances, die vor dem 18.08.2021 erstellt wurden, laufen automatisch auf Amazon Linux ()AL1. Notebook-Instances, die auf basieren, sind am 12.01.2022 AL1 in eine Wartungsphase eingetreten und stehen ab dem 01.02.2023 nicht mehr für die Erstellung neuer Notebook-Instances zur Verfügung. Als Ersatz haben Sie jetzt die Möglichkeit AL1, SageMaker Amazon-Notebook-Instances mit zu erstellen AL2. Weitere Informationen finden Sie unter [AL1 Plan für die Wartungsphase](#nbi-al2-deprecation).
**Topics**
+ [Unterstützte Instance-Typen](#nbi-al2-instances)
+ [Verfügbare Kernel](#nbi-al2-kernel)
+ [AL1 Plan für die Wartungsphase](#nbi-al2-deprecation)
## Unterstützte Instance-Typen
Amazon Linux 2 unterstützt Instance-Typen, die in den [ SageMaker Amazon-Preisen](https://aws.amazon.com/sagemaker/pricing/) unter **Notebook-Instances** aufgeführt sind, mit der Ausnahme, dass Amazon Linux 2 keine `ml.p2` Instances unterstützt.
## Verfügbare Kernel
Die folgende Tabelle enthält Informationen über die verfügbaren Kernel für SageMaker Notebook-Instances. Alle diese Images werden auf Notebook-Instances unterstützt, die auf den Betriebssystemen `notebook-al2-v1`, `notebook-al2-v2` und `notebook-al2-v3` basieren.
SageMaker Kernel für Notebook-Instanzen
| Kernelname | Description |
| --- | --- |
| R | Ein Kernel, der zur Datenanalyse und -visualisierung mit R-Code aus einem Jupyter Notebook verwendet wird. |
| Sparkmagic () PySpark | Ein Kernel, der für Datenwissenschaft mit Remote-Spark-Clustern von Jupyter Notebooks in der Programmiersprache Python verwendet wird. Dieser Kernel wird mit Python 3.10 geliefert. |
| Sparkmagic (Spark) | Ein Kernel, der für Datenwissenschaft mit entfernten Spark-Clustern von Jupyter Notebooks unter Verwendung der Programmiersprache Scala verwendet wird. Dieser Kernel wird mit Python 3.10 geliefert. |
| Sparkmagic (SparkR) | Ein Kernel, der für Datenwissenschaft mit Remote-Spark-Clustern von Jupyter Notebooks aus verwendet wird, die die Programmiersprache R verwenden. Dieser Kernel wird mit Python 3.10 geliefert. |
| conda\$1python3 | Eine Conda-Umgebung, auf der beliebte Pakete für Datenwissenschaft und Machine Learning vorinstalliert sind. Dieser Kernel wird mit Python 3.10 geliefert. |
| conda\$1pytorch\$1p310 | Eine Conda-Umgebung, auf der PyTorch Version 2.2.0 sowie beliebte Pakete für Datenwissenschaft und maschinelles Lernen vorinstalliert sind. Dieser Kernel wird mit Python 3.10 geliefert. |
| conda\$1tensorflow2\$1p310 | Eine Conda-Umgebung, auf der TensorFlow Version 2.16.0 sowie beliebte Pakete für Datenwissenschaft und maschinelles Lernen vorinstalliert sind. Dieser Kernel wird mit Python 3.10 geliefert. |
## AL1 Plan für die Wartungsphase
Die folgende Tabelle enthält einen Zeitplan für den AL1 Beginn der erweiterten Wartungsphase. Die AL1 Wartungsphase fällt auch mit der Einstellung von Python 2 und Chainer zusammen. Notebooks, die auf basieren, haben AL2 keine verwalteten Python 2- und Chainer-Kernel.
| Date | Description |
| --- | --- |
| 18.08.2021 | Notebook-Instanzen, die auf basieren, AL2 werden gestartet. Neu gestartete Notebook-Instances sind immer noch standardmäßig auf AL1. AL1 wird mit Sicherheitspatches und Updates, aber ohne neue Funktionen unterstützt. Sie können zwischen den beiden Betriebssystemen wählen, wenn Sie eine neue Notebook-Instance starten. |
| 31.10.2022 | Die Standard-Plattform-ID für SageMaker Notebook-Instances ändert sich von Amazon Linux (al1-v1) zu Amazon Linux 2 (al2-v2). Sie können zwischen den beiden Betriebssystemen wählen, wenn Sie eine neue Notebook-Instance starten. |
| 12.01.2022 | AL1 wird mit unkritischen Sicherheitspatches und -updates nicht mehr unterstützt. AL1 erhält weiterhin Fixes für [kritische](https://nvd.nist.gov/vuln-metrics/cvss#) Sicherheitsprobleme. Sie können weiterhin Instances auf starten AL1, übernehmen aber die Risiken, die mit der Verwendung eines nicht unterstützten Betriebssystems verbunden sind. |
| 01.02.2023 | AL1 ist keine verfügbare Option mehr für die Erstellung neuer Notebook-Instanzen. Nach diesem Datum können Kunden Notebook-Instanzen mit den AL2 Plattformkennungen erstellen. Bestehende Notebooks mit einem `INSERVICE` Status sollten auf die neueste Plattform migriert werden, da die kontinuierliche Verfügbarkeit von AL1 Notebook-Instanzen nicht garantiert werden kann. |
| 31.03.2024 | AL1 erreicht am 31. März 2024 das Ende der Lebensdauer auf Notebook-Instances. Nach diesem Datum erhalten Sie keine Sicherheitsupdates und Bugfixes mehr und sind auch nicht mehr für die Erstellung neuer Notebook-Instanzen verfügbar. AL1 [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/nbi-al2.html) |
### Migration zu Amazon Linux 2
Ihre bestehende AL1 Notebook-Instance wird nicht automatisch auf Amazon Linux 2 migriert. Um Ihre AL1 Notebook-Instance auf Amazon Linux 2 zu aktualisieren, müssen Sie eine neue Notebook-Instance erstellen, Ihren Code und Ihre Umgebung replizieren und Ihre alte Notebook-Instance löschen. Weitere Informationen finden Sie auf der [Amazon Linux 2-Migrationsseite](https://aws.amazon.com/blogs/machine-learning/migrate-your-work-to-amazon-sagemaker-notebook-instance-with-amazon-linux-2/ ).
# JupyterLab Versionierung
**Wichtig**
JupyterLab 1 und JupyterLab 3 werden ab dem 30. Juni 2025 nicht mehr unterstützt. Mit diesen Versionen können Sie keine neuen Notebook-Instances mehr erstellen oder angehaltene Instances neu starten. Bestehende In-Service-Instances funktionieren möglicherweise weiterhin, erhalten aber keine Sicherheitsupdates oder Bugfixes. Migrieren Sie auf JupyterLab 4 Notebook-Instanzen, um den Support fortzusetzen. Weitere Informationen finden Sie unter [JupyterLab Wartung der Version](#nbi-jl-version-maintenance).
Die Amazon SageMaker Notebook-Instance-Schnittstelle basiert auf JupyterLab einer webbasierten interaktiven Entwicklungsumgebung für Notebooks, Code und Daten. Notebooks unterstützen jetzt entweder die Verwendung von JupyterLab 1, JupyterLab 3 oder JupyterLab 4. Eine einzelne Notebook-Instanz kann JupyterLab (höchstens) eine einzelne Instanz von ausführen. Sie können mehrere Notebook-Instanzen mit unterschiedlichen JupyterLab Versionen haben.
Sie können Ihr Notebook so konfigurieren, dass es Ihre bevorzugte JupyterLab Version ausführt, indem Sie die entsprechende Plattform-ID auswählen. Verwenden Sie beim Erstellen Ihrer Notebook-Instanz entweder die AWS CLI oder die SageMaker AI-Konsole. Weitere Informationen zu Plattformkennungen finden Sie unter [AL2023 Notebook-Instances](nbi-al2023.md) und[Amazon Linux 2-Notebook-Instances](nbi-al2.md). Wenn Sie eine Plattform-ID nicht explizit konfigurieren, wird in Ihrer Notebook-Instance standardmäßig 1 ausgeführt JupyterLab .
**Topics**
+ [JupyterLab Wartung der Version](#nbi-jl-version-maintenance)
+ [JupyterLab 4](#nbi-jl-4)
+ [JupyterLab 3](#nbi-jl-3)
+ [Erstellen Sie JupyterLab ein Notizbuch mit Ihrer Version](nbi-jl-create.md)
+ [Sehen Sie sich die JupyterLab Version eines Notebooks von der Konsole aus an](nbi-jl-view.md)
## JupyterLab Wartung der Version
JupyterLab Die Plattformen 1 und JupyterLab 3 haben am 30. Juni 2025 das Ende der Standardunterstützung erreicht. Ab diesem Datum:
+ Sie können keine neuen Notebook-Instances der Typen JupyterLab 1 und JupyterLab 3 mehr erstellen oder gestoppte Notebook-Instanzen neu starten.
+ Bestehende Notebook-Instances der Typen JupyterLab 1 und JupyterLab 3 funktionieren zwar weiterhin, erhalten aber keine SageMaker KI-Sicherheitsupdates oder kritischen Bugfixes mehr.
+ sind Sie für die Verwaltung der Sicherheit dieser veralteten Instances verantwortlich.
+ Wenn Probleme mit bestehenden JupyterLab 1 oder JupyterLab 3 Notebook-Instanzen auftreten, kann SageMaker KI deren kontinuierliche Verfügbarkeit nicht garantieren. Sie müssen Ihren Workload auf eine Instanz mit JupyterLab 4 Notebooks migrieren.
Migrieren Sie Ihre Arbeit auf JupyterLab 4 Notebook-Instanzen (die Plattform-ID der neuesten Version lautet [notebook-al2023-v1](nbi-al2023.md)), um sicherzustellen, dass Sie über eine sichere und unterstützte Umgebung verfügen. Auf diese Weise können Sie die neuesten Versionen von Jupyter-Notebooks und anderen ML-Bibliotheken nutzen. JupyterLab Anweisungen finden Sie unter [Migrieren Sie Ihre Arbeit auf eine SageMaker KI-Notebook-Instance mit Amazon Linux 2.](https://aws.amazon.com/blogs//machine-learning/migrate-your-work-to-amazon-sagemaker-notebook-instance-with-amazon-linux-2/)
## JupyterLab 4
JupyterLab 4-Unterstützung ist nur auf der Amazon Linux 2-Betriebssystemplattform verfügbar. JupyterLab 4 umfasst die folgenden Funktionen, die in JupyterLab 3 nicht verfügbar sind:
+ Optimiertes Rendern für eine schnellere Benutzererfahrung
+ Optionale Einstellungen für schnelleres Wechseln zwischen Registerkarten und verbesserte Leistung bei umfangreichen Notebooks. Weitere Informationen finden Sie im Blogbeitrag [ JupyterLab 4.0 is here](https://blog.jupyter.org/jupyterlab-4-0-is-here-388d05e03442).
+ Verbesserter Texteditor
+ Neuer Erweiterungsmanager, der von pypi installiert wird
+ Verbesserungen an der Benutzeroberfläche vorgenommen, einschließlich Dokumentensuche und Verbesserungen der Barrierefreiheit
Sie können JupyterLab 4 ausführen, indem Sie bei der Erstellung Ihrer Notebook-Instanz [notebook-al2023-v1](nbi-al2023.md) (die neueste und empfohlene Version) oder [notebook-al2-v3](nbi-al2.md) als Plattform-ID angeben.
**Anmerkung**
Wenn Sie versuchen, von einer anderen JupyterLab Version auf eine JupyterLab 4-Notebook-Instance zu migrieren, können die Änderungen der Paketversion zwischen JupyterLab 3 und JupyterLab 4 alle vorhandenen Lebenszykluskonfigurationen oder -erweiterungen beeinträchtigen. Jupyter/JupyterLab
**Änderungen der Paketversion**
JupyterLab 4 hat die folgenden Änderungen an der Paketversion von JupyterLab 3:
+ JupyterLab wurde von 3.x auf 4.x aktualisiert.
+ Jupyter7 Notebook wurde von 6.x auf .x aktualisiert.
+ jupyterlab-git wurde auf Version 0.50.0 aktualisiert.
## JupyterLab 3
**Wichtig**
JupyterLab 1 und JupyterLab 3 werden ab dem 30. Juni 2025 nicht mehr unterstützt. Mit diesen Versionen können Sie keine neuen Notebook-Instances mehr erstellen oder angehaltene Instances neu starten. Bestehende In-Service-Instances funktionieren möglicherweise weiterhin, erhalten aber keine Sicherheitsupdates oder Bugfixes. Migrieren Sie auf JupyterLab 4 Notebook-Instanzen, um den Support fortzusetzen. Weitere Informationen finden Sie unter [JupyterLab Wartung der Version](#nbi-jl-version-maintenance).
JupyterLab 3-Support ist nur auf der Amazon Linux 2-Betriebssystemplattform verfügbar. JupyterLab 3 umfasst die folgenden Funktionen, die in JupyterLab 1 nicht verfügbar sind. Weitere Informationen zu diesen Funktionen finden Sie unter [JupyterLab 3.0 ist veröffentlicht\$1](https://blog.jupyter.org/jupyterlab-3-0-is-out-4f58385e25bb) .
+ Visueller Debugger bei Verwendung der folgenden Kernel:
+ conda\$1pytorch\$1p38
+ conda\$1tensorflow2\$1p38
+ conda\$1amazonei\$1pytorch\$1latest\$1p37
+ Dateibrowserfilter
+ Inhaltsverzeichnis (TOC)
+ Mehrsprachige Unterstützung
+ Einfacher Modus
+ Einzelbenutzermodus
+ Live-Bearbeitung von SVG-Dateien mit aktualisiertem Rendering
+ Benutzeroberfläche für Notebook-Cell-Tags
### Wichtige Änderungen an JupyterLab 3
Informationen zu wichtigen Änderungen bei der Verwendung von JupyterLab 3 finden Sie in den folgenden JupyterLab Änderungsprotokollen:
+ [v2.0.0](https://github.com/jupyterlab/jupyterlab/releases)
+ [v3.0.0](https://jupyterlab.readthedocs.io/en/stable/getting_started/changelog.html#for-developers)
**Änderungen der Paketversion**
JupyterLab 3 hat die folgenden Änderungen an der Paketversion gegenüber JupyterLab 1:
+ JupyterLab wurde von 1.x auf 3.x aktualisiert.
+ Das Jupyter Notebook wurde von 5.x auf 6.x aktualisiert.
+ jupyterlab-git wurde auf Version 0.37.1 aktualisiert.
+ nbserverproxy 0.x (0.3.2) wurde durch 3.x (3.2.1) ersetzt. jupyter-server-proxy
# Erstellen Sie JupyterLab ein Notizbuch mit Ihrer Version
**Wichtig**
JupyterLab 1 und JupyterLab 3 werden ab dem 30. Juni 2025 nicht mehr unterstützt. Mit diesen Versionen können Sie keine neuen Notebook-Instances mehr erstellen oder angehaltene Instances neu starten. Bestehende In-Service-Instances funktionieren möglicherweise weiterhin, erhalten aber keine Sicherheitsupdates oder Bugfixes. Migrieren Sie auf JupyterLab 4 Notebook-Instanzen, um den Support fortzusetzen. Weitere Informationen finden Sie unter [JupyterLab Wartung der Version](nbi-jl.md#nbi-jl-version-maintenance).
Sie können die JupyterLab Version auswählen, wenn Sie Ihre Notebook-Instanz von der Konsole aus erstellen. Folgen Sie dabei den Schritten unter[Erstellen Sie eine SageMaker Amazon-Notebook-Instance](howitworks-create-ws.md).
Sie können die JupyterLab Version auch auswählen, indem Sie den `platform-identifier` Parameter beim Erstellen Ihrer Notebook-Instanz AWS CLI wie folgt übergeben:
```
create-notebook-instance --notebook-instance-name \
--instance-type \
--role-arn \
--platform-identifier notebook-al2-v3
```
# Sehen Sie sich die JupyterLab Version eines Notebooks von der Konsole aus an
**Wichtig**
JupyterLab 1 und JupyterLab 3 werden ab dem 30. Juni 2025 nicht mehr unterstützt. Mit diesen Versionen können Sie keine neuen Notebook-Instances mehr erstellen oder angehaltene Instances neu starten. Bestehende In-Service-Instances funktionieren möglicherweise weiterhin, erhalten aber keine Sicherheitsupdates oder Bugfixes. Migrieren Sie auf JupyterLab 4 Notebook-Instanzen, um den Support fortzusetzen. Weitere Informationen finden Sie unter [JupyterLab Wartung der Version](nbi-jl.md#nbi-jl-version-maintenance).
Sie können die JupyterLab Version eines Notebooks mithilfe des folgenden Verfahrens anzeigen:
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Notebook** aus.
1. Wählen Sie im Dropdown-Menü **Notebook-Instances** aus, um zur Seite mit den **Notebook-Instances** zu navigieren.
1. Wählen Sie aus der Liste der Notebook-Instances den Namen Ihrer Notebook-Instance aus.
1. Sehen Sie sich auf der Seite mit den **Notebook-Instance-Einstellungen** die **Plattform-ID** an, um die JupyterLab Version des Notebooks zu sehen.
# Erstellen Sie eine SageMaker Amazon-Notebook-Instance
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Eine SageMaker Amazon-Notebook-Instance ist eine ML-Compute-Instance, auf der die Jupyter Notebook-Anwendung ausgeführt wird. SageMaker KI verwaltet die Erstellung der Instance und der zugehörigen Ressourcen. Verwenden Sie Jupyter-Notebooks in Ihrer Notebook-Instance, um:
+ Daten vorzubereiten und zu verarbeiten
+ Code zu schreiben, um Modelle zu trainieren
+ Modelle für SageMaker KI-Hosting bereitstellen
+ Testen oder Validieren von Modellen
Um eine Notebook-Instanz zu erstellen, verwenden Sie entweder die SageMaker AI-Konsole oder [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html)API.
Der auszuwählende Notebook-Instance-Typ hängt von der von Ihnen beabsichtigten Verwendung Ihrer Notebook-Instance ab. Stellen Sie sicher, dass Ihre Notebook-Instance nicht an Arbeitsspeicher, CPU oder E/A gebunden ist. Um einen Datensatz zur Erkundung oder Vorverarbeitung in den Speicher der Notebook-Instance zu laden, wählen Sie einen Instance-Typ mit ausreichend RAM-Speicher für Ihren Datensatz aus. Dies erfordert eine Instance mit mindestens 16 GB Arbeitsspeicher (.xlarge oder größer). Wenn Sie das Notebook für die rechenintensive Vorverarbeitung verwenden möchten, empfehlen wir Ihnen, eine rechneroptimierte Instance wie c4 oder c5 zu wählen.
Eine bewährte Methode bei der Verwendung eines SageMaker Notebooks besteht darin, die Notebook-Instanz zur Orchestrierung anderer AWS Dienste zu verwenden. Sie können die Notebook-Instance beispielsweise verwenden, um die Verarbeitung großer Datensätze zu verwalten. Rufen Sie dazu AWS Glue für ETL-Services (Extrahieren, Transformieren und Laden) oder Amazon EMR für die Zuordnung und Datenreduzierung mit Hadoop auf. Sie können AWS Dienste als temporäre Berechnungs- oder Speicherformen für Ihre Daten verwenden.
Sie können Ihre Trainings- und Testdaten mit einem Bucket von Amazon Simple Storage Service speichern und abrufen. Anschließend können Sie SageMaker KI verwenden, um Ihr Modell zu trainieren und zu erstellen. Der Instance-Typ Ihres Notebooks hätte dann keine Auswirkungen auf die Geschwindigkeit des Modelltrainings und der Modelltests.
Nach Erhalt der Anfrage geht SageMaker AI wie folgt vor:
+ **Erstellt eine Netzwerkschnittstelle** — Wenn Sie die optionale VPC-Konfiguration wählen, erstellt SageMaker KI die Netzwerkschnittstelle in Ihrer VPC. Es verwendet die Subnetz-ID, die Sie in der Anfrage angeben, um zu bestimmen, in welcher Availability Zone das Subnetz erstellt werden soll. SageMaker AI ordnet die Sicherheitsgruppe, die Sie in der Anfrage angeben, dem Subnetz zu. Weitere Informationen finden Sie unter [Verbinden einer Notebook-Instance in einer VPC mit externen Ressourcen](appendix-notebook-and-internet-access.md).
+ **Startet eine ML-Compute-Instanz** — SageMaker KI startet eine ML-Compute-Instanz in einer SageMaker AI-VPC. SageMaker KI führt die Konfigurationsaufgaben aus, die es ihr ermöglichen, Ihre Notebook-Instanz zu verwalten. Wenn Sie Ihre VPC angegeben haben, ermöglicht SageMaker KI den Verkehr zwischen Ihrer VPC und der Notebook-Instance.
+ **Installiert Anaconda-Pakete und -Bibliotheken für gängige Deep-Learning-Plattformen** — SageMaker KI installiert alle Anaconda-Pakete, die im Installationsprogramm enthalten sind. [Weitere Informationen finden Sie in der Anaconda-Paketliste.](https://docs.anaconda.com/free/anaconda/pkg-docs/) SageMaker AI installiert auch die TensorFlow MXNet Deep-Learning-Bibliotheken und Apache.
+ **Hängt ein ML-Speichervolume** an — SageMaker AI hängt ein ML-Speichervolume an die ML-Compute-Instance an. Sie können das Volume als Arbeitsbereich verwenden, um das Trainingsdatensatz zu bereinigen oder Überprüfungs-, Test- oder andere Daten vorübergehend zu speichern. Für das Volume können Sie eine beliebige Größe zwischen 5 GB und 16 384 GB verwenden. Größenänderungen sind in Schritten von 1 GB möglich. Der Standardwert ist 5 GB. ML-Speichervolumes sind verschlüsselt, sodass SageMaker KI die Menge an verfügbarem freiem Speicherplatz auf dem Volume nicht ermitteln kann. Daher können Sie beim Aktualisieren einer Notebook-Instance die Volume-Größe nur erhöhen, nicht jedoch verkleinern. Wenn Sie die Größe eines verwendeten ML-Speicher-Volumes verkleinern möchten, erstellen Sie eine neue Notebook-Instance mit der gewünschten Größe.
Nur Dateien und Daten, die im Ordner `/home/ec2-user/SageMaker` gespeichert sind, bleiben über Notebook-Instance-Sitzungen hinweg erhalten. Dateien und Daten, die außerhalb dieses Verzeichnisses gespeichert sind, werden überschrieben, wenn die Notebook-Instance angehalten und neu gestartet wird. Das `/tmp` Verzeichnis jeder Notebook-Instanz bietet mindestens 10 GB Speicherplatz in einem Instance-Speicher. Beim Instance-Speicher handelt es sich um temporären Speicher auf Blockebene, der nicht persistent ist. Wenn die Instanz gestoppt oder neu gestartet wird, löscht SageMaker AI den Inhalt des Verzeichnisses und alle Betriebssystemanpassungen. Dieser temporäre Speicher ist Teil des Root-Volumes der Notebook-Instance.
Wenn die Notebook-Instanz nicht aktualisiert wird und unsichere Software ausgeführt wird, aktualisiert SageMaker KI die Instanz möglicherweise regelmäßig im Rahmen der regelmäßigen Wartung. Während dieser Updates werden Daten außerhalb des Ordners nicht dauerhaft `/home/ec2-user/SageMaker` gespeichert. Weitere Informationen zu Wartungs- und Sicherheitspatches finden Sie unter[Wartung](nbi.md#nbi-maintenance).
Wenn der von der Notebook-Instance verwendete Instance-Typ NVMe unterstützt wird, können Kunden die für diesen NVMe Instance-Typ verfügbaren Instance-Speicher-Volumes verwenden. Bei Instances mit NVMe Store-Volumes werden alle Instance-Speicher-Volumes beim Start automatisch an die Instance angehängt. Weitere Informationen zu Instance-Typen und den zugehörigen NVMe Speicher-Volumes finden Sie in den [Amazon Elastic Compute Cloud-Instance-Typdetails](https://aws.amazon.com/ec2/instance-types/).
Um das angehängte NVMe Speicher-Volume für Ihre Notebook-Instance verfügbar zu [machen, führen Sie die Schritte unter Instance-Speicher-Volumes auf Ihrer Instance verfügbar](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/add-instance-store-volumes.html#making-instance-stores-available-on-your-instances) machen aus. Führen Sie die Schritte mit Root-Zugriff oder mithilfe eines Skripts für die Lebenszykluskonfiguration aus.
**Anmerkung**
NVMe Instance-Speicher-Volumes sind kein persistenter Speicher. Dieser Speicher ist nur für die Dauer der Instance verfügbar und muss bei jedem Start einer Instance mit diesem Speicher neu konfiguriert werden.
**So erstellen Sie eine SageMaker KI-Notebook-Instanz:**
1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie **Notebook instances (Notebook-Instances)** und **Create notebook instance (Notebook-Instance erstellen)** aus.
1. Geben Sie auf der Seite **Notebook-Instance erstellen** folgende Informationen ein:
1. Geben Sie unter **Notebook instance name (Name der Notebook-Instance)** einen Namen für die Notebook-Instance ein.
1. Wählen Sie als **Notebook-Instance-Typ** eine Instance-Größe, die für Ihren Anwendungsfall geeignet ist. Eine Liste der unterstützten Instance-Typen und Kontingente finden Sie unter [Amazon SageMaker AI Service Quotas](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html#limits_sagemaker).
1. Wählen Sie unter **Platform Identifier** einen Plattformtyp aus, auf dem die Notebook-Instance erstellt werden soll. Dieser Plattformtyp bestimmt das Betriebssystem und die JupyterLab Version, mit der Ihre Notebook-Instance erstellt wird. Die neueste und empfohlene Version ist `notebook-al2023-v1` für eine Amazon Linux 2023 Notebook-Instance. Stand 30. Juni 2025 werden nur JupyterLab 4 für neue Instances unterstützt. Informationen zu den Typen von Plattformkennungen finden Sie unter [AL2023 Notebook-Instances](nbi-al2023.md) und[Amazon Linux 2-Notebook-Instances](nbi-al2.md). Informationen zu JupyterLab Versionen finden Sie unter[JupyterLab Versionierung](nbi-jl.md).
**Wichtig**
JupyterLab 1 und JupyterLab 3 werden ab dem 30. Juni 2025 nicht mehr unterstützt. Mit diesen Versionen können Sie keine neuen Notebook-Instances mehr erstellen oder angehaltene Instances neu starten. Bestehende In-Service-Instances funktionieren möglicherweise weiterhin, erhalten aber keine Sicherheitsupdates oder Bugfixes. Migrieren Sie auf JupyterLab 4 Notebook-Instanzen, um den Support fortzusetzen. Weitere Informationen finden Sie unter [JupyterLab Wartung der Version](nbi-jl.md#nbi-jl-version-maintenance).
1. (Optional) Über **Additional configuration (Zusätzliche Konfiguration)** können fortgeschrittene Benutzer ein Shell-Skript erstellen, das ausgeführt werden kann, wenn Sie die Instance erstellen oder starten. Dieses Skript, das als Lifecycle-Konfigurationsskript bezeichnet wird, kann verwendet werden, um die Umgebung für das Notebook festzulegen oder andere Funktionen auszuführen. Weitere Informationen finden Sie unter [Anpassung einer SageMaker Notebook-Instanz mithilfe eines LCC-Skripts](notebook-lifecycle-config.md).
1. (Optional) Über **Additional configuration (Zusätzliche Konfiguration)** können Sie auch die Größe (in GB) des ML-Speichervolumes angeben, das der Notebook-Instance angefügt ist. Sie können eine Größe zwischen 5 GB und 16.384 GB in 1-GB-Schritten wählen. Sie können dieses Volume verwenden, um das Trainingsdatensatz zu bereinigen oder Überprüfungsdaten oder andere Daten temporär zu speichern.
1. (Optional) Wählen Sie für **IMDS-Mindestversion** eine Version aus der Dropdown-Liste aus. Wenn dieser Wert auf v1 gesetzt ist, können beide Versionen mit der Notebook-Instance verwendet werden. Wenn v2 ausgewählt ist, IMDSv2 kann es nur mit der Notebook-Instanz verwendet werden. Informationen zu finden IMDSv2 Sie unter [Verwenden IMDSv2](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/configuring-instance-metadata-service.html).
**Anmerkung**
Ab dem 31. Oktober 2022 ändert sich die standardmäßige IMDS-Mindestversion für SageMaker Notebook-Instances von IMDSv1 auf IMDSv2.
Ab dem 1. Februar 2023 IMDSv1 ist sie nicht mehr für die Erstellung neuer Notebook-Instanzen verfügbar. Nach diesem Datum können Sie Notebook-Instances mit einer Mindestversion von IMDS 2 erstellen.
1. Wählen Sie für die **IAM-Rolle** entweder eine bestehende IAM-Rolle in Ihrem Konto mit den erforderlichen Berechtigungen für den Zugriff auf SageMaker KI-Ressourcen aus oder **erstellen Sie eine neue** Rolle. Wenn Sie **Neue Rolle erstellen wählen, erstellt SageMaker AI eine IAM-Rolle** mit dem Namen. `AmazonSageMaker-ExecutionRole-YYYYMMDDTHHmmSS` Die AWS verwaltete Richtlinie `AmazonSageMakerFullAccess` ist der Rolle angehängt. Die Rolle bietet Berechtigungen, die es der Notebook-Instance ermöglichen, SageMaker KI und Amazon S3 aufzurufen.
1. Um allen Benutzern der Notebook-Instance Root-Zugriff zu gewähren, wählen Sie für **Root-Zugriff** die Option **Aktivieren** aus. Wählen Sie zum Entfernen des Root-Zugriffs für Benutzer **Deaktivieren** aus. Wenn Sie den Root-Zugriff aktivieren, erhalten alle Benutzer der Notebook-Instance Administratorrechte und können alle Dateien öffnen und bearbeiten.
1. (Optional) Über die Option **Encryption key (Verschlüsselungsschlüssel)** können Sie Daten auf dem ML-Speichervolume, das der Notebook-Instance angefügt ist, mithilfe eines AWS Key Management Service -(AWS KMS-)Schlüssels verschlüsseln. Wenn Sie vertrauliche Informationen auf dem ML-Speichervolume speichern möchten, sollten Sie die Informationen verschlüsseln.
1. (Optional) Über die Option **Network (Netzwerk)** können Sie Ihre Notebook-Instance in eine Virtual Private Cloud (VPC) stellen. Eine VPC bietet zusätzliche Sicherheit und schränkt den Zugriff auf Ressourcen in der VPC von Quellen außerhalb der VPC ein. Weitere Informationen finden Sie im VPCs [Amazon VPC-Benutzerhandbuch](https://docs.aws.amazon.com/vpc/latest/userguide/).
**So fügen Sie Ihre Notebook-Instance zu einer VPC hinzu:**
1. Wählen Sie die **VPC** und eine **SubnetId**.
1. Wählen Sie unter **Security Group (Sicherheitsgruppe)** die Standardsicherheitsgruppe der VPC aus.
1. Wenn Ihre Notebook-Instance über einen Internetzugang verfügen muss, aktivieren Sie den direkten Internetzugang. Wählen Sie für **Direct internet access (Direkte Internetverbindung)** die Option **Enable (Aktivieren)** aus. Es kann sein, dass Ihre Notebook-Instance mit Internetzugang weniger sicher ist. Weitere Informationen finden Sie unter [Verbinden einer Notebook-Instance in einer VPC mit externen Ressourcen](appendix-notebook-and-internet-access.md).
1. (Optional) Um Git-Repositorys mit der Notebook-Instance zu verknüpfen, wählen Sie ein Standard-Repository und bis zu 3 zusätzliche Repositorys. Weitere Informationen finden Sie unter [Git-Repositorys mit SageMaker AI Notebook-Instanzen](nbi-git-repo.md).
1. Wählen Sie **Create notebook instance (Notebook-Instance erstellen)** aus.
In wenigen Minuten startet Amazon SageMaker AI eine ML-Compute-Instance — in diesem Fall eine Notebook-Instance — und fügt ihr ein ML-Speicher-Volume hinzu. Die Notebook-Instance verfügt über einen vorkonfigurierten Jupyter-Notebook-Server und mehrere Anaconda-Bibliotheken. Weitere Informationen finden Sie in der [
`CreateNotebookInstance`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html)-API.
1. Wenn der Status der Notebook-Instance in der Konsole `InService` lautet, ist die Notebook-Instance einsatzbereit. Wählen Sie **Open Jupyter (Jupyter öffnen)** neben dem Notebook-Namen aus, um das klassische Jupyter-Dashboard zu öffnen.
**Anmerkung**
Um die Sicherheit Ihrer Amazon SageMaker Notebook-Instance zu erhöhen, sind alle regionalen `notebook.region.sagemaker.aws` Domains in der Internet [Public Suffix List (PSL](https://publicsuffix.org/)) registriert. Aus Sicherheitsgründen empfehlen wir Ihnen, Cookies mit einem `__Host-` Präfix zu verwenden, um sensible Cookies für die Domänen Ihrer SageMaker Notebook-Instances zu setzen. Diese Vorgehensweise hilft Ihnen dabei, Ihre Domain vor CSRF (Cross-Site Request Forgery Attempts, Anforderungsfälschung zwischen Websites)-Versuchen zu schützen. Weitere Informationen finden Sie auf der Seite [Set-Cookie](https://developer.mozilla.org/en-US/docs/Web/HTTP/Headers/Set-Cookie#cookie_prefixes) auf der Website mit der Entwicklerdokumentation unter [mozilla.org](https://www.mozilla.org/en-GB/?v=1).
Sie können **Öffnen** wählen JupyterLab, um das JupyterLab Dashboard zu öffnen. Das Dashboard bietet Zugriff auf Ihre Notebook-Instance.
Weitere Informationen zu Jupyter Notebooks finden Sie bei [The Jupyter notebook](https://jupyter-notebook.readthedocs.io/en/stable/).
# Zugreifen auf Notebook-Instances
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Um auf Ihre Amazon SageMaker Notebook-Instances zuzugreifen, wählen Sie eine der folgenden Optionen:
+ Verwendung der Konsole.
Wählen Sie **Notebook instances (Notebook-Instances)** aus. In der Konsole wird eine Liste der Notebook-Instances für Ihr Konto angezeigt. Zum Öffnen einer Notebook-Instance mit einer Standard-Jupyter-Schnittstelle wählen Sie **Open Jupyter (Jupyter öffnen)** für diese Instance aus. Um eine Notebook-Instance mit einer JupyterLab Schnittstelle zu öffnen, wählen Sie **Öffnen JupyterLab** für diese Instance.
![\[Beispiel für einen Abschnitt mit Notebook-Instances in der Konsole.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/ws-notebook-10.png)
Die Konsole verwendet Ihre Anmeldedaten, um eine [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html)API-Anfrage an SageMaker AI. SageMaker AI gibt die URL für Ihre Notebook-Instanz zurück, und die Konsole öffnet die URL in einem anderen Browser-Tab und zeigt das Jupyter-Notebook-Dashboard an.
**Anmerkung**
Die URL, die Sie von einem Aufruf an [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html) erhalten, ist nur 5 Minuten gültig. Wenn Sie versuchen, die URL zu verwenden, nachdem das 5-Minuten-Limit abgelaufen ist, werden Sie zur Anmeldeseite weitergeleitet. AWS-Managementkonsole
+ Sie können auch die API verwenden.
Mit der [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html) API können Sie die URL für die Notebook-Instance abrufen. Mit der von der API zurückgegebenen URL können Sie dann die Notebook-Instance öffnen.
Verwenden Sie das Jupyter-Notebook-Dashboard zum Erstellen und Verwalten von Notebooks und zum Schreiben von Code. Weitere Informationen zu Jupyter Notebooks finden Sie unter [http://jupyter.org/documentation.html](http://jupyter.org/documentation.html).
# Aktualisiert eine Notebook-Instance
Nachdem Sie eine Notebook-Instanz erstellt haben, können Sie sie mithilfe der SageMaker AI-Konsole und des [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateNotebookInstance.html)API-Vorgangs aktualisieren.
Sie können die Tags einer Notebook-Instance aktualisieren, die `InService` ist. Um ein anderes Attribut einer Notebook-Instance zu aktualisieren, muss der Status `Stopped` lauten.
**So aktualisieren Sie eine Notebook-Instanz in der SageMaker AI-Konsole:**
1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie **Notebook instances (Notebook-Instances)** aus.
1. Wählen Sie die Notebook-Instance aus, die Sie aktualisieren möchten, indem Sie den **Namen** der Notebook-Instance aus der Liste auswählen.
1. Wenn Ihr Notebook **Status** nicht `Stopped` lautet, klicken Sie auf die Schaltfläche **Stopp**, um die Notebook-Instance zu beenden.
Wenn Sie dies tun, ändert sich der Status der Notebook-Instance auf `Stopping`. Warten Sie, bis sich der Status zu `Stopped` ändert, um die folgenden Schritte abzuschließen.
1. Wählen Sie die Schaltfläche **Bearbeiten**, um die Seite **Notebook-Instance bearbeiten** zu öffnen. Informationen zu den Notebookeigenschaften, die Sie aktualisieren können, finden Sie unter [Erstellen Sie eine SageMaker Amazon-Notebook-Instance](howitworks-create-ws.md).
1. Aktualisieren Sie Ihre Notebook-Instance und klicken Sie unten auf der Seite auf die Schaltfläche **Notebook-Instance aktualisieren**, um zur Seite mit den Notebook-Instances zurückzukehren. Der Status Ihrer Notebook-Instance ändert sich zu **Wird aktualisiert**.
Wenn die Aktualisierung abgeschlossen ist, ändert sich der Status zu `Stopped`.
# Anpassung einer SageMaker Notebook-Instanz mithilfe eines LCC-Skripts
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Eine *Lebenszykluskonfiguration* (LCC) enthält Shell-Skripte, die nur beim Erstellen oder Starten einer Notebook-Instance ausgeführt werden. Wenn Sie eine Notebook-Instance erstellen, können Sie eine neue LCC erstellen oder eine LCC anfügen, die Sie bereits haben. Skripte für die Lebenszykluskonfiguration sind für die folgenden Anwendungsfälle nützlich:
+ Installation von Paketen oder Beispiel-Notebooks auf einer Notebook-Instance
+ Konfiguration von Netzwerk und Sicherheit für eine Notebook-Instance
+ Verwenden eines Shell-Skripts zum Anpassen einer Notebook-Instance
Sie können auch ein Lifecycle-Konfigurationsskript verwenden, um von Ihrem Notizbuch aus auf AWS Dienste zuzugreifen. Sie können beispielsweise ein Skript erstellen, mit dem Sie Ihr Notizbuch verwenden können, um andere AWS Ressourcen zu steuern, z. B. eine Amazon EMR-Instance.
[Wir unterhalten unter - ein öffentliches Repository mit Konfigurationsskripten für den Lebenszyklus von Notebooks, die sich mit gängigen Anwendungsfällen für die Anpassung von Notebook-Instances befassen https://github.com/aws-samples/amazon-sagemaker-notebook-instance. lifecycle-config-samples](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples)
**Anmerkung**
Jedes Skript hat ein Limit von 16384 Zeichen.
Der Wert der Umgebungsvariable `$PATH`, die für beide Skripts verfügbar ist, lautet `/usr/local/sbin:/usr/local/bin:/usr/bin:/usr/sbin:/sbin:/bin`. Das Arbeitsverzeichnis. Dabei handelt es sich um den Wert der `$PWD` Umgebungsvariable: `/`.
CloudWatch Protokolle für Lebenszykluskonfigurationen von Notebook-Instanzen in der Protokollgruppe `/aws/sagemaker/NotebookInstances` im Protokollstream `[notebook-instance-name]/[LifecycleConfigHook]` anzeigen.
Skripts können nicht länger als fünf Minuten ausgeführt werden. Bei einem länger laufenden Skript treten Fehler auf und die Notebook-Instance wird nicht erstellt oder gestartet. Gehen Sie zum Reduzieren der Laufzeit von Skripten wie folgt vor:
Beschränken Sie sich auf notwendige Schritte. Schränken Sie beispielsweise ein, in welchen Conda-Umgebungen große Pakete installiert werden.
Führen Sie Aufgaben in parallelen Prozessen aus.
Verwenden Sie den befehl `nohup` in Ihrem Skript.
Sie können eine Liste der Lebenszykluskonfigurationen für Notebook-Instanzen einsehen, die Sie zuvor erstellt haben, indem Sie in der SageMaker AI-Konsole die **Option Lifecycle-Konfiguration** auswählen. Die LLC für Notebook-Instances sind auch verfügbar, wenn Sie eine neue Notebook-Instance erstellen. Weitere Informationen zum Erstellen einer Notebook-Instance finden Sie unter [Erstellen Sie eine SageMaker Amazon-Notebook-Instance](howitworks-create-ws.md).
# Erstellen eines Skripts für die Lebenszykluskonfiguration
Das folgende Verfahren zeigt, wie Sie ein Lifecycle-Konfigurationsskript zur Verwendung mit einer SageMaker Amazon-Notebook-Instance erstellen. Weitere Informationen zum Erstellen einer Notebook-Instance finden Sie unter [Erstellen Sie eine SageMaker Amazon-Notebook-Instance](howitworks-create-ws.md).
**So erstellen Sie eine Lebenszykluskonfiguration**
1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich die Option **Admin-Konfigurationen** aus.
1. Wählen Sie unter **Admin-Konfigurationen** die Option **Lifecycle-Konfigurationen** aus.
1. Wählen Sie auf der Seite **Lifecycle-Konfigurationen** die Registerkarte **Notebook-Instance** aus.
1. Wählen Sie **Create configuration** (Konfiguration erstellen).
1. Geben Sie unter **Name** einen Namen mit alphanumerischen Zeichen und „-“ ein, der keine Leerzeichen enthält. Der Name darf höchstens 63 Zeichen lang sein.
1. (Optional) Klicken Sie zum Generieren eines Skripts, das beim Erstellen und bei jedem Start des Notebooks ausgeführt wird, auf **Start notebook (Notebook starten)**.
1. Geben Sie im Editor **Start notebook (Notebook starten)** das Skript ein.
1. (Optional) Um beim Erstellen des Notebooks ein Skript, das nur einmal ausgeführt wird, anzulegen, wählen Sie die Option **Create notebook (Notebook erstellen)** aus.
1. Geben Sie im Editor **Create notebook (Notebook erstellen)** das Skript "configure networking" ein.
1. Wählen Sie **Create configuration** (Konfiguration erstellen).
## Bewährte Methoden für die Lebenszykluskonfiguration
Es folgen die bewährten Methoden für die Verwendung von Lebenszykluskonfigurationen:
**Wichtig**
Es wird nicht empfohlen, vertrauliche Informationen in Ihrem Lifecycle-Konfigurationsskript zu speichern.
**Wichtig**
Lifecycle-Konfigurationsskripts werden unabhängig von der Root-Zugriffseinstellung für Notebook-Benutzer mit Root-Zugriff und den IAM-Ausführungsrollen der Notebook-Instanz ausgeführt. Principals mit der Berechtigung, Lebenszykluskonfigurationen zu erstellen oder zu ändern und Notebook-Instances zu aktualisieren, können Code mit den Anmeldeinformationen der Ausführungsrolle ausführen. Weitere Informationen finden Sie unter [Steuern Sie den Root-Zugriff auf eine Notebook-Instance SageMaker](nbi-root-access.md).
+ Lebenszykluskonfigurationen werden als `root`-Benutzer ausgeführt. Wenn Ihr Skript Änderungen innerhalb des Verzeichnisses `/home/ec2-user/SageMaker` vornimmt (z. B. Installieren eines Paket mit `pip`), verwenden Sie den Befehl `sudo -u ec2-user` zum Ausführen als `ec2-user`-Benutzer. Dies ist derselbe Benutzer, unter dem Amazon SageMaker AI läuft.
+ SageMaker KI-Notebook-Instances verwenden `conda` Umgebungen, um verschiedene Kernel für Jupyter-Notebooks zu implementieren. Wenn Sie Pakete installieren möchten, die für einen oder mehrere Notebook-Kernels verfügbar sind, schließen Sie die Befehle zum Installieren der Pakete in die Befehle der `conda`-Umgebung ein, die die conda-Umgebung aktivieren, welche den zu installierenden Kernel enthält.
Beispiel: Wenn Sie ein Paket nur für die `python3`-Umgebung installieren möchten, verwenden Sie den folgenden Code:
```
#!/bin/bash
sudo -u ec2-user -i <
**Wichtig**
Derzeit sind alle Pakete in Notebook-Instance-Umgebungen für die Verwendung mit Amazon SageMaker AI lizenziert und erfordern keine zusätzlichen kommerziellen Lizenzen. Dies könnte sich jedoch in Zukunft ändern und wir empfehlen, die Lizenzbedingungen regelmäßig auf Aktualisierungen zu überprüfen.
Bei Amazon SageMaker Notebook-Instances sind bereits mehrere Umgebungen installiert. Diese Umgebungen enthalten Jupyter-Kernel und Python-Pakete, darunter: scikit, Pandas,, und. NumPy TensorFlow MXNet Diese Umgebungen und alle Dateien im Ordner `sample-notebooks` werden aktualisiert, wenn Sie eine Notebook-Instance starten und beenden. Sie können auch Ihre eigenen Umgebungen mit Paketen und Kernel Ihrer Wahl installieren.
Die verschiedenen Jupyter-Kernel in SageMaker Amazon-Notebook-Instances sind separate Conda-Umgebungen. Weitere Informationen zu Conda-Umgebungen finden Sie unter [Managing environments (Verwalten von Umgebungen)](https://conda.io/docs/user-guide/tasks/manage-environments.html) in der *Conda*-Dokumentation.
Installieren Sie benutzerdefinierte Umgebungen und Kernel auf dem Amazon-EBS-Volume der Notebook-Instance. Dadurch wird sichergestellt, dass sie bestehen bleiben, wenn Sie die Notebook-Instance beenden und neu starten, und dass alle externen Bibliotheken, die Sie installieren, nicht von KI aktualisiert werden. SageMaker Verwenden Sie dazu eine Lebenszykluskonfiguration, die sowohl ein Skript umfasst, das beim Erstellen der Notebook-Instance ausgeführt wird (`on-create)` als auch ein Skript, das bei jedem Neustart der Notebook-Instance ausgeführt wird (`on-start`). Weitere Informationen zu Lebenszykluskonfigurationen für Notebook-Instances finden Sie unter [Anpassung einer SageMaker Notebook-Instanz mithilfe eines LCC-Skripts](notebook-lifecycle-config.md). Unter [SageMaker AI Notebook Instance Lifecycle Config Samples gibt es ein GitHub Repository mit Beispielskripten für die Lebenszykluskonfiguration](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples).
Die Beispiele unter [https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-create.sh](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-create.sh) und [https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-start.sh](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-start.sh) zeigen die bewährten Methoden für die Installation von Umgebungen und Kerneln auf einer Notebook-Instanz. Das `on-create` Skript installiert die `ipykernel` Bibliothek, um benutzerdefinierte Umgebungen als Jupyter-Kernel zu erstellen, verwendet `pip install` und `conda install` installiert dann Bibliotheken. Sie können das Skript anpassen, um benutzerdefinierte Umgebungen zu erstellen und die gewünschten Bibliotheken zu installieren. SageMaker AI aktualisiert diese Bibliotheken nicht, wenn Sie die Notebook-Instanz beenden und neu starten, sodass Sie sicherstellen können, dass Ihre benutzerdefinierte Umgebung bestimmte Versionen von Bibliotheken enthält, die Sie möchten. Das `on-start` Skript installiert alle benutzerdefinierten Umgebungen, die Sie als Jupyter-Kernel erstellen, sodass sie in der Dropdown-Liste im Menü **Neu** von Jupyter angezeigt werden.
## Tools zur Installation von Paketen
SageMaker Notebooks unterstützen die folgenden Tools zur Paketinstallation:
+ Conda installieren
+ Installieren von pip
Sie können Pakete mit den folgenden Methoden installieren:
+ Skripte für die Lebenszykluskonfiguration.
Beispielskripte finden Sie unter [SageMaker AI Notebook Instance Lifecycle Config Samples](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples). Weitere Informationen zur Lebenszykluskonfiguration finden Sie unter [Anpassen einer Notebook-Instance mithilfe eines Lifecycle-Konfigurationsskripts](https://docs.aws.amazon.com/sagemaker/latest/dg/notebook-lifecycle-config.html).
+ Notebooks – Die folgenden Befehle sind verfügbar.
+ `%conda install`
+ `%pip install`
+ Das Jupyter-Terminal – Sie können Pakete direkt mit pip und conda installieren.
Von einem Notebook aus können Sie die Systembefehlssyntax verwenden (Zeilen, die mit\$1 beginnen) um Pakete zu installieren, zum Beispiel `!pip install` und`!conda install`. In jüngerer Zeit wurden neue Befehle zu IPython: `%pip` und hinzugefügt`%conda`. Diese Befehle sind die empfohlene Methode zur Installation von Paketen von einem Notebook aus, da sie die aktive Umgebung oder den verwendeten Interpreter korrekt berücksichtigen. Weitere Informationen finden Sie unter [Hinzufügen der magischen Funktionen %pip und %conda](https://github.com/ipython/ipython/pull/11524).
### Conda
Conda ist ein Open-Source-Paketverwaltungs- und Umgebungsmanagementsystem, mit dem Pakete und ihre Abhängigkeiten installiert werden können. SageMaker AI unterstützt die Verwendung von Conda mit einem der beiden Hauptkanäle, dem Standardkanal und dem Conda-Forge-Kanal. Weitere Informationen finden Sie unter [Konfigurieren Conda-Kanals](https://docs.conda.io/projects/conda/en/latest/user-guide/concepts/channels.html). Der Conda-Forge-Kanal ist ein Community-Kanal, in dem Mitwirkende Pakete hochladen können.
**Anmerkung**
Aufgrund der Art und Weise, wie Conda das Abhängigkeitsdiagramm auflöst, kann die Installation von Paketen von Conda-Forge erheblich länger dauern (im schlimmsten Fall mehr als 10 Minuten).
Das Deep Learning AMI wird mit vielen Conda-Umgebungen und vielen vorinstallierten Paketen geliefert. Aufgrund der Anzahl der vorinstallierten Pakete ist es schwierig, eine Reihe von Paketen zu finden, die garantiert kompatibel sind. Möglicherweise wird die Warnung „Die Umgebung ist inkonsistent, bitte überprüfen Sie den Paketplan sorgfältig“ angezeigt. Trotz dieser Warnung stellt SageMaker KI sicher, dass alle von der SageMaker KI bereitgestellten Umgebungen korrekt sind. SageMaker KI kann nicht garantieren, dass alle vom Benutzer installierten Pakete korrekt funktionieren.
**Anmerkung**
Benutzer von SageMaker KI AWS Deep Learning AMIs und Amazon EMR können bis zum 1. Februar 2024 auf das kommerzielle Anaconda-Repository zugreifen, ohne eine kommerzielle Lizenz erwerben zu müssen, wenn sie Anaconda in diesen Diensten verwenden. Für jede Nutzung des kommerziellen Anaconda-Repositorys nach dem 1. Februar 2024 sind die Kunden dafür verantwortlich, ihre eigenen Anaconda-Lizenzanforderungen zu ermitteln.
Conda hat zwei Methoden zur Aktivierung von Umgebungen: Conda. activate/deactivate, and source activate/deactivate Weitere Informationen finden Sie unter [Sollte ich „Conda Activate“ oder „Source Activate“ unter Linux verwenden](https://stackoverflow.com/questions/49600611/python-anaconda-should-i-use-conda-activate-or-source-activate-in-linux).
SageMaker KI unterstützt das Verschieben von Conda-Umgebungen auf das Amazon EBS-Volume, das beibehalten wird, wenn die Instance gestoppt wird. Die Umgebungen werden nicht beibehalten, wenn die Umgebungen auf dem Root-Volume installiert werden, was das Standardverhalten ist. Ein Beispiel für ein Lifecycle-Skript finden Sie unter. [persistent-conda-ebs](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/tree/master/scripts/persistent-conda-ebs)
**Unterstützte Conda-Operationen (siehe Hinweis am Ende dieses Themas)**
+ Conda-Installation eines Pakets in einer einzigen Umgebung
+ Conda installiert ein Paket in allen Umgebungen
+ Conda-Installation eines R-Pakets in der R-Umgebung
+ Installation eines Pakets aus dem Conda-Hauptrepositorium
+ Ein Paket von Conda-Forge installieren
+ Ändern Sie den Conda-Installationsort, um EBS zu verwenden
+ Unterstützt sowohl Conda Activate als auch Source Activate
### Pip
Pip ist das De-facto-Tool für die Installation und Verwaltung von Python-Paketen. Pip sucht standardmäßig nach Paketen im Python-Paketindex (PyPI). Im Gegensatz zu Conda bietet pip keine integrierte Umgebungsunterstützung und ist nicht so gründlich wie Conda, wenn es um Pakete mit native/system Bibliotheksabhängigkeiten geht. Pip kann verwendet werden, um Pakete in Conda-Umgebungen zu installieren.
Sie können alternative Paket-Repositorys mit pip anstelle von PyPI verwenden. Ein Beispiel für ein Lifecycle-Skript finden Sie unter [on-start.sh](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/add-pypi-repository/on-start.sh).
**Unterstützte Pip-Operationen (siehe Hinweis am Ende dieses Themas)**
+ Verwendung von Pip zur Installation eines Pakets ohne aktive Conda-Umgebung (Pakete systemweit installieren)
+ Verwenden von Pip, um ein Paket in einer Conda-Umgebung zu installieren
+ Verwenden Sie Pip, um ein Paket in allen Conda-Umgebungen zu installieren
+ Ändern des Pip-Installationsverzeichnisses zur Verwendung von EBS
+ Verwenden eines alternativen Repositorys zur Installation von Paketen mit Pip
### Nicht unterstützt
SageMaker KI zielt darauf ab, so viele Paketinstallationsvorgänge wie möglich zu unterstützen. Wenn die Pakete jedoch von SageMaker AI oder DLAMI installiert wurden und Sie die folgenden Operationen für diese Pakete ausführen, kann Ihre Notebook-Instanz dadurch instabil werden:
+ Deinstallieren
+ Herabstufung
+ Wird geupgradet
Wir bieten keine Unterstützung für die Installation von Paketen über yum install oder die Installation von R-Paketen von CRAN.
Aufgrund potenzieller Probleme mit Netzwerkbedingungen oder -konfigurationen oder der Verfügbarkeit von Conda oder können wir nicht garantieren PyPi, dass Pakete innerhalb eines festen oder deterministischen Zeitraums installiert werden.
**Anmerkung**
Wir können nicht garantieren, dass eine Paketinstallation erfolgreich sein wird. Der Versuch, ein Paket in einer Umgebung mit inkompatiblen Abhängigkeiten zu installieren, kann zu einem Fehler führen. In einem solchen Fall sollten Sie sich an den Bibliotheksbetreuer wenden, um zu erfahren, ob es möglich ist, die Paketabhängigkeiten zu aktualisieren. Alternativ können Sie versuchen, die Umgebung so zu modifizieren, dass die Installation möglich ist. Diese Änderung wird jedoch wahrscheinlich bedeuten, dass bestehende Pakete entfernt oder aktualisiert werden, was bedeutet, dass wir die Stabilität dieser Umgebung nicht mehr garantieren können.
# Software-Updates auf Notebook-Instances
Amazon SageMaker AI testet und veröffentlicht regelmäßig Software, die auf Notebook-Instances installiert ist. Dies umfasst:
+ Kernel-Updates
+ Sicherheits-Patches
+ AWS SDK-Aktualisierungen
+ Aktualisierungen des [Amazon SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable)
+ Open-Source-Software-Updates
Um sicherzustellen, dass Sie über die neuesten Softwareupdates verfügen, beenden Sie Ihre Notebook-Instance und starten Sie sie neu, entweder in der SageMaker AI-Konsole oder indem Sie [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopNotebookInstance.html).
Sie können die auf Ihrer Notebook-Instance installierte Software auch manuell aktualisieren, während diese ausgeführt wird, indem Sie Update-Befehle in einem Terminal oder in einem Notebook verwenden.
**Anmerkung**
Das Aktualisieren von Kernels und einigen Paketen hängt möglicherweise davon ab, ob der Root-Zugriff für die Notebook-Instance aktiviert ist. Weitere Informationen finden Sie unter [Steuern Sie den Root-Zugriff auf eine Notebook-Instance SageMaker](nbi-root-access.md).
Sie können das [Personal Health Dashboard](https://aws.amazon.com/premiumsupport/technology/personal-health-dashboard/) oder das Sicherheitsbulletin unter [Security Bulletins](https://aws.amazon.com/security/security-bulletins/) auf Aktualisierungen überprüfen.
# Steuern einer Amazon EMR-Spark-Instance mithilfe eines Notebook
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Sie können eine Notebook-Instanz verwenden, die mit einem benutzerdefinierten Lifecycle-Konfigurationsskript erstellt wurde, um von Ihrem Notebook aus auf AWS Dienste zuzugreifen. Sie können beispielsweise ein Skript erstellen, bei dem Sie Ihr Notebook mit Sparkmagic verwenden können, um andere AWS Ressourcen, z. B. eine Amazon EMR Instance, zu steuern. Anschließend können Sie die Amazon EMR-Instance verwenden, um Ihre Daten zu verarbeiten, anstatt die Datenanalyse auf Ihrem Notebook auszuführen. Auf diese Weise können Sie eine kleinere Notebook-Instance erstellen, da Sie die Instance nicht zum Verarbeiten von Daten verwenden. Dies ist hilfreich, wenn große Datensätze vorhanden sind, die eine große Notebook-Instance zur Verarbeitung der Daten erfordern würden.
Der Vorgang erfordert drei Verfahren mit der Amazon SageMaker AI-Konsole:
+ Erstellen Sie die Amazon EMR Spark-Instance
+ Erstellen des Jupyter Notebooks
+ Testen Sie die notebook-to-Amazon EMR-Verbindung
**So erstellen Sie eine Amazon EMR-Spark-Instance, die über ein Notebook mit Sparkmagic gesteuert werden kann**
1. Öffnen Sie die Amazon-EMR-Konsole unter [https://console.aws.amazon.com/elasticmapreduce/](https://console.aws.amazon.com/elasticmapreduce/).
1. Wählen Sie im Navigationsbereich **Create cluster (Cluster erstellen)** aus.
1. Wählen Sie auf der Seite **Create Cluster – Quick Options (Cluster erstellen – Schnelloptionen)** unter **Software configuration (Softwarekonfiguration)** die Option **Spark: Spark 2.4.4 auf Hadoop 2.8.5 YARN mit Ganglia 3.7.2 und Zeppelin 0.8.2** aus.
1. Legen Sie zusätzliche Parameter auf der Seite fest und wählen Sie **Create cluster (Cluster erstellen)** aus.
1. Wählen Sie auf der Seite **Cluster** den Clusternamen aus, den Sie angelegt haben. Notieren Sie sich den **Master Public DNS (öffentlicher DNS für den Master)**, die **EMR master's security group (Sicherheitsgruppe des EMR-Masters)** sowie den VPC-Namen und die Subnetz-ID, wo der EMR-Cluster erstellt wurde. Sie werden diese Werte beim Erstellen eines Notebook verwenden.
**So erstellen Sie ein Notebook, das Sparkmagic verwendet, um eine Amazon EMR-Spark-Instance zu steuern**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im Navigationsbereich unter **Notebook instances**, die Option **Create Notebook (Notebook erstellen)**aus.
1. Geben Sie den Namen der Notebook-Instance ein, und wählen Sie den Instance-Typ aus.
1. Wählen Sie **Additional configuration (Zusätzliche Konfiguration)** und dann unter **Lifecycle configuration (Lebenszykluskonfiguration)** die Option **Create a new lifecycle configuration (Neue Lebenszykluskonfiguration erstellen)** aus.
1. Fügen Sie dem Lifecycle-Konfigurationsskript den folgenden Code hinzu:
```
# OVERVIEW
# This script connects an Amazon EMR cluster to an Amazon SageMaker notebook instance that uses Sparkmagic.
#
# Note that this script will fail if the Amazon EMR cluster's master node IP address is not reachable.
# 1. Ensure that the EMR master node IP is resolvable from the notebook instance.
# One way to accomplish this is to have the notebook instance and the Amazon EMR cluster in the same subnet.
# 2. Ensure the EMR master node security group provides inbound access from the notebook instance security group.
# Type - Protocol - Port - Source
# Custom TCP - TCP - 8998 - $NOTEBOOK_SECURITY_GROUP
# 3. Ensure the notebook instance has internet connectivity to fetch the SparkMagic example config.
#
# https://aws.amazon.com/blogs/machine-learning/build-amazon-sagemaker-notebooks-backed-by-spark-in-amazon-emr/
# PARAMETERS
EMR_MASTER_IP=your.emr.master.ip
cd /home/ec2-user/.sparkmagic
echo "Fetching Sparkmagic example config from GitHub..."
wget https://raw.githubusercontent.com/jupyter-incubator/sparkmagic/master/sparkmagic/example_config.json
echo "Replacing EMR master node IP in Sparkmagic config..."
sed -i -- "s/localhost/$EMR_MASTER_IP/g" example_config.json
mv example_config.json config.json
echo "Sending a sample request to Livy.."
curl "$EMR_MASTER_IP:8998/sessions"
```
1. Ersetzen Sie in dem `PARAMETERS` Abschnitt des Skripts `your.emr.master.ip` durch den öffentlichen DNS-Namen für den Master für die Amazon EMR-Instance.
1. Wählen Sie **Create configuration** (Konfiguration erstellen).
1. Wählen Sie auf der Seite **Create notebook (Notebook erstellen)** die Option **Network – optional (Netzwerk – optional)**.
1. Wählen Sie die VPC und das Subnetz aus, in dem sich die Amazon EMR-Instance befindet.
1. Wählen Sie die Sicherheitsgruppe aus, die vom Amazon EMR-Master-Knoten verwendet wird.
1. Wählen Sie **Create notebook instance (Notebook-Instance erstellen)** aus.
Während die Notebook-Instance erstellt wird, lautet der Status **Pending (Ausstehend)**. Nachdem die Instance erstellt und das Lifecycle-Konfigurationsskript erfolgreich ausgeführt wurde, lautet der Status **InService**.
**Anmerkung**
Wenn die Notebook-Instance keine Verbindung zur Amazon EMR-Instance herstellen kann, kann SageMaker AI die Notebook-Instance nicht erstellen. Die Verbindung kann fehlschlagen, wenn sich die Amazon EMR-Instance und das Notebook nicht in derselben VPC und demselben Subnetz befinden, wenn die Amazon EMR-Mastersicherheitsgruppe nicht vom Notebook verwendet wird oder wenn der öffentliche Master-DNS-Name im Skript falsch ist.
**So testen Sie die Verbindung zwischen der Amazon EMR-Instance und dem Notebook**
1. Wenn der Status des Notebooks lautet **InService**, wählen Sie **Open Jupyter**, um das Notebook zu öffnen.
1. Wählen Sie „**Neu**“ und anschließend „**Sparkmagic**“ (). PySpark
1. Geben Sie in der Code-Zelle **%%info** ein und führen Sie die Zelle dann aus.
Die Ausgabe sollte ähnlich der folgenden sein
```
Current session configs: {'driverMemory': '1000M', 'executorCores': 2, 'kind': 'pyspark'}
No active sessions.
```
# Festlegen des Notebook-Kernels
Amazon SageMaker AI bietet mehrere Kernel für Jupyter, die Python 2 und 3, Apache MXNet, und unterstützen. TensorFlow PySpark Zum Festlegen eines Kernels für ein neues Notebook im Jupyter-Notebook-Dashboard wählen Sie **New (Neu)** und dann den Kernel in der Liste aus. Weitere Informationen zu den verfügbaren Kernels finden Sie unter [Verfügbare Kernel](nbi-al2.md#nbi-al2-kernel).
![\[Position der Dropdown-Liste Neu im Jupyter-Notebook-Dashboard.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/nbi-set-kernel.png)
Sie können auch einen benutzerdefinierten Kernel erstellen, den Sie in Ihrer Notebook-Instance verwenden können. Weitere Informationen finden Sie unter [Installation einer externen Bibliothek und eines Kernels](nbi-add-external.md).
# Git-Repositorys mit SageMaker AI Notebook-Instanzen
Verknüpfen Sie Git-Repositorys mit Ihrer Notebook-Instance, um Ihre Notebooks in einer Quellkontrollumgebung zu speichern, die auch dann bestehen bleibt, wenn Sie Ihre Notebook-Instance stoppen oder löschen. Sie können ein Standard-Repository und bis zu drei zusätzliche Repositorys mit einer Notebook-Instance verknüpfen. Die Repositorys können auf AWS CodeCommit GitHub, oder auf jedem anderen Git-Server gehostet werden. Das Verknüpfen von Git-Repositorys mit Ihrer Notebook-Instance kann für Folgendes hilfreich sein:
+ Persistenz – Notebooks in einer Notebook-Instance werden auf haltbaren Amazon EBS-Volumes gespeichert, aber sie bleiben nicht über die Lebensdauer Ihrer Notebook-Instance hinaus bestehen. Wenn Sie Notebooks in einem Git-Repository speichern, können Sie sie auch dann noch speichern und verwenden, wenn Sie Ihre Notebook-Instance anhalten oder löschen.
+ Zusammenarbeit: Kollegen in einem Team arbeiten oft zusammen an ML-Projekten. Wenn Sie Ihre Notebooks in Git-Repositorys speichern, können Kollegen, die in unterschiedlichen Notebook-Instances arbeiten, Notebooks gemeinsam nutzen und in einer Quellkontrollumgebung zusammen an ihnen arbeiten.
+ Lernen — Viele Jupyter-Notebooks, die Techniken des maschinellen Lernens demonstrieren, sind in öffentlich gehosteten Git-Repositorys verfügbar, z. B. auf. GitHub Sie können Ihre Notebook-Instance mit einem Repository verknüpfen, um problemlos Jupyter Notebooks in diesem Repository zu laden.
Es gibt zwei Möglichkeiten zum Verknüpfen eines Git-Repositorys mit einer Notebook-Instance:
+ Fügen Sie Ihrem Amazon SageMaker AI-Konto ein Git-Repository als Ressource hinzu. Um dann auf das Repository zuzugreifen, können Sie ein AWS Secrets Manager Manager-Geheimnis angeben, das Anmeldeinformationen enthält. So können Sie auf Repositorys zugreifen, die eine Authentifizierung erfordern.
+ Sie können ein öffentliches Git-Repository verknüpfen, das keine Ressource in Ihrem Konto ist. In diesem Fall können Sie keine Anmeldeinformationen für den Zugriff auf das Repository angeben.
**Topics**
+ [Fügen Sie Ihrem Amazon SageMaker AI-Konto ein Git-Repository hinzu](nbi-git-resource.md)
+ [Erstellen einer Notebook-Instance mit einem verknüpften Git-Repository](nbi-git-create.md)
+ [Ordnen Sie ein CodeCommit Repository in einem anderen AWS Konto einer Notebook-Instanz zu](nbi-git-cross.md)
+ [Verwenden von Git-Repositorys in einer Notebook-Instance](git-nbi-use.md)
# Fügen Sie Ihrem Amazon SageMaker AI-Konto ein Git-Repository hinzu
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Um Ihre GitHub Repositorys zu verwalten, sie einfach Ihren Notebook-Instances zuzuordnen und Anmeldeinformationen für Repositorys zuzuordnen, die eine Authentifizierung erfordern, fügen Sie die Repositorys als Ressourcen zu Ihrem Amazon SageMaker AI-Konto hinzu. Sie können eine Liste der Repositorys, die in Ihrem Konto gespeichert sind, sowie Details zu jedem Repository in der SageMaker AI-Konsole und mithilfe der API einsehen.
Sie können Ihrem SageMaker AI-Konto Git-Repositorys in der SageMaker AI-Konsole hinzufügen oder indem Sie die AWS CLI verwenden.
**Anmerkung**
Sie können die SageMaker KI-API verwenden [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateCodeRepository.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateCodeRepository.html)um Git-Repositorys zu deinem SageMaker AI-Konto hinzuzufügen, aber eine step-by-step Anleitung dazu findest du hier nicht.
## Fügen Sie Ihrem SageMaker AI-Konto ein Git-Repository hinzu (Konsole)
**Um ein Git-Repository als Ressource zu Ihrem SageMaker AI-Konto hinzuzufügen**
1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie unter **Notebook** die Option **Git-Repositorys** und dann **Repository hinzufügen**.
1. Um ein CodeCommit Repository hinzuzufügen, wählen Sie **AWS CodeCommit**. Um ein GitHub oder ein anderes Git-basiertes Repository hinzuzufügen, wählen Sie **GitHub/Other Git-based** repo.
**Um ein vorhandenes Repository hinzuzufügen CodeCommit**
1. Wählen Sie **Use existing repository (Bestehendes Repositorys verwenden)** aus.
1. Bei **Repository** wählen Sie ein Repository aus der Liste.
1. Geben Sie einen Namen ein, der für das Repository in SageMaker AI verwendet werden soll. Der Name muss 1 bis 63 Zeichen enthalten. Gültige Zeichen sind a–z, A-Z, 0–9 und Bindestrich (-).
1. Wählen Sie **Add repository (Repository hinzufügen)** aus.
**Um ein neues CodeCommit Repository zu erstellen**
1. Wählen Sie **Create new repository (Neues Repository erstellen)** aus.
1. Geben Sie einen Namen für das Repository ein, den Sie sowohl in AI als auch CodeCommit in SageMaker AI verwenden können. Der Name muss 1 bis 63 Zeichen enthalten. Gültige Zeichen sind a–z, A-Z, 0–9 und Bindestrich (-).
1. Wählen Sie **Repository erstellen** aus.
**Um ein Git-Repository hinzuzufügen, das an einem anderen Ort gehostet wird als CodeCommit**
1. Wählen Sie **GitHub/Other Git-based repo**.
1. Geben Sie einen Namen mit bis zu 63 Zeichen ein. Gültige Zeichen sind alphanumerische Zeichen, Bindestrich (-) und 0 - 9.
1. Geben Sie die URL für das Repository ein. Geben Sie keinen Benutzernamen in der URL an. Fügen Sie die Anmeldeinformationen AWS Secrets Manager wie im nächsten Schritt beschrieben hinzu.
1. Bei **Git credentials (Git-Anmeldeinformationen)** wählen Sie die Anmeldeinformationen aus, die für die Authentifizierung beim Repository verwendet werden sollen. Dies ist nur erforderlich, wenn das Git-Repository privat ist.
**Anmerkung**
Wenn Sie die Zwei-Faktor-Authentifizierung für Ihr Git-Repository aktiviert haben, geben Sie ein persönliches Zugriffstoken, das von Ihrem Git-Dienstanbieter generiert wurde, in das `password` Feld ein.
1. Um ein vorhandenes AWS Secrets Manager Manager-Geheimnis zu **verwenden, wählen Sie Vorhandenes Geheimnis** verwenden und wählen Sie dann ein Geheimnis aus der Liste aus. Informationen zum Erstellen und Speichern eines Secrets finden Sie unter [Erstellen eines Basis-Secrets](https://docs.aws.amazon.com/secretsmanager/latest/userguide/manage_create-basic-secret.html) im *AWS Secrets Manager-Benutzerhandbuch*. Der Name des verwendeten Secrets muss die Zeichenfolge `sagemaker` enthalten.
**Anmerkung**
Das Secret muss die Staging-Kennzeichnung `AWSCURRENT` haben und im folgenden Format vorliegen:
`{"username": UserName, "password": Password}`
Für GitHub Repositorien empfehlen wir, vor `password` Ort ein persönliches Zugriffstoken zu verwenden. Weitere Informationen finden Sie unter [https://help.github.com/articles/creating-a-personal-access- token-for-the-command -line/](https://help.github.com/articles/creating-a-personal-access-token-for-the-command-line/).
1. Um ein neues AWS Secrets Manager-Geheimnis zu **erstellen, wählen Sie Create Secret**, geben Sie einen Namen für das Secret ein und geben Sie dann die Anmeldedaten ein, mit denen Sie sich beim Repository authentifizieren möchten. Der Name des Secrets muss die Zeichenfolge `sagemaker` enthalten.
**Anmerkung**
Die IAM-Rolle, die Sie zum Erstellen des Secrets verwenden, muss in ihrer IAM-Richtlinie die `secretsmanager:GetSecretValue` Berechtigung dsada haben.
Das Secret muss die Staging-Kennzeichnung `AWSCURRENT` haben und im folgenden Format vorliegen:
`{"username": UserName, "password": Password}`
Für GitHub Repositorys empfehlen wir die Verwendung eines persönlichen Zugriffstokens.
1. Wenn Sie keine Anmeldeinformationen verwenden möchten, wählen Sie **No secret (Kein Secret)** aus.
1. Wählen Sie **Create secret (Secret erstellen)** aus.
# Fügen Sie Ihrem Amazon SageMaker AI-Konto (CLI) ein Git-Repository hinzu
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Verwenden Sie den `create-code-repository` AWS CLI Befehl, um Amazon SageMaker AI ein Git-Repository hinzuzufügen, um Benutzern Zugriff auf externe Ressourcen zu gewähren. Geben Sie einen Namen für das Repository als Wert des `code-repository-name`-Arguments an. Der Name muss 1 bis 63 Zeichen enthalten. Gültige Zeichen sind a–z, A-Z, 0–9 und Bindestrich (-). Machen Sie außerdem Angaben zu Folgendem:
+ Standard-Branch
+ URL des Git-Repositorys
**Anmerkung**
Geben Sie keinen Benutzernamen in der URL an. Fügen Sie die Anmeldeinformationen AWS Secrets Manager wie im nächsten Schritt beschrieben hinzu.
+ Der Amazon-Ressourcenname (ARN) eines AWS Secrets Manager Manager-Geheimnisses, das die Anmeldeinformationen für die Authentifizierung des Repositorys als Wert des `git-config` Arguments enthält
Informationen zum Erstellen und Speichern eines Secrets finden Sie unter [Erstellen eines Basis-Secrets](https://docs.aws.amazon.com/secretsmanager/latest/userguide/manage_create-basic-secret.html) im *AWS Secrets Manager-Benutzerhandbuch*. Der folgende Befehl erstellt ein neues Repository mit dem Namen `MyRespository` Ihres Amazon SageMaker AI-Kontos, das auf ein Git-Repository verweist, das unter gehostet wird`https://github.com/myprofile/my-repo"`.
Für Linux, OS X oder Unix:
```
aws sagemaker create-code-repository \
--code-repository-name "MyRepository" \
--git-config Branch=branch,RepositoryUrl=https://github.com/myprofile/my-repo,SecretArn=arn:aws:secretsmanager:us-east-2:012345678901:secret:my-secret-ABc0DE
```
Für Windows:
```
aws sagemaker create-code-repository ^
--code-repository-name "MyRepository" ^
--git-config "{\"Branch\":\"master\", \"RepositoryUrl\" :
\"https://github.com/myprofile/my-repo\", \"SecretArn\" : \"arn:aws:secretsmanager:us-east-2:012345678901:secret:my-secret-ABc0DE\"}"
```
**Anmerkung**
Das Secret muss die Staging-Kennzeichnung `AWSCURRENT` haben und im folgenden Format vorliegen:
`{"username": UserName, "password": Password}`
Für GitHub Repositorys empfehlen wir die Verwendung eines persönlichen Zugriffstokens.
# Erstellen einer Notebook-Instance mit einem verknüpften Git-Repository
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Sie können Git-Repositorys mit einer Notebook-Instanz verknüpfen, wenn Sie die Notebook-Instanz mit dem AWS-Managementkonsole, oder dem AWS CLI erstellen. Wenn Sie ein CodeCommit Repository verwenden möchten, das sich in einem anderen AWS Konto als die Notebook-Instanz befindet, richten Sie den kontoübergreifenden Zugriff für das Repository ein. Weitere Informationen finden Sie unter [Ordnen Sie ein CodeCommit Repository in einem anderen AWS Konto einer Notebook-Instanz zu](nbi-git-cross.md).
**Topics**
+ [Erstellen einer Notebook-Instance mit einem verknüpften Git-Repository (Konsole)](#nbi-git-create-console)
+ [Erstellen einer Notebook-Instance mit einem verknüpften Git-Repository (CLI)](nbi-git-create-cli.md)
## Erstellen einer Notebook-Instance mit einem verknüpften Git-Repository (Konsole)
**Um eine Notebook-Instance zu erstellen und Git-Repositorys in der Amazon SageMaker AI-Konsole zuzuordnen**
1. Folgen Sie den Anweisungen unter [Erstellen Sie eine Amazon SageMaker Notebook-Instance für das Tutorial](gs-setup-working-env.md).
1. Bei **Git repositories (Git-Repositorys)** wählen Sie Git-Repositorys aus, die mit der Notebook-Instance verknüpft werden sollen.
1. Wählen Sie für **Standard-Repository** ein Repository aus, das Sie als Standard-Repository verwenden möchten. SageMaker AI klont dieses Repository als Unterverzeichnis im Jupyter-Startverzeichnis unter. `/home/ec2-user/SageMaker` Wenn Sie Ihre Notebook-Instance öffnen, wird sie in diesem Repository geöffnet. Zum Wählen eines Repositorys, das als Ressource in Ihrem Konto gespeichert ist, wählen Sie einfach dessen Namen in der Liste. Um Ihrem Konto ein neues Repository als Ressource hinzuzufügen, wählen Sie **Add a repository to SageMaker AI (öffnet den Flow Repository hinzufügen in einem neuen Fenster)** und folgen Sie dann den Anweisungen unter. [Erstellen einer Notebook-Instance mit einem verknüpften Git-Repository (Konsole)](#nbi-git-create-console) Zum Klonen eines öffentlichen Repositorys, das nicht in Ihrem Konto gespeichert ist, wählen Sie **Clone a public Git repository to this notebook instance only (Öffentliches Git-Repository nur auf dieser Notebook-Instance klonen)** aus und geben dann die URL für dieses Repository an.
1. Wählen Sie **unter Zusätzliches Repository 1** ein Repository aus, das Sie als zusätzliches Verzeichnis hinzufügen möchten. SageMaker AI klont dieses Repository als Unterverzeichnis im Jupyter-Startverzeichnis unter. `/home/ec2-user/SageMaker` Zum Wählen eines Repositorys, das als Ressource in Ihrem Konto gespeichert ist, wählen Sie einfach dessen Namen in der Liste. Um Ihrem Konto ein neues Repository als Ressource hinzuzufügen, wählen Sie **Add a repository to SageMaker AI (öffnet den Flow Repository hinzufügen in einem neuen Fenster)** und folgen Sie dann den Anweisungen unter. [Erstellen einer Notebook-Instance mit einem verknüpften Git-Repository (Konsole)](#nbi-git-create-console) Zum Klonen eines Repositorys, das nicht in Ihrem Konto gespeichert ist, wählen Sie **Clone a public Git repository to this notebook instance only (Öffentliches Git-Repository nur auf dieser Notebook-Instance klonen)** aus und geben dann die URL für dieses Repository an.
Wiederholen Sie diesen Schritt bis zu drei Mal, um bis zu drei zusätzliche Repositorys zu Ihrer Notebook-Instance hinzuzufügen.
# Erstellen einer Notebook-Instance mit einem verknüpften Git-Repository (CLI)
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Verwenden Sie den Befehl `create-notebook-instance` wie unten beschrieben, um mithilfe der AWS CLI eine Notebook-Instance zu erstellen und Git-Repositorys mit ihr zu verknüpfen:
+ Geben Sie das Repository, das Sie als Standard-Repository verwenden möchten, als Wert des `default-code-repository`-Arguments an. Amazon SageMaker AI klont dieses Repository als Unterverzeichnis im Jupyter-Startverzeichnis unter. `/home/ec2-user/SageMaker` Wenn Sie Ihre Notebook-Instance öffnen, wird sie in diesem Repository geöffnet. Um ein Repository zu verwenden, das als Ressource in Ihrem SageMaker AI-Konto gespeichert ist, geben Sie den Namen des Repositorys als Wert des Arguments an. `default-code-repository` Zum Verwenden eines Repositorys, das nicht in Ihrem Konto gespeichert ist, geben Sie die URL des Repositorys als Wert des `default-code-repository`-Arguments an.
+ Geben Sie bis zu drei zusätzliche Repositorys als Wert des `additional-code-repositories` Arguments an. SageMaker AI klont dieses Repository als Unterverzeichnis im Jupyter-Startverzeichnis unter`/home/ec2-user/SageMaker`, und das Repository wird vom Standard-Repository ausgeschlossen, indem es dem Verzeichnis des Standard-Repositorys hinzugefügt wird. `.git/info/exclude` Um Repositorys zu verwenden, die als Ressourcen in Ihrem SageMaker AI-Konto gespeichert sind, geben Sie die Namen der Repositorys als Wert des Arguments an. `additional-code-repositories` Um Repositorys zu verwenden, die nicht in Ihrem Konto gespeichert sind, geben Sie die Repositorys als Wert URLs des Arguments an. `additional-code-repositories`
Mit dem folgenden Befehl wird beispielsweise eine Notebook-Instanz erstellt, die ein Repository mit dem Namen hat`MyGitRepo`, das als Ressource in Ihrem SageMaker AI-Konto gespeichert ist, als Standard-Repository und ein zusätzliches Repository, das gehostet wird, auf: GitHub
```
aws sagemaker create-notebook-instance \
--notebook-instance-name "MyNotebookInstance" \
--instance-type "ml.t2.medium" \
--role-arn "arn:aws:iam::012345678901:role/service-role/AmazonSageMaker-ExecutionRole-20181129T121390" \
--default-code-repository "MyGitRepo" \
--additional-code-repositories "https://github.com/myprofile/my-other-repo"
```
**Anmerkung**
Wenn Sie ein AWS CodeCommit Repository verwenden, dessen Name "SageMaker" nicht enthält, fügen Sie der Rolle die `codecommit:GitPush` Berechtigungen `codecommit:GitPull` und hinzu, die Sie dem `create-notebook-instance` Befehl als `role-arn` Argument übergeben. Informationen über das Hinzufügen von Berechtigungen zu einer Rolle finden Sie unter [Hinzufügen und Entfernen von IAM-Richtlinien](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) im *AWS Identity and Access Management Benutzerhandbuch*.
# Ordnen Sie ein CodeCommit Repository in einem anderen AWS Konto einer Notebook-Instanz zu
Um ein CodeCommit Repository in einem anderen AWS Konto mit Ihrer Notebook-Instanz zu verknüpfen, richten Sie den kontoübergreifenden Zugriff für das CodeCommit Repository ein.
**So richten Sie den kontenübergreifenden Zugriff für ein CodeCommit Repository ein und verknüpfen es mit einer Notebook-Instanz:**
1. Erstellen Sie in dem AWS Konto, das das CodeCommit Repository enthält, eine IAM-Richtlinie, die Benutzern des Kontos, das Ihre Notebook-Instanz enthält, den Zugriff auf das Repository ermöglicht. Weitere Informationen finden Sie unter [Schritt 1: Erstellen einer Richtlinie für den Repository-Zugriff in Konto A](https://docs.aws.amazon.com/codecommit/latest/userguide/cross-account-administrator-a.html#cross-account-create-policy-a) im *CodeCommit -Benutzerhandbuch*.
1. Erstellen Sie in dem AWS Konto, das das CodeCommit Repository enthält, eine IAM-Rolle und fügen Sie die Richtlinie, die Sie im vorherigen Schritt erstellt haben, dieser Rolle hinzu. Weitere Informationen finden Sie unter [Schritt 2: Erstellen einer Rolle für den Repository-Zugriff in Konto A](https://docs.aws.amazon.com/codecommit/latest/userguide/cross-account-administrator-a.html#cross-account-create-role-a) im *CodeCommit -Benutzerhandbuch*.
1. Erstellen Sie in der Notebook-Instance ein Profil mit der Rolle, die Sie im vorherigen Schritt erstellt haben:
1. Öffnen Sie die Notebook-Instance.
1. Rufen Sie ein Terminal in der Notebook-Instance auf.
1. Bearbeiten Sie ein neues Profil, indem Sie Folgendes im Terminal eingeben:
```
vi /home/ec2-user/.aws/config
```
1. Aktualisieren Sie die Datei mit den folgenden Profilinformationen:
```
[profile CrossAccountAccessProfile]
region = us-west-2
role_arn = arn:aws:iam::CodeCommitAccount:role/CrossAccountRepositoryContributorRole
credential_source=Ec2InstanceMetadata
output = json
```
Wo *CodeCommitAccount* ist das Konto, das das CodeCommit Repository enthält, *CrossAccountAccessProfile* ist der Name des neuen Profils und *CrossAccountRepositoryContributorRole* der Name der Rolle, die Sie im vorherigen Schritt erstellt haben.
1. Konfigurieren Sie in der Notebook-Instance Git zur Verwendung des im vorigen Schritt erstellten Profils:
1. Öffnen Sie die Notebook-Instance.
1. Rufen Sie ein Terminal in der Notebook-Instance auf.
1. Geben Sie Folgendes im Terminal ein, um die Git-Konfigurationsdatei zu bearbeiten:
```
vi /home/ec2-user/.gitconfig
```
1. Aktualisieren Sie die Datei mit den folgenden Profilinformationen:
```
[credential]
helper = !aws codecommit credential-helper --profile CrossAccountAccessProfile $@
UseHttpPath = true
```
Wo *CrossAccountAccessProfile* ist der Name des Profils, das Sie im vorherigen Schritt erstellt haben.
# Verwenden von Git-Repositorys in einer Notebook-Instance
Wenn Sie eine Notebook-Instance mit verknüpften Git-Repositorys öffnen, wird sie im Standard-Repository geöffnet, das in Ihrer Notebook-Instance direkt unter `/home/ec2-user/SageMaker` installiert ist. Sie können Notebooks öffnen und erstellen sowie Git-Befehle manuell in einer Notebookzelle ausführen. Beispiel:
```
!git pull origin master
```
Zum Öffnen der zusätzlichen Repositorys wechseln Sie in den übergeordneten Ordner. Die zusätzlichen Repositorys sind auch als Verzeichnisse unter `/home/ec2-user/SageMaker` installiert.
Wenn Sie die Notebook-Instanz mit einer JupyterLab Schnittstelle öffnen, ist die Jupyter-Git-Erweiterung installiert und kann verwendet werden. [Informationen zur Jupyter-Git-Erweiterung für finden Sie unter jupyterlab-git. JupyterLab https://github.com/jupyterlab/](https://github.com/jupyterlab/jupyterlab-git)
Wenn Sie eine Notebook-Instanz in öffnen JupyterLab, sehen Sie im linken Menü die damit verknüpften Git-Repositorys:
![\[Beispiel für einen Dateibrowser in JupyterLab.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/git-notebook.png)
Sie können die Jupyter-Git-Erweiterung anstelle der Befehlszeile verwenden, um Git visuell zu verwalten:
![\[Beispiel für die Jupyter-Git-Erweiterung in. JupyterLab\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/jupyterlab-git.png)
# Notebook-Instance-Metadaten
Wenn Sie eine Notebook-Instance erstellen, erstellt Amazon SageMaker AI eine JSON-Datei auf der Instance an dem Speicherort`/opt/ml/metadata/resource-metadata.json`, der das `ResourceName` und `ResourceArn` der Notebook-Instance enthält. Sie können von überall innerhalb der Notebook-Instance, einschließlich der Lebenszykluskonfigurationen, auf diese Metadaten zugreifen. Weitere Informationen zu Lebenszykluskonfigurationen für Notebook-Instances finden Sie unter [Anpassung einer SageMaker Notebook-Instanz mithilfe eines LCC-Skripts](notebook-lifecycle-config.md).
**Anmerkung**
Die `resource-metadata.json` Datei kann mit Root-Zugriff geändert werden.
Die Datei `resource-metadata.json` hat die folgende Struktur:
```
{
"ResourceArn": "NotebookInstanceArn",
"ResourceName": "NotebookInstanceName"
}
```
Sie können diese Metadaten in der Notebook-Instance verwenden, um weitere Informationen über die Notebook-Instance zu erhalten. Mit den folgenden Befehlen werden beispielsweise die Tags der Notebook-Instance abgerufen:
```
NOTEBOOK_ARN=$(jq '.ResourceArn'
/opt/ml/metadata/resource-metadata.json --raw-output)
aws sagemaker list-tags --resource-arn $NOTEBOOK_ARN
```
Die Ausgabe sollte wie folgt aussehen:
```
{
"Tags": [
{
"Key": "test",
"Value": "true"
}
]
}
```
# Überwachen Sie Jupyter-Protokolle in Amazon Logs CloudWatch
Jupyter-Protokolle enthalten wichtige Informationen wie Ereignisse, Metriken und Gesundheitsinformationen, die beim Betrieb von Amazon-Notebooks umsetzbare Erkenntnisse liefern. SageMaker Durch den Import von Jupyter-Protokollen in Logs können Kunden CloudWatch Logs verwenden CloudWatch , um anomales Verhalten zu erkennen, Alarme einzustellen und Erkenntnisse zu gewinnen, um einen reibungsloseren Betrieb der KI-Notebooks zu gewährleisten. SageMaker Sie können auf die Protokolle auch dann zugreifen, wenn die Amazon-EC2-Instance, die das Notebook hostet, nicht reagiert, und die Protokolle zur Fehlerbehebung des nicht reagierenden Notebooks verwenden. Vertrauliche Informationen wie AWS Konten IDs, geheime Schlüssel und Authentifizierungstoken in vorsignierten Dateien URLs werden entfernt, sodass Kunden Logs teilen können, ohne private Informationen preiszugeben.
**So zeigen Sie Jupyter-Protokolle für eine Notebook-Instance an:**
1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die SageMaker AI-Konsole unter. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Wählen Sie **Notebook instances (Notebook-Instances)** aus.
1. Wählen Sie in der Liste der Notebook-Instances die Notebook-Instance aus, für die Sie die Jupyter-Protokolle anzeigen möchten, indem Sie den **Namen** der Notebook-Instance auswählen.
Dadurch gelangen Sie zur Seite mit den Details für diese Notebook-Instance.
1. Wählen Sie unter **Monitor (Überwachen)** auf der Detailseite der Notebook-Instance die Option **View logs (Protokolle anzeigen)** aus.
1. Wählen Sie in der CloudWatch Konsole den Protokollstream für Ihre Notebook-Instanz aus. Der Name hat das Format `NotebookInstanceName/jupyter.log`.
Weitere Informationen zur Überwachung von CloudWatch Logs für SageMaker KI finden Sie unter[CloudWatch Protokolle für Amazon SageMaker AI](logging-cloudwatch.md).
# Amazon SageMaker Studio-Labor
**Anmerkung**
Ab dem 8. August 2025 verwendet Amazon SageMaker Studio Lab JupyterLab 4 statt JupyterLab 3. Sollten Sie Abhängigkeitsprobleme feststellen, installieren Sie bitte alle Erweiterungen, die Sie Ihren Umgebungen hinzugefügt haben, erneut.
Amazon SageMaker Studio Lab ist ein kostenloser Service, der Kunden Zugriff auf AWS Rechenressourcen in einer Umgebung bietet, die auf Open Source JupyterLab 4 basiert. Es basiert auf derselben Architektur und Benutzeroberfläche wie Amazon SageMaker Studio Classic, verfügt jedoch über einen Teil der Funktionen von Studio Classic.
Mit Studio Lab können Sie AWS Rechenressourcen verwenden, um Ihre Jupyter-Notebooks zu erstellen und auszuführen, ohne sich für ein Konto registrieren zu müssen. AWS Da Studio Lab auf Open Source basiert, können Sie die Vorteile von Open-Source-Jupyter-Erweiterungen nutzen JupyterLab, um Ihre Jupyter-Notebooks auszuführen.
**Studio Lab im Vergleich zu Amazon SageMaker Studio Classic**
Während Studio Lab kostenlosen Zugriff auf AWS Rechenressourcen bietet, bietet Amazon SageMaker Studio Classic die folgenden erweiterten Funktionen für maschinelles Lernen, die Studio Lab nicht unterstützt.
+ Kontinuierliche Integration und kontinuierliche Bereitstellung (Pipelines)
+ Echtzeitprognosen
+ Umfangreiches dezentrales Schulen
+ Datenaufbereitung (Amazon SageMaker Data Wrangler)
+ Datenkennzeichnung (Amazon SageMaker Ground Truth)
+ Kernfunktionen
+ Bias-Analyse (Klären)
+ Modellbereitstellung
+ Modellüberwachung
Studio Classic unterstützt auch differenzierte Zugriffskontrolle und Sicherheit mithilfe von AWS Identity and Access Management (IAM), Amazon Virtual Private Cloud (Amazon VPC) und (). AWS Key Management Service AWS KMS Studio Lab unterstützt diese Studio Classic-Funktionen nicht und unterstützt auch nicht die Verwendung von Schätzern und integrierten KI-Algorithmen. SageMaker
Informationen zum Exportieren Ihrer Studio-Lab-Projekte zur Verwendung mit Studio Classic finden Sie unter [Exportieren Sie eine Amazon SageMaker Studio Lab-Umgebung nach Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
Die folgenden Themen enthalten Informationen zu Studio Lab und seiner Verwendung
**Topics**
+ [Überblick über die Komponenten von Amazon SageMaker Studio Lab](studio-lab-overview.md)
+ [Einsteigen in Amazon SageMaker Studio Lab](studio-lab-onboard.md)
+ [Verwalten Ihrer Konten](studio-lab-manage-account.md)
+ [Starten Sie Ihre Amazon SageMaker Studio Lab-Projektlaufzeit](studio-lab-manage-runtime.md)
+ [Verwenden Sie Amazon SageMaker Studio Lab-Starter-Assets](studio-lab-integrated-resources.md)
+ [Vorinstallierte Studio Lab-Umgebungen](studio-lab-environments.md)
+ [Verwenden Sie die Amazon SageMaker Studio Lab-Projektlaufzeit](studio-lab-use.md)
+ [Fehlerbehebung](studio-lab-troubleshooting.md)
# Überblick über die Komponenten von Amazon SageMaker Studio Lab
Amazon SageMaker Studio Lab besteht aus den folgenden Komponenten. In den folgenden Themen werden diese Komponenten ausführlich erörtert.
**Topics**
+ [Landingpage](#studio-lab-overview-landing)
+ [Studio Lab-Konto](#studio-lab-overview-account)
+ [Projektübersichtsseite](#studio-lab-overview-project-overview)
+ [Vorschauseite](#studio-lab-overview-preview)
+ [Projekt](#studio-lab-overview-project)
+ [Instance-Typ berechnen](#studio-lab-overview-project-compute)
+ [Laufzeit des Projekts](#studio-lab-overview-runtime)
+ [Sitzung](#studio-lab-overview-session)
## Landingpage
Sie können auf Ihrer Landingpage ein Konto beantragen und sich mit einem bestehenden Konto anmelden. Um zur Landing Page zu gelangen, besuchen Sie die [Amazon SageMaker Studio Lab-Website](https://studiolab.sagemaker.aws/). Weitere Informationen zum Erstellen eines Studio Lab Benutzerkontos finden Sie unter [Einsteigen in Amazon SageMaker Studio Lab](studio-lab-onboard.md).
Der folgende Screenshot zeigt die Landingpage-Oberfläche von Studio Lab für die Beantragung eines Benutzerkontos und die Anmeldung.
![\[Das Landingpage-Layout von Amazon SageMaker Studio Lab.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio-lab-landing.png)
## Studio Lab-Konto
Mit Ihrem Studio Lab-Konto erhalten Sie Zugriff auf Studio Lab. Weitere Informationen zum Erstellen eines Benutzerkontos finden Sie unter [Einsteigen in Amazon SageMaker Studio Lab](studio-lab-onboard.md).
## Projektübersichtsseite
Auf dieser Seite können Sie eine Rechen-Instance starten und Informationen zu Ihrem Projekt einsehen. Um zu dieser Seite zu gelangen, müssen Sie sich von der [Amazon SageMaker Studio Lab-Website](https://studiolab.sagemaker.aws/) aus anmelden. Die URL nimmt folgendes Format an.
```
https://studiolab.sagemaker.aws/users/
```
Der folgende Screenshot zeigt eine Projektübersicht in der Studio Lab-Benutzeroberfläche.
![\[Das Layout der Benutzeroberfläche für die Projektübersicht.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio-lab-overview.png)
## Vorschauseite
Auf dieser Seite können Sie auf eine schreibgeschützte Vorschau eines Jupyter Notebooks zugreifen. Sie können das Notebook nicht in der Vorschau ausführen, aber Sie können das Notebook in Ihr Projekt kopieren. Für viele Kunden ist dies möglicherweise die erste Studio Lab-Seite, die Kunden sehen, da sie möglicherweise ein Notizbuch von einem Notizbuch aus GitHub öffnen. Weitere Informationen zur Verwendung von GitHub Ressourcen finden Sie unter[Verwenden Sie Ressourcen GitHub](studio-lab-use-external.md#studio-lab-use-external-clone-github).
So kopieren Sie die Notebook-Vorschau in Ihr Studio Lab-Projekt:
1. Melden Sie sich bei Ihrem Studio Lab-Konto an. Weitere Informationen zum Erstellen eines Studio Lab-Benutzerkontos finden Sie unter [Einsteigen in Amazon SageMaker Studio Lab](studio-lab-onboard.md).
1. Wählen Sie unter **Notebook-Rechen-Instance** einen Compute-Instance-Typ aus. Weitere Informationen über Compute-Instance-Typen finden Sie unter [Instance-Typ berechnen](#studio-lab-overview-project-compute).
1. Wählen Sie **Laufzeit starten** aus. Möglicherweise werden Sie aufgefordert, ein CAPTCHA-Rätsel zu lösen. Weitere Informationen zu CAPTCHA finden Sie unter [Was ist ein CAPTCHA-Puzzle?](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)
1. Einmaliges Einrichten, zum ersten Mal die Runtime mit Ihrem Studio Lab-Konto starten:
1. Geben Sie eine Handynummer ein, die mit Ihrem Amazon SageMaker Studio Lab-Konto verknüpft werden soll, und wählen Sie **Weiter**.
Informationen zu unterstützten Ländern und Regionen finden Sie unter [Unterstützte Länder und Regionen (SMS-Kanal)](https://docs.aws.amazon.com/pinpoint/latest/userguide/channels-sms-countries.html).
1. Geben Sie den sechsstelligen Code ein, der an die zugehörige Handynummer gesendet wurde, und wählen Sie **Verifizieren** aus.
1. Wählen Sie In **Projekt kopieren** aus.
## Projekt
Ihr Projekt enthält alle Ihre Dateien und Ordner, einschließlich Ihrer Jupyter Notebooks. Sie haben volle Kontrolle über die Dateien in Ihrem Projekt. Ihr Projekt umfasst auch die JupyterLab basierte Benutzeroberfläche. Über diese Oberfläche können Sie mit Ihren Jupyter-Notebooks interagieren, Ihre Quellcodedateien bearbeiten, Amazon S3 integrieren und eine Verbindung zu GitHub Amazon S3 herstellen. Weitere Informationen finden Sie unter [Verwenden Sie die Amazon SageMaker Studio Lab-Projektlaufzeit](studio-lab-use.md).
Der folgende Screenshot zeigt ein Studio Lab-Projekt, bei dem der Dateibrowser geöffnet ist und der Studio Lab Launcher angezeigt wird.
![\[Das Layout der Benutzeroberfläche für die Projektübersicht.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio-lab-ui.png)
## Instance-Typ berechnen
Ihre Amazon SageMaker Studio Lab-Projektlaufzeit basiert auf einer EC2-Instance. Ihnen werden 15 GB Speicherplatz und 16 GB RAM zugewiesen. Die Verfügbarkeit von Rechen-Instances ist nicht garantiert und unterliegt der Nachfrage. Wenn Sie zusätzliche Speicher- oder Rechenressourcen benötigen, sollten Sie einen Wechsel zu Studio in Betracht ziehen.
Amazon SageMaker Studio Lab bietet die Wahl zwischen einer CPU (Central Processing Unit) und einer GPU (Graphical Processing Unit). Die folgenden Abschnitte enthalten Informationen zu diesen beiden Optionen, einschließlich Anleitungen zur Auswahl.
**CPU**
Eine Zentraleinheit (CPU) ist darauf ausgelegt, eine Vielzahl von Aufgaben effizient zu bewältigen, hat jedoch nur eine begrenzte Anzahl von Aufgaben, die sie gleichzeitig ausführen kann. Für Machine Learning wird eine CPU für rechenintensive Algorithmen wie Zeitreihen, Prognosen und Tabellendaten empfohlen.
Der CPU-Berechnungstyp hat jeweils bis zu 4 Stunden mit einem Limit von 8 Stunden in einem Zeitraum von 24 Stunden.
**GPU**
Eine Grafikverarbeitungseinheit (GPU) dient zum gleichzeitigen Rendern von Bildern und Videos mit hoher Auflösung. Eine GPU wird für Deep-Learning-Aufgaben empfohlen, insbesondere für Transformatoren und Computer Vision.
Der GPU-Berechnungstyp hat jeweils bis zu 4 Stunden mit einem Limit von 4 Stunden in einem Zeitraum von 24 Stunden.
**Rechenzeit**
Wenn die Rechenzeit für Studio Lab ihr Zeitlimit erreicht, stoppt die Instance alle laufenden Berechnungen. Studio Lab unterstützt keine Erhöhung des Zeitlimits.
Studio Lab speichert Ihre Umgebung automatisch, wenn Sie Ihre Umgebung aktualisieren und jedes Mal, wenn Sie eine neue Datei erstellen. Benutzerdefiniert installierte Erweiterungen und Pakete bleiben auch nach Ablauf Ihrer Laufzeit bestehen.
Dateiänderungen werden regelmäßig gespeichert, aber nicht gespeichert, wenn Ihre Laufzeit endet. Um sicherzustellen, dass Sie Ihren Fortschritt nicht verlieren, speichern Sie Ihre Arbeit manuell. Wenn Sie Inhalte in Ihrem Studio Lab-Projekt haben, die Sie nicht verlieren möchten, empfehlen wir Ihnen, Ihre Inhalte an einem anderen Ort zu sichern. Weitere Informationen zum Exportieren der Umgebung und der Dateien finden Sie unter [Exportieren Sie eine Amazon SageMaker Studio Lab-Umgebung nach Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
Während langer Berechnungen müssen Sie Ihr Projekt nicht geöffnet lassen. Sie können beispielsweise mit dem Training eines Modells beginnen und dann Ihren Browser schließen. Die Instance läuft in einem 24-Stunden-Zeitraum bis zur Obergrenze der Rechenart. Sie können sich dann später anmelden, um Ihre Arbeit fortzusetzen.
Wir empfehlen Ihnen, Checkpointing in Ihren Deep-Learning-Jobs zu verwenden. Sie können gespeicherte Checkpoints verwenden, um einen Job vom zuvor gespeicherten Checkpoint aus neu zu starten. Weitere Informationen finden Sie unter [Datei-E/A](https://d2l.ai/chapter_deep-learning-computation/read-write.html?highlight=checkpointing).
## Laufzeit des Projekts
Die Projektlaufzeit ist der Zeitraum, in dem Ihre Rechen-Instance läuft.
## Sitzung
Eine Benutzersitzung beginnt jedes Mal, wenn Sie Ihr Projekt starten.
# Einsteigen in Amazon SageMaker Studio Lab
Folgen Sie den Schritten in diesem Handbuch, um Amazon SageMaker Studio Lab zu nutzen. In den folgenden Abschnitten erfahren Sie, wie Sie ein Studio Lab-Konto beantragen, Ihr Konto erstellen und sich anmelden.
**Topics**
+ [Beantragen Sie ein Studio Lab-Konto](#studio-lab-onboard-request)
+ [Erstellen Sie ein Studio Lab-Konto](#studio-lab-onboard-register)
+ [Melden Sie sich bei Studio an](#studio-lab-onboard-signin)
## Beantragen Sie ein Studio Lab-Konto
Um Studio Lab nutzen zu können, müssen Sie zunächst die Genehmigung zur Erstellung eines Studio Lab-Kontos beantragen. Ein AWS Konto kann nicht für das Onboarding bei Studio Lab verwendet werden.
Nachfolgend wird beschrieben, wie Sie ein Studio Lab-Konto beantragen.
1. Navigieren Sie zur [Studio Lab-Landingpage](https://studiolab.sagemaker.aws).
1. Wählen Sie **Konto anfordern** aus.
1. Geben Sie die erforderlichen Informationen ein.
1. Wählen Sie **Anfrage einreichen** aus.
1. Wenn Sie eine E-Mail zur Verifizierung Ihrer E-Mail-Adresse erhalten, befolgen Sie die Anweisungen in der E-Mail, um diesen Schritt abzuschließen.
Ihre Kontoanfrage muss genehmigt werden, bevor Sie sich für ein Studio Lab-Konto registrieren können. Ihre Anfrage wird innerhalb von fünf Werktagen geprüft. Wenn Ihre Kontoanfrage genehmigt wurde, erhalten Sie eine E-Mail mit einem Link zur Studio Lab-Kontoregistrierungsseite. Dieser Link läuft sieben Tage nach der Genehmigung Ihrer Anfrage ab. Wenn der Link abläuft, müssen Sie eine neue Kontoanfrage stellen.
Hinweis: Ihre Kontoanfrage wird abgelehnt, wenn Ihre E-Mail-Adresse mit Aktivitäten in Verbindung gebracht wurde, die gegen unsere [Nutzungsbedingungen](https://aws.amazon.com/service-terms/) oder andere Vereinbarungen verstoßen.
### Empfehlungscodes
Mit den Empfehlungscodes von Studio Lab können neue Kontoanfragen automatisch genehmigt werden, um Veranstaltungen zum Machine Learning wie Workshops, Hackathons und Kurse zu unterstützen. Mit einem Empfehlungscode kann ein vertrauenswürdiger Gastgeber seinen Teilnehmern sofortigen Zugriff auf Studio Lab gewähren. Nachdem ein Konto mit einem Empfehlungscode erstellt wurde, besteht das Konto auch nach Ablauf des Codes weiter.
Um einen Empfehlungscode zu erhalten, wenden Sie sich an [Vertriebssupport](https://aws.amazon.com/contact-us/sales-support/). Um einen Empfehlungscode zu verwenden, geben Sie den Code als Teil des Kontoanforderungsformulars ein.
## Erstellen Sie ein Studio Lab-Konto
Nachdem Ihre Anfrage genehmigt wurde, führen Sie die folgenden Schritte zum Erstellen Ihres Studio Lab-Kontos durch.
1. Wählen Sie in der Bestätigungs-E-Mail zur Kontoanfrage die Option **Konto erstellen** aus, um eine neue Seite zu öffnen.
1. Geben Sie auf der neuen Seite Ihre **E-Mail-Adresse**, ein **Passwort** und einen **Benutzernamen** ein.
1. Wählen Sie **Konto erstellen** aus.
Möglicherweise werden Sie gebeten, ein CAPTCHA-Rätsel zu lösen. Weitere Informationen zu CAPTCHA finden Sie unter [Was ist ein CAPTCHA-Puzzle?](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)
## Melden Sie sich bei Studio an
Nachdem Sie sich für Ihr Konto registriert haben, können Sie sich bei Studio Lab anmelden.
1. Navigieren Sie zur [Studio Lab-Landingpage](https://studiolab.sagemaker.aws).
1. Wählen Sie **Anmelden** aus, um eine neue Seite zu öffnen.
1. Geben Sie Ihre **E-Mail-Adresse** oder Ihren **Benutzernamen** und Ihr **Passwort** ein.
1. Wählen Sie **Anmelden** aus, um eine neue Seite für Ihr Projekt zu öffnen.
Möglicherweise werden Sie gebeten, ein CAPTCHA-Rätsel zu lösen. Weitere Informationen zu CAPTCHA finden Sie unter [Was ist ein CAPTCHA-Puzzle?](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)
# Verwalten Ihrer Konten
Das folgende Thema enthält Informationen zur Verwaltung Ihres Kontos, einschließlich der Änderung Ihres Passworts, der Löschung Ihres Kontos und des Abrufs von Informationen, die wir gesammelt haben. Für diese Themen müssen Sie sich bei Ihrem Amazon SageMaker Studio Lab-Konto anmelden. Weitere Informationen finden Sie unter [Melden Sie sich bei Studio an](studio-lab-onboard.md#studio-lab-onboard-signin).
## Ändern Sie Ihr Passwort
Gehen Sie wie folgt vor, um Ihr Amazon SageMaker Studio Lab-Passwort zu ändern.
1. Navigieren Sie zur Projektübersichtsseite von Studio Lab. Die URL nimmt folgendes Format an.
```
https://studiolab.sagemaker.aws/users/
```
1. Wählen Sie in der oberen rechten Ecke Ihren Benutzernamen aus, um ein Dropdown-Menü zu öffnen.
1. Wählen Sie im Dropdown-Menü die Option **Passwort ändern** aus, um eine neue Seite zu öffnen.
1. Geben Sie Ihr aktuelles Passwort in das Feld **Geben Sie Ihr aktuelles Passwort** ein.
1. Geben Sie Ihr neues Passwort in die Felder **Neues Passwort erstellen** und **Neues Passwort bestätigen** ein.
1. Wählen Sie **Absenden** aus.
## Löschen Ihres Kontos
Gehen Sie folgendermaßen vor, um Ihr Studio Lab-Konto zu löschen.
1. Navigieren Sie zur Studio Lab-Projektübersichtsseite. Die URL nimmt folgendes Format an.
```
https://studiolab.sagemaker.aws/users/
```
1. Wählen Sie in der oberen rechten Ecke Ihren Benutzernamen aus, um ein Dropdown-Menü zu öffnen.
1. Wählen Sie im Dropdown-Menü **Konto löschen** aus, um eine neue Seite zu öffnen.
1. Geben Sie Ihr Passwort ein, um das Löschen Ihres Studio Lab-Kontos zu bestätigen.
1. Wählen Sie **Löschen** aus.
## Kundeninformationen
Studio Lab erfasst Ihre E-Mail-Adresse, Ihren Benutzernamen, Ihr verschlüsseltes Passwort, Ihre Projektdateien und Metadaten. Wenn Sie ein Konto beantragen, können Sie optional Ihren Vor- und Nachnamen, Ihr Land, den Namen der Organisation, Ihren Beruf und den Grund für Ihr Interesse an diesem Produkt angeben. Wir schützen alle persönlichen Kundendaten durch Verschlüsselung. Weitere Informationen zum Umgang mit Ihren personenbezogenen Daten finden Sie in der [Datenschutzerklärung](https://aws.amazon.com//privacy/).
Wenn Sie Ihr Konto löschen, werden alle Ihre Daten sofort gelöscht. Wenn Sie diesbezüglich eine Anfrage haben, reichen Sie das [Amazon SageMaker Studio Lab-Formular](https://pages.awscloud.com/GLOBAL_PM_PA_amazon-sagemaker_20211116_7014z000000rjq2-registration.html) ein. Informationen und Unterstützung im Zusammenhang mit der Einhaltung von AWS Vorschriften finden Sie unter [Compliance-Support](https://aws.amazon.com//contact-us/compliance-support/).
# Starten Sie Ihre Amazon SageMaker Studio Lab-Projektlaufzeit
Mit der Amazon SageMaker Studio Lab-Projektlaufzeit können Sie Code direkt in Ihrem Browser schreiben und ausführen. Sie basiert auf einem integrierten Terminal JupyterLab und einer Konsole und verfügt über ein integriertes Terminal. Weitere Informationen zu JupyterLab finden Sie in der [JupyterLabDokumentation](https://jupyterlab.readthedocs.io/en/stable/).
Das folgende Thema enthält Informationen zur Verwaltung Ihrer Projektlaufzeit. Für diese Themen müssen Sie sich bei Ihrem Amazon SageMaker Studio Lab-Konto anmelden. Weitere Informationen zum Anmelden als Benutzer finden Sie unter [Melden Sie sich bei Studio an](studio-lab-onboard.md#studio-lab-onboard-signin). Weitere Informationen zur Konfiguration des Projekts finden Sie unter [Überblick über die Komponenten von Amazon SageMaker Studio Lab](studio-lab-overview.md).
**Topics**
+ [Starten Sie Ihre Projektlaufzeit](#studio-lab-manage-runtime-start)
+ [Stoppen Sie Ihre Projektlaufzeit](#studio-lab-manage-runtime-stop)
+ [Verbleibende Rechenzeit anzeigen](#studio-lab-manage-runtime-view)
+ [Ändern Sie Ihren Rechnertyp](#studio-lab-manage-runtime-change)
## Starten Sie Ihre Projektlaufzeit
Um Studio Lab verwenden zu können, müssen Sie Ihre Projektlaufzeit starten. Diese Laufzeit gibt Ihnen Zugriff auf die JupyterLab Umgebung.
1. Navigieren Sie zur Projektübersichtsseite von Studio Lab. Die URL nimmt folgendes Format an:
```
https://studiolab.sagemaker.aws/users/
```
1. Wählen Sie unter **Mein Projekt** einen Berechnungstyp aus. Weitere Informationen zu Datentypen finden Sie unter [Instance-Typ berechnen](studio-lab-overview.md#studio-lab-overview-project-compute).
1. Wählen Sie **Laufzeit starten** aus.
Möglicherweise werden Sie aufgefordert, ein CAPTCHA-Rätsel zu lösen. Weitere Informationen zu CAPTCHA finden Sie unter [Was ist ein CAPTCHA-Puzzle?](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)
1. Einmaliges Einrichten, zum ersten Mal die Runtime mit Ihrem Studio Lab-Konto starten:
1. Geben Sie eine Handynummer ein, die mit Ihrem Amazon SageMaker Studio Lab-Konto verknüpft werden soll, und wählen Sie **Weiter**.
Informationen zu unterstützten Ländern und Regionen finden Sie unter [Unterstützte Länder und Regionen (SMS-Kanal)](https://docs.aws.amazon.com/pinpoint/latest/userguide/channels-sms-countries.html).
1. Geben Sie den sechsstelligen Code ein, der an die zugehörige Handynummer gesendet wurde, und wählen Sie **Verifizieren** aus.
1. Wenn die Runtime läuft, wählen Sie **Projekt öffnen** aus, um die Projekt-Laufzeitumgebung in einem neuen Browser-Tab zu öffnen.
## Stoppen Sie Ihre Projektlaufzeit
Wenn Sie Ihre Projektlaufzeit beenden, werden Ihre Dateien nicht automatisch gespeichert. Um sicherzustellen, dass Sie Ihre Arbeit nicht verlieren, speichern Sie alle Ihre Änderungen, bevor Sie die Projektlaufzeit beenden.
+ Wählen Sie unter **Mein Projekt** die Option **Laufzeit beenden** aus.
## Verbleibende Rechenzeit anzeigen
Ihre Projektlaufzeit hat je nach dem von Ihnen ausgewählten Berechnungstyp eine begrenzte Rechenzeit. Weitere Informationen zur Computing-Time in Studio Lab finden Sie unter [Instance-Typ berechnen](studio-lab-overview.md#studio-lab-overview-project-compute).
+ Sehen Sie sich unter **Mein Projekt** die Option **Verbleibende Zeit** an.
## Ändern Sie Ihren Rechnertyp
Sie können Ihren Berechnungstyp je nach Arbeitsablauf ändern. Weitere Informationen zu Datentypen finden Sie unter [Instance-Typ berechnen](studio-lab-overview.md#studio-lab-overview-project-compute).
1. Speichern Sie alle Projektdateien, bevor Sie den Berechnungstyp ändern.
1. Navigieren Sie zur Projektübersichtsseite von Studio Lab. Die URL nimmt folgendes Format an:
```
https://studiolab.sagemaker.aws/users/
```
1. Wählen Sie unter **Mein Projekt** den gewünschten Berechnungstyp (CPU oder GPU) aus.
1. Bestätigen Sie Ihre Auswahl, indem Sie in der **Runtime des Projekts?** die Option **Neu starten ** auswählen. Studio Lab stoppt Ihre aktuelle Projektlaufzeit und startet dann eine neue Projektlaufzeit mit Ihrem aktualisierten Berechnungstyp.
1. Nachdem Ihre Projektlaufzeit gestartet wurde, wählen Sie **Projekt öffnen** aus. Dadurch wird Ihre Projekt-Laufzeit-Umgebung in einer neuen Browser-Registerkarte geöffnet. Informationen zu den einzelnen Laufzeitumgebungen finden Sie unter [Verwenden Sie die Amazon SageMaker Studio Lab-Projektlaufzeit](studio-lab-use.md).
# Verwenden Sie Amazon SageMaker Studio Lab-Starter-Assets
Amazon SageMaker Studio Lab unterstützt die folgenden Ressourcen, um Anwendern des maschinellen Lernens (ML) den Einstieg zu erleichtern. In dieser Anleitung erfahren Sie, wie Sie Notebooks für Ihr Projekt klonen.
**Erste Schritte Notebook**
Studio Lab wird mit einem Starter-Notebook geliefert, das allgemeine Informationen enthält und Sie durch die wichtigsten Workflows führt. Wenn Sie Ihre Projektlaufzeit zum ersten Mal starten, wird dieses Notebook automatisch geöffnet.
**Eintauchen in Deep Learning**
Dive into Deep Learning (D2L) ist ein interaktives Open-Source-Buch, das die Ideen, die mathematische Theorie und den Code vermittelt, die Machine Learning ermöglichen. Mit über 150 Jupyter Notebooks bietet D2L einen umfassenden Überblick über die Prinzipien von Deep Learning. Weitere Informationen über D2L finden Sie auf der [D2L-Website](https://d2l.ai/).
Die folgenden Schritte zeigen, wie Sie die D2L Jupyter Notebooks auf Ihre Instance klonen.
1. Starten und öffnen Sie die Studio Lab Projektlaufzeitumgebung, indem Sie [Starten Sie Ihre Projektlaufzeit](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start) folgen.
1. Sobald Studio Lab geöffnet ist, wählen Sie in der linken Seitenleiste den Tab Git (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/git.png)).
1. Wählen Sie **Repository klonen**.
Wenn die Option **Repository klonen** nicht angezeigt wird, kann dies daran liegen, dass Sie sich derzeit in einem Git-Repository befinden. Verwenden Sie stattdessen die folgenden Teilschritte.
1. Wählen Sie in der linken Seitenleiste die Registerkarte „Ordner“ (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder.png)) aus.
1. Wählen Sie unter der Dateisuchleiste das Ordnersymbol links neben dem aktuell ausgewählten Repository aus. Wenn Sie den Mauszeiger über das Ordnersymbol bewegen, wird das Benutzerverzeichnis (`/home/studio-lab-user`) angezeigt.
1. Sobald Sie im Benutzerverzeichnis sind, wählen Sie die Git-Registerkarte in der linken Seitenleiste aus.
1. Wählen Sie **Repository klonen**.
1. Unter **Git-Repository-URL (.git)** werden Sie aufgefordert, eine URL anzugeben.
1. Navigieren Sie in einer neuen Browser-Registerkarte zu Ihrer Projektübersichtsseite. Die URL nimmt folgendes Format an.
```
https://studiolab.sagemaker.aws/users/
```
1. Unter **Neu im Bereich Machine Learning?**, wählen Sie **Eintauchen in Deep Learning** aus.
1. Wählen Sie im neuen Browser-Tab „**Tauchen Sie in Deep Learning**“ aus, ob Sie **GitHub**eine neue Seite mit den Beispielnotizbüchern öffnen möchten.
1. Wählen Sie **Code** und kopieren Sie die URL des GitHub Repositorys in den **HTTPS-Tab**.
1. Kehren Sie zum Studio Lab zurück, öffnen Sie den Projektbrowser-Tab, fügen Sie die URL des D2L-Repositorys ein und klonen Sie das Repository.
**AWS Universität für Machine Learning**
Die AWS Machine Learning University (MLU) bietet Zugang zu den Kursen für maschinelles Lernen, mit denen Amazons eigene Entwickler geschult werden. Mit der AWS MLU Accelerator-Lernserie von learn-at-your-own -pace kann jeder Entwickler lernen, wie man maschinelles Lernen einsetzt. Die MLU Accelerator-Serie soll Entwicklern helfen, ihre ML-Reise zu beginnen. Sie bietet dreitägige Grundlagenkurse zu diesen drei Themen: Verarbeitung natürlicher Sprache, Tabellarische Daten und Computer Vision. Weitere Informationen finden Sie unter [Machine Learning University](https://aws.amazon.com//machine-learning/mlu/).
Das folgende Verfahren zeigt, wie Sie die AWS MLU Jupyter-Notebooks auf Ihre Instanz klonen.
1. Starten und öffnen Sie die Studio Lab-Projektlaufzeitumgebung, indem Sie [Starten Sie Ihre Projektlaufzeit](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start) folgen.
1. Sobald Studio Lab geöffnet ist, wählen Sie in der linken Seitenleiste den Tab Git (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/git.png)).
1. Wählen Sie **Repository klonen**.
Wenn die Option **Repository klonen** nicht angezeigt wird, kann dies daran liegen, dass Sie sich derzeit in einem Git-Repository befinden. Verwenden Sie stattdessen die folgenden Teilschritte.
1. Wählen Sie in der linken Seitenleiste die Registerkarte „Ordner“ (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder.png)) aus.
1. Wählen Sie unter der Dateisuchleiste das Ordnersymbol links neben dem aktuell ausgewählten Repository aus. Wenn Sie den Mauszeiger über das Ordnersymbol bewegen, wird das Benutzerverzeichnis (`/home/studio-lab-user`) angezeigt.
1. Sobald Sie im Benutzerverzeichnis sind, wählen Sie die Git-Registerkarte in der linken Seitenleiste aus.
1. Wählen Sie **Repository klonen**.
1. Unter **Git-Repository-URL (.git)** werden Sie aufgefordert, eine URL anzugeben.
1. Navigieren Sie in einer neuen Browser-Registerkarte zu Ihrer Projektübersichtsseite. Die URL nimmt folgendes Format an.
```
https://studiolab.sagemaker.aws/users/
```
1. Unter **Neu im Bereich Machine Learning?**, wählen Sie **AWS Machine Learning University**.
1. Suchen Sie im neuen Browser-Tab der **AWS Machine Learning University** nach einem Kurs, der Sie interessiert, indem Sie die **Kurszusammenfassung** für jeden Kurs lesen.
1. Wählen Sie unter **Kursinhalt** das entsprechende GitHub Repository von Interesse aus, um eine neue Seite mit den Beispielnotizbüchern zu öffnen.
1. Wählen Sie **Code** und kopieren Sie die URL des GitHub Repositorys in den **HTTPS-Tab**.
1. Kehren Sie zum Studio Lab zurück, öffnen Sie die Projektbrowser-Registerkarte, fügen Sie die URL des D2L-Repositorys ein und wählen Sie **Klonen** aus, um das Repository zu klonen.
**Roboflow**
Roboflow bietet Ihnen die Tools zum Trainieren, Feinabstimmen und Kennzeichnen von Objekten für Computer-Vision-Anwendungen. Weitere Informationen finden Sie unter [https://roboflow.com/](https://roboflow.com/).
Die folgenden Schritte zeigen, wie Sie die Roboflow Jupyter Notebooks auf Ihre Instance klonen.
1. Navigieren Sie zur Projektübersichtsseite von Studio Lab. Die URL nimmt folgendes Format an:
```
https://studiolab.sagemaker.aws/users/
```
1. Suchen Sie unter **Ressourcen und Community** nach **KI-generierte Bilder erstellen**.
1. Wählen Sie unter **KI-generierte Bilder erstellen** die Option **Notebook öffnen** aus.
1. Folgen Sie dem Tutorial unter der Notebook-Vorschau.
# Vorinstallierte Studio Lab-Umgebungen
Amazon SageMaker Studio Lab verwendet Conda-Umgebungen, um Pakete (oder Bibliotheken) für Ihre Projekte zu verwalten. In diesem Handbuch wird erklärt, was Conda-Umgebungen sind, wie man mit ihnen interagiert und welche verschiedenen vorinstallierten Umgebungen in Studio Lab verfügbar sind.
Eine Conda-Umgebung ist ein Verzeichnis, das eine Sammlung von Paketen enthält, die Sie installiert haben. Sie ermöglicht Ihnen, isolierte Umgebungen mit spezifischen Paketversionen zu erstellen, wodurch Konflikte zwischen Projekten mit unterschiedlichen Abhängigkeiten vermieden werden.
Sie können mit Conda-Umgebungen in Studio Lab auf zwei Arten interagieren:
+ Terminal: Verwenden Sie das Terminal, um Umgebungen zu erstellen, zu aktivieren und zu verwalten.
+ JupyterLab Notizbuch: Wählen Sie beim Öffnen eines JupyterLab Notebooks den Kernel mit dem Umgebungsnamen aus, den Sie verwenden möchten, um die in dieser Umgebung installierten Pakete zu verwenden.
Eine schrittweise Anleitung zur Verwaltung Ihrer Umgebungen finden Sie unter [Verwalten Sie Ihre Umgebung](studio-lab-use-manage.md).
Studio Lab verfügt über mehrere vorinstallierte Umgebungen, die entweder persistente oder nicht persistente Speicherumgebungen sind. Alle Änderungen, die an Umgebungen mit persistentem Speicher vorgenommen wurden, bleiben für Ihre nächste Sitzung bestehen. Alle Änderungen an nicht persistenten Speicherumgebungen bleiben nicht für Ihre nächsten Sitzungen bestehen, aber die darin enthaltenen Pakete werden von Amazon AI aktualisiert und auf Kompatibilität getestet. SageMaker Im Folgenden finden Sie eine Übersicht über jede Umgebung und ihren Anwendungsfall:
+ `sagemaker-distribution`: Eine nicht persistente Umgebung, die von Amazon SageMaker AI verwaltet wird. Sie enthält beliebte Pakete für Machine Learning, Datenwissenschaft und Visualisierung. Diese Umgebung wird regelmäßig aktualisiert und auf Kompatibilität getestet. Verwenden Sie diese Umgebung, wenn Sie eine vollständig verwaltete Konfiguration mit vorinstallierten gängigen Paketen wünschen.
Die `sagemaker-distribution` Umgebung ist eng mit der Umgebung verwandt, die in Amazon SageMaker Studio Classic verwendet wird. Nach dem Übergang von Studio Lab zu Studio Classic sollten die Notebooks also ähnlich laufen. Informationen zum Exportieren Ihrer Umgebung von Studio Lab nach Studio Classic finden Sie unter [Exportieren Sie eine Amazon SageMaker Studio Lab-Umgebung nach Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
+ `default`: Eine persistente Umgebung mit nur wenigen vorinstallierten Paketen. Verwenden Sie diese Umgebung, wenn Sie sie durch die Installation zusätzlicher Pakete erheblich anpassen möchten.
+ `studiolab`: Eine persistente Umgebung, in der JupyterLab und verwandte Pakete installiert sind. Verwenden Sie diese Umgebung für die Konfiguration der JupyterLab Benutzeroberfläche und die Installation von Jupyter-Servererweiterungen.
+ `studiolab-safemode`: Eine nicht persistente Umgebung, die automatisch aktiviert wird, wenn ein Problem mit der Laufzeit Ihres Projekts auftritt. Verwenden Sie diese Umgebung zur Fehlerbehebung. Weitere Informationen zur Fehlerbehebung finden Sie unter [Fehlerbehebung](studio-lab-troubleshooting.md).
+ `base`: Eine nicht persistente Umgebung, die für Systemtools verwendet wird. Diese Umgebung ist nicht für die Verwendung durch Kunden vorgesehen.
Führen Sie den Befehl `conda list` aus, damit die Pakete in einer Umgebung angezeigt werden.
Weitere Informationen zur Installation von Paketen in Ihrer Umgebung finden Sie unter [Passen Sie Ihre Umgebung an](studio-lab-use-manage.md#studio-lab-use-manage-conda-default-customize).
Wenn Sie von Studio Lab zu Amazon SageMaker Studio Classic wechseln möchten, finden Sie weitere Informationen unter[Exportieren Sie eine Amazon SageMaker Studio Lab-Umgebung nach Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
Informationen zu SageMaker Bildern und ihren Versionen finden Sie unter[SageMaker Amazon-Bilder sind für die Verwendung mit Studio Classic-Notebooks verfügbar](notebooks-available-images.md).
# Verwenden Sie die Amazon SageMaker Studio Lab-Projektlaufzeit
Die folgenden Themen enthalten Informationen zur Verwendung der Amazon SageMaker Studio Lab-Projektlaufzeit. Bevor Sie die Studio Lab-Projektlaufzeit verwenden können, müssen Sie Studio Lab hinzufügen, indem Sie die Schritte unter befolgen[Einsteigen in Amazon SageMaker Studio Lab](studio-lab-onboard.md).
**Topics**
+ [Überblick über die Amazon SageMaker Studio Lab-Benutzeroberfläche](studio-lab-use-ui.md)
+ [Erstellen oder öffnen Sie ein Amazon SageMaker Studio Lab-Notizbuch](studio-lab-use-create.md)
+ [Verwenden Sie die Amazon SageMaker Studio Lab-Notizbuch-Symbolleiste](studio-lab-use-menu.md)
+ [Verwalten Sie Ihre Umgebung](studio-lab-use-manage.md)
+ [Verwenden Sie externe Ressourcen in Amazon SageMaker Studio Lab](studio-lab-use-external.md)
+ [Abrufen von Notebook-Differenzen](studio-lab-use-diff.md)
+ [Exportieren Sie eine Amazon SageMaker Studio Lab-Umgebung nach Amazon SageMaker Studio Classic](studio-lab-use-migrate.md)
+ [Herunterfahren der Studio-Lab-Ressourcen](studio-lab-use-shutdown.md)
# Überblick über die Amazon SageMaker Studio Lab-Benutzeroberfläche
Amazon SageMaker Studio Lab erweitert die JupyterLab Schnittstelle. Frühere Benutzer von JupyterLab werden Ähnlichkeiten zwischen der Benutzeroberfläche von Studio Lab JupyterLab und der Benutzeroberfläche von Studio Lab feststellen, einschließlich des Arbeitsbereichs. Einen Überblick über die grundlegende JupyterLab Benutzeroberfläche finden Sie unter [Die JupyterLab Benutzeroberfläche](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
Die folgende Abbildung zeigt Studio Lab mit geöffnetem Dateibrowser und der Studio-Zielseite.
![\[Das Layout der Benutzeroberfläche für die Projektübersicht.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio-lab-ui.png)
Am oberen Rand des Bildschirms befindet sich die *Menüleiste*. Auf der linken Seite des Bildschirms befindet sich die *linke Seitenleiste* mit Symbolen, um Datei- und Ressourcenbrowser und Werkzeugen zu öffnen. Die *Statusleiste* befindet sich in der unteren linken Ecke von Studio Lab.
Der Hauptarbeitsbereich ist horizontal in zwei Bereiche unterteilt. Der linke Bereich ist der *Datei- und Ressourcenbrowser*. Der rechte Bereich enthält eine oder mehrere Registerkarten für Ressourcen wie Notebooks, Terminals, Metriken und Grafiken.
**Topics**
+ [Linke Seitenleiste](#studio-lab-use-ui-nav-bar)
+ [Datei- und Ressourcenbrowser](#studio-lab-use-ui-browser)
+ [Hauptarbeitsbereich](#studio-lab-use-ui-work)
## Linke Seitenleiste
Die linke Seitenleiste enthält die folgenden Symbole. Wenn Sie den Mauszeiger über ein Symbol bewegen, wird der Symbolname in einer QuickInfo angezeigt. Wenn Sie ein Symbol auswählen, zeigt der Datei- und Ressourcenbrowser die beschriebene Funktionalität an. Bei hierarchischen Einträgen zeigt ein auswählbarer Breadcrumb am oberen Rand des Browsers Ihre Postion in der Hierarchie an.
| Symbol | Description |
| --- | --- |
| ![\[Das Symbol Dateibrowser\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/File_browser_squid@2x.png) | **Dateibrowser** Wählen Sie das Symbol **Dateien hochladen** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/File_upload_squid.png)) aus, um Dateien zu Studio Lab hinzuzufügen. Doppelklicken Sie auf eine Datei, um die Datei in einer neuen Registerkarte zu öffnen. Wenn angrenzende Dateien geöffnet werden sollen, wählen Sie eine Registerkarte aus, die eine Notebook-, Python- oder Textdatei enthält, und wählen anschließend **New View for File** aus. Wählen Sie das Pluszeichen (**\$1**) im Menü oben im Dateibrowser aus, um den Studio Launcher zu öffnen. |
| ![\[Das Symbol Ausführen von Terminals und Kernel\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/Running_squid@2x.png) | **Ausführen von Terminalen und Kerneln** Sie finden eine Liste mit allen laufenden Terminals und Kernel in Ihrem Projekt. Weitere Informationen finden Sie unter [Herunterfahren der Studio-Lab-Ressourcen](studio-lab-use-shutdown.md). |
| ![\[Das Symbol Git\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/Git_squid@2x.png) | **Git** Sie können eine Verbindung zu einem Git-Repository herstellen und dann auf eine vollständige Palette von Git-Tools und Operationen zugreifen. Weitere Informationen finden Sie unter [Verwenden Sie externe Ressourcen in Amazon SageMaker Studio Lab](studio-lab-use-external.md). |
| ![\[Das Symbol Inhaltsverzeichnis\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab-toc.png) | **Neues Inhaltsverzeichnis** Sie können auf das Inhaltsverzeichnis Ihres aktuellen Jupyter Notebooks zugreifen. |
| ![\[Das Symbol Erweiterungsmanager\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab-extension.png) | **Erweiterung Manager** Sie können JupyterLab Erweiterungen von Drittanbietern aktivieren und verwalten. |
## Datei- und Ressourcenbrowser
Der Datei- und Ressourcenbrowser zeigt Listen Ihrer Notebooks und Dateien an. Wählen Sie im Menü oben im Dateibrowser das Pluszeichen (**\$1**) aus, um den Studio Launcher zu öffnen. Mit dem Launcher können Sie ein Notebook erstellen, eine interaktive Python-Shell starten oder ein Terminal öffnen.
## Hauptarbeitsbereich
Der Hauptarbeitsbereich hat mehrere Tabs, die Ihre geöffneten Notebooks und Terminals enthalten.
# Erstellen oder öffnen Sie ein Amazon SageMaker Studio Lab-Notizbuch
Wenn Sie ein Notizbuch in Amazon SageMaker Studio Lab erstellen oder ein Notizbuch in Studio Lab öffnen, müssen Sie einen Kernel für das Notizbuch auswählen. In den folgenden Themen wird beschrieben, wie Sie Notebook in Studio Lab erstellen und öffnen.
Weitere Informationen zum Herunterfahren des Notebooks finden Sie unter [Herunterfahren der Studio-Lab-Ressourcen](studio-lab-use-shutdown.md).
**Topics**
+ [Öffnen Sie ein Studio Lab-Notebook](#studio-lab-use-create-open)
+ [Erstellen eines Notebooks über das Dateimenü](#studio-lab-use-create-file)
+ [Erstellen eines Notebooks über den Launcher](#studio-lab-use-create-launcher)
## Öffnen Sie ein Studio Lab-Notebook
Studio kann nur Notebooks öffnen, die im Studio-Dateibrowser aufgeführt sind. Informationen zum Klonen eines Notebooks aus einem externen Repository in Ihren Dateibrowser finden Sie unter [Verwenden Sie externe Ressourcen in Amazon SageMaker Studio Lab](studio-lab-use-external.md).
**Ein Notebook öffnen**
1. Wählen Sie in der linken Seitenleiste das Symbol **Dateibrowser** (![\[Dark blue square icon with a white outline of a cloud and an arrow pointing upward.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/File_browser_squid.png)) aus, um den Dateibrowser anzuzeigen.
1. Wechseln Sie zu einer Notebookdatei und doppelklicken Sie darauf, um das Notebook in einer neuen Registerkarte zu öffnen.
## Erstellen eines Notebooks über das Dateimenü
**So erstellen Sie ein Notebook über das Dateimenü**
1. Wählen Sie im Menü oben in Studio **File**, **New** und dann **Notebook** aus.
1. Um den Standard-Kernel zu verwenden, wählen Sie im Dialogfeld **Kernel auswählen** die Option „**Auswählen**. Andernfalls verwenden Sie das Dropdown-Menü, um einen anderen Kernel auszuwählen.
## Erstellen eines Notebooks über den Launcher
**So erstellen Sie ein Notebook über den Launcher**
1. Öffnen Sie den Launcher mithilfe der Tastenkombination `Ctrl + Shift + L`.
Sie können den Launcher auch von der linken Seitenleiste aus öffnen: Wählen Sie das **Dateibrowser** Symbol und dann das Plussymbol (**\$1**).
1. Um den Standard-Kernel aus dem Launcher zu verwenden, wählen Sie unter **Notebook** die Option **default:Python**. Wählen Sie andernfalls einen anderen Kernel.
Nachdem Sie den Kernel ausgewählt haben, startet Ihr neues Notebook und öffnet sich in einer neuen Studio-Registerkarte.
Um die Kernelsitzung des Notebooks anzuzeigen, wählen Sie in der linken Seitenleiste das Symbol **Ausführen von Terminals und Kernel** (![\[Square icon with a white outline of a cloud on a dark blue background.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/Running_squid.png)) aus. Sie können die Kernel-Sitzung des Notebooks von dieser Ansicht aus stoppen.
# Verwenden Sie die Amazon SageMaker Studio Lab-Notizbuch-Symbolleiste
Amazon SageMaker Studio Lab-Notebooks erweitern die JupyterLab Benutzeroberfläche. Einen Überblick über die grundlegende JupyterLab Benutzeroberfläche finden Sie unter [Die JupyterLab Benutzeroberfläche](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
Die folgende Abbildung zeigt die Menüleiste und eine leere Zelle in einem Studio Lab-Notebook.
![\[Das Layout der Notebook-Symbolleiste, einschließlich der Symbolleistensymbole.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio-lab-menu.png)
Wenn Sie mit dem Mauszeiger auf ein Symbol zeigen, wird die Funktion hinter dem Symbol in einer QuickInfo angezeigt. Weitere Notebook-Befehle finden Sie im Studio-Hauptmenü. Die Menüleiste enthält die folgenden Symbole.
| Symbol | Description |
| --- | --- |
| ![\[Das Symbol Speichern und Checkpoint.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab-save-and-checkpoint.png) | **Speichern und Checkpoint** Speichert das Notebook und aktualisiert die Checkpoint-Datei. |
| ![\[Das Symbol Zelle einfügen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab-insert-cell.png) | **Zelle einfügen** Fügt unterhalb der aktuellen Zelle eine Codezelle ein. Die aktuelle Zelle wird durch die blaue vertikale Markierung am linken Rand gekennzeichnet. |
| ![\[Das Symbol Zellen ausschneiden, kopieren und einfügen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab_cut_copy_paste.png) | **Zellen ausschneiden, kopieren und einfügen** Schneidet die ausgewählten Zellen aus, kopiert sie und fügt sie ein. |
| ![\[Das Symbol Zellen ausführen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab-run.png) | **Zellen ausführen** Führt die ausgewählten Zellen aus. Die Zelle, die auf die zuletzt ausgewählte Zelle folgt, wird zur neu ausgewählten Zelle. |
| ![\[Das Symbol Kernel unterbrechen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab-interrupt-kernel.png) | **Kernel unterbrechen** Unterbricht den Kernel. Hierdurch wird die aktuell ausgeführte Operation abgebrochen. Der Kernel bleibt aktiv. |
| ![\[Das Symbol Kernel neu starten.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab-restart-kernel.png) | **Kernel neu starten** Startet den Kernel neu. Variablen werden zurückgesetzt. Nicht gespeicherte Informationen sind davon nicht betroffen. |
| ![\[Das Symbol Kernel neu starten und Notebook erneut ausführen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab-restart-rerun-kernel.png) | **Starten Sie den Kernel neu und führen Sie das Notebook erneut aus** Startet den Kernel neu. Variablen werden zurückgesetzt. Nicht gespeicherte Informationen sind nicht betroffen. Führt dann das gesamte Notebook erneut aus. |
| ![\[Das Symbol Zellentyp.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab_cell.png) | **Zelltyp** Zeigt den aktuellen Zelltyp an oder ändert ihn. Die Zelltypen sind: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/studio-lab-use-menu.html) |
| ![\[Das Symbol Checkpoint-Diff.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab-checkpoint-diff.png) | **Checkpoint-Differenz** Öffnet eine neue Registerkarte, auf der die Differenz zwischen dem Notebook und der Checkpoint-Datei angezeigt wird. Weitere Informationen finden Sie unter [Abrufen von Notebook-Differenzen](studio-lab-use-diff.md). |
| ![\[Das Symbol Git-Diff.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab-git-diff.png) | **Git-Differenz** Ist nur aktiviert, wenn das Notebook aus einem Git-Repository geöffnet wird. Öffnet eine neue Registerkarte, auf der die Differenz zwischen dem Notebook und dem letzten Git-Commit angezeigt wird. Weitere Informationen finden Sie unter [Abrufen von Notebook-Differenzen](studio-lab-use-diff.md). |
| **default** | **Kernel** Zeigt den Kernel an, der die Zellen im Notebook verarbeitet, oder ändert ihn. `No Kernel` zeigt an, dass das Notebook geöffnet wurde, ohne einen Kernel anzugeben. Sie können das Notebook bearbeiten, jedoch keine Zellen ausführen. |
| ![\[Das Symbol Kernel ausgelastet.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/studio-lab-kernel.png) | **Kernel ausgelastet** Zeigt den Besetzt-Status eines Kernels an, indem der Rand und das Innere des Kreises in derselben Farbe dargestellt werden. Der Kernel ist ausgelastet, wenn er gestartet wird und wenn er Zellen verarbeitet. Zusätzliche Kernel-Status werden in der Statusleiste in der unteren linken Ecke von Studio Lab angezeigt. |
# Verwalten Sie Ihre Umgebung
Amazon SageMaker Studio Lab bietet vorinstallierte Umgebungen für Ihre Studio Lab-Notebook-Instances. Mit diesen Umgebungen können Sie eine Studio Lab-Notebook-Instance mit den Paketen starten, die Sie verwenden möchten. Dazu installieren Sie in der Umgebung Pakete und wählen dann die Umgebung als Kernel aus.
In Studio Lab sind verschiedene Umgebungen für Sie vorinstalliert. In der Regel verwenden Sie die `sagemaker-distribution` Umgebung, wenn Sie eine vollständig verwaltete Umgebung verwenden möchten, die bereits viele beliebte Pakete im Bereich Machine Learning (ML) für Ingenieure und Datenwissenschaftler enthält. Andernfalls können Sie die `default` Umgebung verwenden, wenn Sie Ihre Umgebung dauerhaft individualisieren wollen. Weitere Informationen zu den angebotenen vorinstallierten Studio Lab-Umgebungen finden Sie unter [Vorinstallierte Studio Lab-Umgebungen](studio-lab-environments.md).
Sie können Ihre Umgebung anpassen, indem Sie neue Pakete (oder Bibliotheken) hinzufügen. Sie können auch aus Studio Lab heraus neue Umgebungen erstellen, kompatible Umgebungen importieren, Ihre Umgebung zurücksetzen, um Platz zu schaffen, u.v.m.
Die folgenden Befehle werden in einem Studio Lab-Terminal ausgeführt. Bei der Installation von Paketen wird jedoch dringend empfohlen, diese in Ihrem Studio Lab Jupyter Notebook zu installieren. Dadurch wird sichergestellt, dass die Pakete in der vorgesehenen Umgebung installiert sind. Damit die Befehle in einem Jupyter Notebook ausgeführt werden, stellen Sie dem jeweiligen Befehl ein `%` voran, bevor Sie die Zelle ausführen. Der Codeausschnitt `pip list` in einem Terminal ist z. B. dasselbe wie `%pip list` in einem Jupyter Notebook.
Die folgenden Abschnitte enthalten Informationen zu Ihrer `default` Conda-Umgebung und dazu, wie Sie diese individuell anpassen und wie Sie Conda-Umgebungen hinzufügen und entfernen können. Eine Liste der Beispielumgebungen, die Sie in Studio Lab installieren können, finden Sie unter [Benutzerdefinierte Conda-Umgebungen erstellen](https://github.com/aws/studio-lab-examples/tree/main/custom-environments). Informationen zur Verwendung dieser YAML-Dateien für eine Beispielumgebung mit Studio Lab finden Sie unter [Schritt 4: Installieren Ihrer Conda-Umgebungen von Studio Lab in Studio Classic](studio-lab-use-migrate.md#studio-lab-use-migrate-step4).
**Topics**
+ [Ihre Standardumgebung](#studio-lab-use-manage-conda-default)
+ [Umgebungen anzeigen](#studio-lab-use-view-conda-envs)
+ [Neue Conda-Umgebungen erstellen, aktivieren und verwenden](#studio-lab-use-manage-conda-new-conda)
+ [Verwendung von Studio Lab-Beispielumgebungen](#studio-lab-use-manage-conda-sample)
+ [Passen Sie Ihre Umgebung an](#studio-lab-use-manage-conda-default-customize)
+ [Studio Lab aktualisieren](#studio-lab-use-manage-conda-reset)
## Ihre Standardumgebung
Studio Lab verkapselt die Softwarepakete, die für den Betrieb von Notebooks gebraucht werden, mit Conda-Umgebungen. [Ihr Projekt enthält eine standardmäßige Conda-Umgebung mit dem IPython Namen `default` Kernel.](https://ipython.readthedocs.io/en/stable/) Diese Umgebung dient als Standard-Kernel für Ihre Jupyter Notebooks.
## Umgebungen anzeigen
Sie können ein Terminal oder ein Jupyter Notebook verwenden, damit die Umgebungen in Studio Lab angezeigt werden. Die folgenden Befehle sind für ein Studio Lab-Terminal bestimmt. Wenn die entsprechenden Befehle in einem Jupyter Notebook ausgeführt werden sollen, finden Sie weitere Informationen unter [Verwalten Sie Ihre Umgebung](#studio-lab-use-manage).
Öffnen Sie das Studio-Lab-Terminal, indem Sie den Bereich **Dateibrowser** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder.png)) öffnen. Wählen Sie im Menü oben im Dateibrowser das Pluszeichen (**\$1**), um den **Launcher** zu öffnen, und wählen Sie dann **Terminal**. Führen Sie im Studio Lab-Terminal die Conda-Umgebungen auf, indem Sie den folgenden Befehl ausführen.
```
conda env list
```
Dieser Befehl gibt eine Liste der Conda-Umgebungen und ihrer Speicherorte im Dateisystem aus. Wenn Sie Studio Lab integrieren, aktivieren Sie automatisch die `studiolab` Conda-Umgebung. Das folgende Beispiel zeigt eine Aufstellung der Umgebungen nach dem Onboarding.
```
# conda environments:
#
default /home/studio-lab-user/.conda/envs/default
studiolab * /home/studio-lab-user/.conda/envs/studiolab
studiolab-safemode /opt/amazon/sagemaker/safemode-home/.conda/envs/studiolab-safemode
base /opt/conda
sagemaker-distribution /opt/conda/envs/sagemaker-distribution
```
Die aktivierte Umgebung ist mit `*` markiert.
## Neue Conda-Umgebungen erstellen, aktivieren und verwenden
Wenn Sie mehrere Umgebungen für unterschiedliche Anwendungsfälle pflegen möchten, können Sie neue Conda-Umgebungen in Ihrem Projekt erstellen. In den folgenden Abschnitten sehen Sie, wie Sie neue Conda-Umgebungen erstellen und aktivieren können. Ein Jupyter-Notizbuch, das zeigt, wie eine benutzerdefinierte Umgebung erstellt wird, finden Sie unter [Einrichten einer benutzerdefinierten Umgebung](https://github.com/aws/studio-lab-examples/blob/main/custom-environments/custom_environment.ipynb) in Studio Lab. SageMaker
**Anmerkung**
Wenn Sie mehrerer Umgebungen pflegen, wird der dafür nötige Speicherplatz von Ihrem verfügbaren Studio Lab-Arbeitsspeicher abgezogen.
**Conda-Umgebung erstellen**
Führen Sie den folgenden Conda-Befehl von Ihrem Terminal aus, um eine Conda-Umgebung zu erstellen. In diesem Beispiel wird mit Python 3.9 eine neue Umgebung erstellt.
```
conda create --name python=3.9
```
Sobald die Conda-Umgebung erstellt wurde, erscheint diese auf der Liste Ihrer Umgebung. Weitere Informationen dazu, wie Sie eine Liste Ihrer Umgebungen erstellen können, finden Sie unter [Umgebungen anzeigen](#studio-lab-use-view-conda-envs).
**Conda-Umgebung aktivieren**
Geben Sie den folgenden Befehl in das Terminal ein, um eine beliebige Conda-Umgebung zu aktivieren.
```
conda activate
```
Wenn Sie diesen Befehl eingeben, werden alle mit Conda oder Pip installierten Pakete in der Umgebung installiert. Weitere Informationen dazu, wie Pakete installiert oder aktualisiert werden, finden Sie unter [Passen Sie Ihre Umgebung an](#studio-lab-use-manage-conda-default-customize).
**Verwendung einer Conda-Umgebung**
1. Um Ihre neuen Conda-Umgebungen mit Notebooks zu verwenden, vergewissern Sie sich, dass das `ipykernel` Paket in der Umgebung installiert ist.
```
conda install ipykernel
```
1. Wenn das `ipykernel` Paket einmal in der Umgebung installiert ist, können Sie die Umgebung als Kernel für Ihr Notebook auswählen.
Möglicherweise müssen Sie neu starten, um JupyterLab zu sehen, dass die Umgebung als Kernel verfügbar ist. Wählen Sie dazu im oberen Menü Ihres geöffneten ** SageMaker Studio Lab-Projekts Amazon** Studio Lab und wählen **Sie Restart JupyterLab...** .
1. Sie können den Kernel für ein bestehendes Notizbuch auswählen oder einen neuen erstellen.
+ Für ein vorhandenes Notebook: Öffnen Sie das Notebook und wählen Sie den aktuellen Kernel auf der rechten Seite des Hauptmenüs aus. Sie können den gewünschten Kernel aus dem Dropdown-Menü auswählen.
+ Für ein neues Notebook: Öffnen Sie den Studio Lab Launcher und wählen Sie den Kernel unter **Notebook** aus. Dadurch wird das Notebook mit dem von Ihnen ausgewählten Kernel geöffnet.
Eine Übersicht über die Benutzeroberfläche von Studio Lab finden Sie unter [Überblick über die Amazon SageMaker Studio Lab-Benutzeroberfläche](studio-lab-use-ui.md).
## Verwendung von Studio Lab-Beispielumgebungen
Studio Lab stellt benutzerdefinierte Beispielumgebungen über das [SageMaker Studio Lab Examples](https://github.com/aws/studio-lab-examples) Repository bereit. Im Folgenden wird gezeigt, wie diese Umgebungen geklont und erstellt werden.
1. Klonen Sie das SageMaker Studio Lab GitHub Examples Repository, indem Sie den Anweisungen unter folgen[Verwenden Sie Ressourcen GitHub](studio-lab-use-external.md#studio-lab-use-external-clone-github).
1. Wählen Sie in Studio Lab im linken Menü das Symbol für den **Dateibrowser** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder.png)) aus, so dass das Bedienfeld **Dateibrowser** auf der linken Seite angezeigt wird.
1. Navigieren Sie im Dateibrowser zu dem Verzeichnis `studio-lab-examples/custom-environments`.
1. Öffnen Sie das Verzeichnis für die Umgebung, die Sie erstellen möchten.
1. Klicken Sie mit der rechten Maustaste auf die `.yml` Datei im Ordner und wählen Sie dann **Conda-Umgebung erstellen**.
1. Sie können die Umgebung jetzt als Kernel verwenden, sobald die Erstellung Ihrer Conda-Umgebung abgeschlossen ist. Anweisungen zur Verwendung einer vorhandenen Umgebung als Kernel finden Sie unter [Neue Conda-Umgebungen erstellen, aktivieren und verwenden](#studio-lab-use-manage-conda-new-conda)
## Passen Sie Ihre Umgebung an
Sie können Ihre Umgebung individuell anpassen, indem Sie Erweiterungen und Pakete nach Bedarf installieren und entfernen. Studio Lab enthält Umgebungen mit vorinstallierten Paketen. Wenn Sie eine vorhandene Umgebung verwenden, können Sie Zeit und Speicherplatz sparen, da der erforderliche Speicherplatz für vorinstallierte Pakete nicht von Ihrem verfügbaren Studio Lab-Arbeitsspeicher abgezogen wird. Weitere Informationen zu den angebotenen vorinstallierten Studio Lab-Umgebungen finden Sie unter [Vorinstallierte Studio Lab-Umgebungen](studio-lab-environments.md).
Alle installierten Erweiterungen und Pakete, die in Ihrer `default`-Umgebung installiert sind, bleiben in Ihrem Projekt bestehen. Das heißt, Sie müssen Ihre Pakete nicht für jede Projektlaufzeit-Sitzung installieren. In Ihrer `sagemaker-distribution` Umgebung installierte Erweiterungen und Pakete bleiben jedoch nicht erhalten. Daher müssen Sie während der nächsten Sitzung neue Pakete installieren. Es wird daher dringend empfohlen, in Ihrem Notebook Pakete zu installieren, damit diese in der vorgesehenen Umgebung installiert sind.
Führen Sie den Befehl `conda env list` aus, damit Ihre Umgebungen angezeigt werden.
Führen Sie den Befehl `conda activate ` aus, um Ihre Umgebung zu aktivieren.
Führen Sie den Befehl `conda list` aus, damit die Pakete in einer Umgebung angezeigt werden.
**Pakete installieren**
Es wird dringend empfohlen, Ihre Pakete in Ihrem Jupyter Notebook zu installieren, damit Ihre Pakete in der vorgesehenen Umgebung installiert sind. Um für Ihre Umgebung weitere Pakete von einem Jupyter Notebook aus zu installieren, geben Sie in eine Zelle Ihres Jupyter Notebooks einen der folgenden Befehle ein. Mit diesen Befehlen werden Pakete in der aktuell aktivierten Umgebung installiert.
+ `%conda install `
+ `%pip install `
Wir empfehlen nicht, die Befehle `!pip` oder `!conda` zu verwenden, da diese in mehreren verschiedenen Umgebungen ein unerwartetes Verhalten zeigen können.
Wenn Sie in Ihrer Umgebung neue Pakete installiert haben, müssen Sie ggf. den Kernel neu starten, damit die Pakete in Ihrem Notebook auch funktionieren. Dies können Sie tun, indem Sie **Amazon SageMaker Studio Lab** im oberen Menü Ihres geöffneten Studio Lab-Projekts auswählen und dann **Restart JupyterLab...** auswählen. .
**Pakete entfernen**
Führen Sie den Befehl aus, um ein Paket zu entfernen
```
%conda remove
```
Mit diesem Befehl werden außerdem alle Pakete entfernt, die von `` abhängen, es sei denn, es kann ein Ersatz gefunden werden, der diese Abhängigkeit nicht hat.
Geben Sie den folgenden Befehl ein, um alle Pakete aus einer Umgebung zu entfernen
```
conda deactivate
&& conda env remove --name
```
## Studio Lab aktualisieren
Entfernen Sie alle Ihre Umgebungen und Dateien, um Studio Lab zu aktualisieren.
1. Eine Aufstellung aller Conda-Umgebungen erstellen.
```
conda env list
```
1. Basisumgebung aktivieren.
```
conda activate base
```
1. Entfernen Sie jede außer der Basisumgebung von der Liste der Conda-Umgebungen.
```
conda remove --name --all
```
1. Löschen Sie alle Dateien in Ihrem Studio Lab.
```
rm -rf *.*
```
# Verwenden Sie externe Ressourcen in Amazon SageMaker Studio Lab
Mit Amazon SageMaker Studio Lab können Sie externe Ressourcen wie Jupyter-Notebooks und Daten aus Git-Repositorys und Amazon S3 integrieren. Sie können Ihrem GitHub Repo und Ihren Notizbüchern auch eine Schaltfläche „**In Studio Lab öffnen**“ hinzufügen. Mit dieser Schaltfläche können Sie Ihre Notebooks direkt aus Studio Lab klonen.
In den folgenden Themen wird erläutert, wie Sie externe Ressourcen integrieren.
**Topics**
+ [Verwenden Sie Ressourcen GitHub](#studio-lab-use-external-clone-github)
+ [Fügen Sie Ihrem Notebook die Schaltfläche **In Studio Lab öffnen** hinzu](#studio-lab-use-external-add-button)
+ [Importieren Sie Dateien von Ihrem Computer](#studio-lab-use-external-import)
+ [Mit Amazon S3 verbinden](#studio-lab-use-external-s3)
## Verwenden Sie Ressourcen GitHub
Studio Lab bietet Integration mit GitHub. Mit dieser Integration können Sie Notebooks und Repositorys direkt in Ihr Studio Lab-Projekt klonen.
Die folgenden Themen enthalten Informationen zur Verwendung von GitHub Ressourcen mit Studio Lab.
### Beispiel-Notebooks von Studio Lab
Informationen zu den ersten Schritten mit einer Sammlung von Muster-Notebooks, die auf Studio Lab zugeschnitten sind, finden Sie unter [Studio Lab-Beispiel-Notebooks](https://github.com/aws/studio-lab-examples#sagemaker-studio-lab-sample-notebooks).
Dieses Repository bietet Notebooks für die folgenden und andere Anwendungsfälle.
+ Computervision
+ Verbindung herstellen zu AWS
+ Erstellen von benutzerdefinierten Umgebungen
+ Analyse von koordinatenbasierten Daten
+ Natürliche Sprachverarbeitung
+ R verwenden
### Klonen Sie ein GitHub Repo
Gehen Sie folgendermaßen vor, um ein GitHub Repo in Ihr Studio Lab-Projekt zu klonen.
1. Starten Sie die Laufzeit Ihres Studio Lab-Projekts. Weitere Informationen zum Starten der Studio Lab-Projektlaufzeit finden Sie unter [Starten Sie Ihre Projektlaufzeit](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. Wählen Sie in Studio Lab im linken Menü das **Dateibrowser** -Symbol (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder.png)), sodass das **Dateibrowser-Bedienfeld** auf der linken Seite angezeigt wird.
1. Navigieren Sie zu Ihrem Benutzerverzeichnis, indem Sie das Dateisymbol unter der Dateisuchleiste auswählen.
1. Wählen Sie im linken Menü das **Git**-Symbol (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/git.png)) aus, um ein neues Dropdown-Menü zu öffnen.
1. Wähle **Repository klonen**.
1. Fügen Sie die URL des Repositorys unter **Git-Repository-URL (.git)** ein.
1. Wählen Sie **Clone** aus.
### Klonen Sie einzelne Notizbücher von GitHub
Um ein Notebook in Studio Lab zu öffnen, müssen Sie Zugriff auf das Repository haben, in dem sich das Notebook befindet. In den folgenden Beispielen wird das Verhalten von Studio Lab in Bezug auf Berechtigungen in verschiedenen Situationen beschrieben.
+ Wenn ein Repo öffentlich ist, können Sie das Notebook von der Studio Lab-Vorschauseite aus automatisch in Ihr Projekt klonen.
+ Wenn ein Repo privat ist, werden Sie aufgefordert, sich GitHub von der Studio Lab-Vorschauseite aus anzumelden. Wenn Sie Zugriff auf ein privates Repo haben, können Sie das Notebook in Ihr Projekt klonen.
+ Wenn Sie keinen Zugriff auf ein privates Repo haben, können Sie das Notebook nicht von der Studio Lab-Vorschauseite aus klonen.
In den folgenden Abschnitten werden zwei Optionen beschrieben, mit denen Sie ein GitHub Notizbuch in Ihr Studio Lab-Projekt kopieren können. Diese Optionen hängen davon ab, ob das Notebook über die Schaltfläche **In Studio Lab öffnen** verfügt.
#### Option 1: Kopieren Sie das Notebook mit der Schaltfläche **In Studio Lab öffnen**
Das folgende Verfahren zeigt, wie Sie ein Notebook kopieren, das über die Schaltfläche **In Studio Lab öffnen** verfügt. Informationen dazu, wie Sie diese Schaltfläche zu Ihrem Notebook hinzufügen möchten, finden Sie unter [Fügen Sie Ihrem Notebook die Schaltfläche **In Studio Lab öffnen** hinzu](#studio-lab-use-external-add-button).
1. Melden Sie sich bei Studio Lab an, indem Sie den Schritten in [Melden Sie sich bei Studio an](studio-lab-onboard.md#studio-lab-onboard-signin) folgen.
1. Navigieren Sie in einem neuen Browser-Tab zu dem GitHub Notizbuch, das Sie klonen möchten.
1. Wählen Sie im Notebook die Schaltfläche **In Studio Lab öffnen**, um eine neue Seite in Studio Lab mit einer Vorschau des Notebooks zu öffnen.
1. Wenn Ihre Projekt-Runtime noch nicht läuft, starten Sie sie, indem Sie oben auf der Vorschauseite auf die Schaltfläche **Laufzeit starten** klicken. Warten Sie den Start der Laufzeitumgebung ab, bevor Sie mit dem nächsten Schritt fortfahren.
1. Nachdem Ihre Projektlaufzeit gestartet wurde, wählen Sie In **Projekt kopieren**, um Ihre Projektlaufzeit in einem neuen Browser-Tab zu öffnen.
1. Im Feld **Kopieren von GitHub?** Wählen Sie im Dialogfeld **Nur Notizbuch kopieren** aus. Dadurch wird die Notebook-Datei in Ihr Projekt kopiert.
#### Option 2: Klonen Sie ein beliebiges GitHub Notizbuch
Das folgende Verfahren zeigt, wie Sie ein beliebiges Notizbuch von kopieren GitHub.
1. Navigieren Sie zu dem Notizbuch in GitHub.
1. Ändern Sie in der Adressleiste des Browsers die Notebook-URL wie folgt.
```
# Original URL
https://github.com/
# Modified URL
https://studiolab.sagemaker.aws/import/github/
```
1. Navigieren Sie zur geänderten URL. Dadurch wird eine Vorschau des Notebooks in Studio Lab geöffnet.
1. Wenn Ihre Projekt-Runtime noch nicht läuft, starten Sie sie, indem Sie oben auf der Vorschauseite auf die Schaltfläche **Laufzeit starten** klicken. Warten Sie den Start der Laufzeitumgebung ab, bevor Sie mit dem nächsten Schritt fortfahren.
1. Nachdem Ihre Projektlaufzeit gestartet wurde, wählen Sie In **Projekt kopieren**, um Ihre Projektlaufzeit in einem neuen Browser-Tab zu öffnen.
1. In der Datei **Kopieren von GitHub?** Wählen Sie im Dialogfeld **Nur Notizbuch kopieren** aus, um die Notizbuchdatei in Ihr Projekt zu kopieren.
## Fügen Sie Ihrem Notebook die Schaltfläche **In Studio Lab öffnen** hinzu
Wenn Sie Ihren Notebooks die Schaltfläche **In Studio Lab öffnen** hinzufügen, können andere Benutzer Ihre Notebooks oder Repositorys direkt in ihre Studio Lab-Projekte klonen. Wenn Sie Ihr Notizbuch in einem öffentlichen GitHub Repository teilen, ist Ihr Inhalt öffentlich lesbar. Teilen Sie keine privaten Inhalte wie AWS Zugriffsschlüssel oder AWS Identity and Access Management Anmeldeinformationen in Ihrem Notizbuch.
Um Ihrem Jupyter Notebook oder -Repository die funktionale Schaltfläche **In Studio Lab öffnen** hinzuzufügen, fügen Sie oben in Ihrem Notebook oder Repository den folgenden Markdown hinzu.
```
[](https://studiolab.sagemaker.aws/import/github/)
```
## Importieren Sie Dateien von Ihrem Computer
Die folgenden Schritte zeigen, wie Sie Dateien von Ihrem Computer in Ihr Studio Lab-Projekt importieren.
1. Öffnen Sie die Studio Lab-Projektlaufzeit.
1. Öffnen Sie das **Dateibrowser**-Bedienfeld.
1. Wählen Sie in der Aktionsleiste des **Dateibrowser**-Bedienfelds die Schaltfläche **Dateien hochladen**.
1. Wählen Sie die Dateien aus, die Sie von Ihrem lokalen Computer hochladen möchten.
1. Wählen Sie **Öffnen** aus.
Alternativ können Sie Dateien per Drag-and-Drop von Ihrem Computer in das **Dateibrowsers**-Bedienfeld ziehen.
## Mit Amazon S3 verbinden
Das AWS CLI ermöglicht die AWS Integration in Ihr Studio Lab-Projekt. Mit dieser Integration können Sie Ressourcen aus Amazon S3 abrufen, um sie mit Ihren Jupyter Notebooks zu verwenden.
Führen Sie zur Verwendung AWS CLI mit Studio Lab die folgenden Schritte aus. Ein Notizbuch, das diese Integration beschreibt, finden Sie unter [Using Studio Lab with AWS Resources](https://github.com/aws/studio-lab-examples/blob/main/connect-to-aws/Access_AWS_from_Studio_Lab.ipynb).
1. Installieren Sie die AWS CLI folgenden Schritte unter [Installation oder Aktualisierung der neuesten Version von AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
1. Konfigurieren Sie Ihre AWS Anmeldeinformationen, indem Sie den Schritten unter [Schnellinstallation](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-quickstart.html) folgen. Die Rolle für Ihr AWS Konto muss über Berechtigungen für den Zugriff auf den Amazon S3 S3-Bucket verfügen, aus dem Sie Daten kopieren.
1. Klonen Sie von Ihrem Jupyter Notebook aus, nach Bedarf Ressourcen aus dem Amazon-S3-Bucket. Der folgende Befehl zeigt, wie Sie alle Ressourcen von einem Amazon S3-Pfad in Ihr Projekt klonen. Weitere Informationen finden Sie in der [AWS CLI -Befehlsreferenz](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/s3/cp.html).
```
!aws s3 cp s3://// / --recursive
```
# Abrufen von Notebook-Differenzen
Sie können den Unterschied zwischen dem aktuellen Notizbuch und dem letzten Checkpoint oder dem letzten Git-Commit mithilfe der Amazon SageMaker Studio Lab-Projekt-UI anzeigen.
**Topics**
+ [Abrufen der Differenz zum letzten Checkpoint](#studio-lab-use-diff-checkpoint)
+ [Abrufen der Differenz zum letzten Commit](#studio-lab-use-diff-git)
## Abrufen der Differenz zum letzten Checkpoint
Bei der Erstellung eines Notebooks wird eine versteckte Checkpoint-Datei erstellt, die mit dem erstellten Notebook übereinstimmt. Sie können Änderungen zwischen dem Notebook und der Checkpoint-Datei anzeigen oder das Notebook so zurücksetzen, dass es mit der Checkpoint-Datei übereinstimmt.
So speichern Sie das Studio-Lab-Notebook und aktualisieren die Checkpoint-Datei entsprechend: Wählen Sie das Symbol (![\[Icon of a cloud with an arrow pointing upward, representing cloud upload functionality.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/Notebook_save.png)) **Notebook speichern und Checkpoint erstellen** aus. Es befindet sich auf der linken Seite des Studio Lab-Menüs. Die Tastenkombination für **Notebook speichern und Checkpoint erstellen** `Ctrl + s` lautet.
Um die Änderungen zwischen dem Notebook und der Checkpoint-Datei anzuzeigen, wählen Sie das Symbol **Checkpoint-Diff** (![\[Camera icon representing image capture or photo functionality.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/Checkpoint_diff.png)) in der Mitte des Notebook-Menüs aus.
Um das Notebook auf die Checkpoint-Datei zurückzusetzen, wählen Sie im Studio-Hauptmenü **File ** und dann **Notebook auf Checkpoint zurücksetzen** aus.
## Abrufen der Differenz zum letzten Commit
Wenn ein Notebook aus einem Git-Repository geöffnet wird, können Sie die Differenz zwischen dem Notebook und dem letzten Git-Commit anzeigen.
Um die Änderungen im Notebook im Vergleich zum letzten Git-Commit anzuzeigen, wählen Sie das Symbol **Git-Diff** (![\[GitHub icon representing version control and source code management.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/Git_diff.png)) in der Mitte des Notebook-Menüs aus.
# Exportieren Sie eine Amazon SageMaker Studio Lab-Umgebung nach Amazon SageMaker Studio Classic
Amazon SageMaker Studio Classic bietet viele Funktionen für maschinelles Lernen und Deep-Learning-Workflows, die in Amazon SageMaker Studio Lab nicht verfügbar sind. Auf dieser Seite wird gezeigt, wie Sie eine Studio-Lab-Umgebung zu Studio Classic migrieren, um mehr Rechenkapazität, Speicherplatz und Features zu nutzen. Möglicherweise möchten Sie sich jedoch mit den vorgefertigten Containern von Studio Classic vertraut machen, die für die gesamte MLOP-Pipeline optimiert sind. Weitere Informationen finden Sie unter [Amazon SageMaker Studio-Labor](studio-lab.md).
Um Ihre Studio-Lab-Umgebung zu Studio Classic zu migrieren, müssen Sie zunächst Studio Classic integrieren. Folgen Sie dabei den Anweisungen unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
**Topics**
+ [Schritt 1: Exportieren Sie Ihre Studio Lab Conda-Umgebung.](#studio-lab-use-migrate-step1)
+ [Schritt 2: Speichern Sie Ihre Studio Lab-Artefakte.](#studio-lab-use-migrate-step2)
+ [Schritt 3: Importieren Ihrer Studio-Lab-Artefakte in Studio Classic](#studio-lab-use-migrate-step3)
+ [Schritt 4: Installieren Ihrer Conda-Umgebungen von Studio Lab in Studio Classic](#studio-lab-use-migrate-step4)
## Schritt 1: Exportieren Sie Ihre Studio Lab Conda-Umgebung.
Sie können eine Conda-Umgebung exportieren und der Umgebung Bibliotheken oder Pakete hinzufügen. Befolgen Sie dazu die Schritte unter [Verwalten Sie Ihre Umgebung](studio-lab-use-manage.md). Das folgende Beispiel zeigt die Verwendung der `default`-Umgebung, die in Studio Classic exportiert werden soll.
1. Öffnen Sie das Studio-Lab-Terminal, indem Sie den Bereich **Dateibrowser** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder.png)) öffnen. Wählen Sie im Menü oben im Dateibrowser das Pluszeichen (**\$1**), um den **Launcher** zu öffnen, und wählen Sie dann **Terminal**. Führen Sie im Studio Lab-Terminal die Conda-Umgebungen auf, indem Sie den folgenden Befehl ausführen.
```
conda env list
```
Dieser Befehl gibt eine Liste der Conda-Umgebungen und ihrer Speicherorte im Dateisystem aus. Wenn Sie Studio Lab integrieren, aktivieren Sie automatisch die `studiolab` Conda-Umgebung.
```
# conda environments: #
default /home/studio-lab-user/.conda/envs/default
studiolab * /home/studio-lab-user/.conda/envs/studiolab
studiolab-safemode /opt/amazon/sagemaker/safemode-home/.conda/envs/studiolab-safemode
base /opt/conda
```
Wir empfehlen, die `studiolab`-, – `studiolab-safemode`und `base`-Umgebungen nicht zu exportieren. Diese Umgebungen können aus folgenden Gründen nicht in Studio Classic verwendet werden:
+ `studiolab`: Dadurch wird die JupyterLab Umgebung für Studio Lab eingerichtet. In Studio Lab wird eine andere Hauptversion von JupyterLab als Studio Classic ausgeführt, sodass sie in Studio Classic nicht verwendet werden kann.
+ `studiolab-safemode`: Dadurch wird auch die JupyterLab Umgebung für Studio Lab eingerichtet. In Studio Lab wird eine andere Hauptversion von JupyterLab als Studio Classic ausgeführt, sodass sie in Studio Classic nicht verwendet werden kann.
+ `base`: Diese Umgebung wird standardmäßig mit Conda bereitgestellt. Die `base`-Umgebung in Studio Lab und die `base`-Umgebung in Studio Classic enthalten inkompatible Versionen vieler Pakete.
1. Aktivieren Sie für die Conda-Umgebung, die Sie nach Studio Classic migrieren möchten, zunächst die Conda-Umgebung. Die `default`-Umgebung wird dann geändert, wenn neue Bibliotheken installiert oder daraus entfernt werden. Um den genauen Zustand der Umgebung zu ermitteln, exportieren Sie sie über die Befehlszeile in eine YAML-Datei. Mit den folgenden Befehlszeilen wird die Standardumgebung in eine YAML-Datei exportiert und eine Datei mit dem Namen `myenv.yml` erstellt.
```
conda activate default
conda env export > ~/myenv.yml
```
## Schritt 2: Speichern Sie Ihre Studio Lab-Artefakte.
Nachdem Sie Ihre Umgebung in einer YAML-Datei gespeichert haben, können Sie die Umgebungsdatei auf eine beliebige Plattform verschieben.
------
#### [ Save to a local machine using Studio Lab GUI ]
**Anmerkung**
Die Möglichkeit, ein Verzeichnis über die Benutzeroberfläche von Studio Lab durch Klicken mit der rechten Maustaste auf das Verzeichnis herunterzuladen, ist derzeit nicht verfügbar. Wenn Sie ein Verzeichnis exportieren möchten, befolgen Sie bitte die Schritte auf der Registerkarte **In Git-Repository speichern**.
Eine Möglichkeit besteht darin, die Umgebung auf Ihrem lokalen Computer zu speichern. Führen Sie dazu die folgenden Schritte aus.
1. Wählen Sie in Studio Lab im linken Menü das **Dateibrowser** -Symbol (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder.png)), sodass das **Dateibrowser-Bedienfeld** auf der linken Seite angezeigt wird.
1. Navigieren Sie zu Ihrem Benutzerverzeichnis, indem Sie das Dateisymbol unter der Dateisuchleiste auswählen.
1. Wählen Sie (durch Rechtsklick) die Datei `myenv.yml` aus und wählen Sie dann **Herunterladen**. Sie können diesen Vorgang für andere Dateien wiederholen, die Sie in Studio Classic importieren möchten.
------
#### [ Save to a Git repository ]
Eine weitere Möglichkeit besteht darin, Ihre Umgebung in einem Git-Repository zu speichern. Diese Option dient GitHub als Beispiel. Für diese Schritte sind ein GitHub Konto und ein Repository erforderlich. Weitere Informationen finden Sie unter [GitHub](https://github.com/). Das folgende Verfahren zeigt, wie Sie Ihre Inhalte GitHub mithilfe des Studio Lab-Terminals synchronisieren.
1. Navigieren Sie vom Studio Lab-Terminal aus zu Ihrem Benutzerverzeichnis und erstellen Sie ein neues Verzeichnis, das die Dateien enthält, die Sie exportieren möchten.
```
cd ~
mkdir
```
1. Nachdem Sie ein neues Verzeichnis erstellt haben, kopieren Sie jede Datei oder jedes Verzeichnis, in das Sie exportieren in `` möchten.
Kopieren Sie eine Datei mit dem folgenden Codeformat:
```
cp
```
Ersetzen Sie zum Beispiel `` durch `myenv.yml`.
Kopieren Sie ein beliebiges Verzeichnis im folgenden Codeformat:
```
cp -r
```
Ersetzen Sie zum Beispiel `` durch einen beliebigen Verzeichnisnamen in Ihrem Benutzerverzeichnis.
1. Navigieren Sie zum neuen Verzeichnis und initialisieren Sie das Verzeichnis mit dem folgenden Befehl als Git-Repository. Weitere Informationen dazu finden Sie in der [git-init-Dokumentation](https://git-scm.com/docs/git-init).
```
cd
git init
```
1. Fügen Sie mit Git alle relevanten Dateien hinzu und committen Sie Ihre Änderungen anschließend.
```
git add .
git commit -m ""
```
Ersetzen Sie zum Beispiel `` durch `Add Amazon SageMaker Studio Lab artifacts to GitHub repository to migrate to Amazon SageMaker Studio Classic `.
1. Verschieben Sie das Commit in Ihr Remote-Repository. Dieses Repository hat das Format`https://github.com// .git`, in dem `` Ihr GitHub Benutzername und der Name Ihres Remote-Repositorys `` steht. Erstellen Sie einen Branch``, um den Inhalt in das GitHub Repository zu übertragen.
```
git branch -M
git remote add origin https://github.com//.git
git push -u origin
```
------
## Schritt 3: Importieren Ihrer Studio-Lab-Artefakte in Studio Classic
Das folgende Verfahren zeigt, wie Sie Artefakte in Studio Classic importieren. Die Anweisungen zur Verwendung des Feature Store über die Konsole hängen davon ab, ob Sie Studio oder Studio Classic als Standardkonfiguration aktiviert haben. Weitere Informationen zum Zugriff auf Studio Classic über die Konsole finden Sie unter [Starten von Studio Classic, wenn Studio Ihre Standardkonfiguration ist](studio-launch.md#studio-launch-console-updated).
Sie können Dateien von Studio Classic aus von Ihrem lokalen Computer oder aus einem Git-Repository importieren. Dazu können Sie die Benutzeroberfläche oder das Terminal von Studio Classic verwenden. Im folgenden Verfahren werden die Beispiele aus [Schritt 2: Speichern Sie Ihre Studio Lab-Artefakte.](#studio-lab-use-migrate-step2) verwendet.
------
#### [ Import using the Studio Classic GUI ]
Wenn Sie die Dateien auf Ihrem lokalen Computer gespeichert haben, können Sie die Dateien mit den folgenden Schritten in Studio Classic importieren.
1. Öffnen Sie den Bereich **Dateibrowser** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/folder.png)) oben links in Studio Classic.
1. Wählen Sie das Symbol **Dateien hochladen** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/File_upload_squid.png)) im Menü oben im Bereich **Dateibrowser**.
1. Navigieren Sie zu der Datei, die Sie importieren möchten, und wählen Sie dann **Öffnen** aus.
**Anmerkung**
Wenn Sie ein Verzeichnis in Studio Classic importieren möchten, komprimieren Sie zunächst das Verzeichnis auf Ihrem lokalen Computer in eine Datei. Klicken Sie auf einem Mac mit der rechten Maustaste auf das Verzeichnis und wählen Sie **„Komprimieren**“**. Unter Windows klicken Sie mit der rechten Maustaste auf das Verzeichnis und wählen **Senden an** und dann **ZIP-komprimierter Ordner**. Nachdem das Verzeichnis komprimiert wurde, importieren Sie die komprimierte Datei mithilfe der vorherigen Schritte. Entpacken Sie nun die komprimierte Datei. Dazu navigieren Sie zum Studio-Classic-Terminal und führen den Befehl `.zip` aus.
------
#### [ Import using a Git repository ]
Dieses Beispiel bietet zwei Optionen für das Klonen eines GitHub Repositorys in Studio Classic. Sie können die Studio-Classic-Benutzeroberfläche verwenden, indem Sie auf der linken Seite von Studio Classic auf die Registerkarte **Git** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/icons/git.png)) klicken. Wählen Sie „**Repository klonen**“ und fügen Sie dann Ihre GitHub Repository-URL von ein[Schritt 2: Speichern Sie Ihre Studio Lab-Artefakte.](#studio-lab-use-migrate-step2). Die andere Möglichkeit besteht darin, das Studio-Classic-Terminal mithilfe des folgenden Verfahrens zu verwenden.
1. Öffnen Sie Studio Classic **Launcher**. Weitere Informationen zum Öffnen des **Launchers** finden Sie unter [Amazon SageMaker Studio Classic Launcher](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html).
1. Wählen Sie im **Launcher** im Bereich **Notebooks und Datenverarbeitungsressourcen** die Option **Umgebung ändern** aus.
1. Öffnen Sie den **Launcher** in Studio Classic. Um den **Launcher** zu öffnen, wählen Sie **Amazon SageMaker Studio Classic** in der oberen linken Ecke von Studio Classic.
Weitere Informationen zu allen verfügbaren Möglichkeiten, den **Launcher** zu öffnen, finden Sie unter [Verwenden Sie den Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. Wählen Sie im Dialogfeld **Umgebung ändern** in der Dropdown-Liste **Image** das **Data Science**-Image aus und dann **Auswählen**. Auf diesem Image ist Conda vorinstalliert.
1. Wählen Sie im Studio Classic **Launcher** die Option **Image-Terminal öffnen** aus.
1. Führen Sie im Image-Terminal den folgenden Befehl aus, um Ihr Repository zu klonen. Dieser Befehl erstellt in Ihrer Studio-Classic-Instance ein Verzeichnis, das nach `` benannt ist, und klont Ihre Artefakte in diesem Repository.
```
git clone https://github.com//.git
```
------
## Schritt 4: Installieren Ihrer Conda-Umgebungen von Studio Lab in Studio Classic
Sie können jetzt Ihre Conda-Umgebung mithilfe Ihrer YAML-Datei in Ihrer Studio-Classic-Instance neu erstellen. Öffnen Sie Studio Classic **Launcher**. Weitere Informationen zum Öffnen des **Launchers** finden Sie unter [Amazon SageMaker Studio Classic Launcher](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html). Wählen Sie im **Launcher** die Option **Image-Terminal öffnen**. Navigieren Sie im Terminal zu dem Verzeichnis, das die YAML-Datei enthält, und führen Sie dann die folgenden Befehle aus.
```
conda env create --file .yml
conda activate
```
Nachdem diese Befehle abgeschlossen sind, können Sie Ihre Umgebung als Kernel für Ihre Notebook-Instances von Studio Classic auswählen. Um die verfügbare Umgebung anzuzeigen, führen Sie den Befehl `conda env list` aus. Führen Sie den Befehl `conda activate ` aus, um Ihre Umgebung zu aktivieren.
# Herunterfahren der Studio-Lab-Ressourcen
Sie können Ihre laufenden Amazon SageMaker Studio Lab-Ressourcen von einem Ort in Ihrer Studio Lab-Umgebung aus anzeigen und herunterfahren. Zu den ausgeführten Ressourcentypen gehören Terminals und Kernel. Sie können auch alle Ressourcen eines Ressourcentyps gleichzeitig herunterfahren.
Wenn Sie alle Ressourcen herunterfahren, die zu einem Ressourcentyp gehören, passiert Folgendes:
+ **KERNELS** – Alle Kernel, Notebooks und Konsolen sind heruntergefahren.
+ **TERMINALS** – Alle Terminals sind heruntergefahren.
**Herunterfahren der Studio-Lab-Ressourcen**
1. Starten Sie die Laufzeit Ihres Studio Lab-Projekts. Weitere Informationen zum Starten der Studio Lab-Projektlaufzeit finden Sie unter [Starten Sie Ihre Projektlaufzeit](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. Wählen Sie im linken Navigationsbereich das Symbol **Ausführen von Terminals und Kernel** (![\[Square icon with a white outline of a cloud on a dark blue background.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/icons/Running_squid.png)) aus.
1. Wählen Sie das **X**-Symbol rechts neben der Ressource aus, die Sie herunterfahren möchten. Sie können das **X**-Symbol sehen, indem Sie den Mauszeiger über eine Ressource bewegen.
1. (Optional) Sie können alle Ressourcen eines bestimmten Ressourcentyps herunterfahren, indem Sie rechts neben dem Namen des Ressourcentyps die Option **Alle herunterfahren** auswählen.
# Fehlerbehebung
Das Handbuch zeigt häufige Fehler, die bei der Verwendung von Amazon SageMaker Studio Lab (Studio Lab) auftreten können. Jeder Fehler enthält eine Beschreibung sowie eine Lösung für den Fehler.
**Anmerkung**
Sie können Ihr Passwort nicht mit mehreren Benutzern teilen oder Studio Lab zum Minen von Kryptowährungen verwenden. Wir empfehlen, Studio Lab aufgrund von Laufzeitbeschränkungen nicht für Produktionsaufgaben zu verwenden.
**Probleme mit Abhängigkeiten**
Am 8. August 2025 wurde Studio Lab von JupyterLab 3 auf JupyterLab 4 migriert. Informationen zu JupyterLab 4 finden Sie unter [4.0.0 — Highlights im JupyterLab Changelog](https://jupyterlab.readthedocs.io/en/4.0.x/getting_started/changelog.html#highlights). Wenn Sie vor dem 8. August 2025 JupyterLab Erweiterungen in Ihrer Studio Lab-Umgebung installiert haben, müssen Sie sie möglicherweise in der JupyterLab 4-Umgebung neu installieren.
**Ich kann nicht auf das Konto zugreifen**
Wenn Sie nicht auf Ihr Konto zugreifen können, überprüfen Sie, ob Sie die richtige E-Mail-Adresse und das richtige Passwort verwenden. Wenn Sie Ihr Passwort vergessen haben, gehen Sie wie folgt vor, um Ihr Passwort zurückzusetzen. Wenn Sie immer noch nicht auf Ihr Konto zugreifen können, müssen Sie mithilfe der Anweisungen unter [Einsteigen in Amazon SageMaker Studio Lab](studio-lab-onboard.md) ein neues Konto beantragen und sich für dieses registrieren.
**Passwort vergessen**
Wenn Sie Ihr Passwort vergessen haben, müssen Sie es mit den folgenden Schritten zurücksetzen.
1. Navigieren Sie zur [Studio Lab-Landingpage](https://studiolab.sagemaker.aws).
1. Wählen Sie **Anmelden** aus.
1. Wählen Sie **Passwort vergessen?** um eine neue Seite zu öffnen.
1. Geben Sie die E-Mail-Adresse ein, mit der Sie sich für ein Konto angemeldet haben.
1. Wählen Sie **Link zum Zurücksetzen senden**, um eine E-Mail mit einem Link zum Zurücksetzen des Passworts zu senden.
1. Wählen Sie in der E-Mail zum Zurücksetzen des Passworts die Option **Passwort zurücksetzen** aus.
1. Geben Sie Ihr neues Passwort ein.
1. Wählen Sie **Absenden** aus.
**Projekt Laufzeit kann nicht gestartet werden**
Wenn die Studio Lab Projekt Laufzeit nicht gestartet wird, versuchen Sie erneut, sie zu starten. Wenn das nicht funktioniert, wechseln Sie den Instance-Typ von CPU zu GPU (oder umgekehrt). Weitere Informationen finden Sie unter [Ändern Sie Ihren Rechnertyp](studio-lab-manage-runtime.md#studio-lab-manage-runtime-change).
**Laufzeit wurde unerwartet nicht mehr ausgeführt**
Wenn es ein Problem mit der zur Ausführung verwendeten Umgebung gibt JupyterLab, erstellt Studio Lab die Umgebung automatisch neu. Studio Lab unterstützt die manuelle Aktivierung dieses Prozesses nicht.
**Widersprüchliche Versionen**
Da Sie Pakete hinzufügen und Ihre Umgebung nach Bedarf ändern können, kann es zu Konflikten zwischen Paketen in Ihrer Umgebung kommen. Wenn es in Ihrer Umgebung Konflikte zwischen Paketen gibt, müssen Sie das widersprüchliche Paket entfernen.
**Die Erstellung der Umgebung schlägt fehl**
Wenn Sie eine Umgebung aus einer YAML-Datei erstellen, kann ein Paketversionskonflikt oder ein Dateiproblem dazu führen, dass ein Build fehlschlägt. Um dieses Problem zu beheben, entfernen Sie die Umgebung, indem Sie den folgenden Befehl ausführen. Tun Sie dies, bevor Sie erneut versuchen, die Datei zu erstellen.
```
conda remove --name --all
```
**Fehlermeldung beim Zulassen des Herunterladens von Skripts von der Domain \$1.awswaf.com**
Studio Classic verwendet den Firewall-Dienst für Webanwendungen AWS WAF , um Ihre Ressourcen zu schützen. Dieser verwendet JavaScript. Wenn Sie ein Browser-Sicherheits-Plugin verwenden, das das Herunterladen JavaScript verhindert, wird dieser Fehler möglicherweise angezeigt. Um Studio Classic zu verwenden, lassen JavaScript Sie den Download von\$1.awswaf.com als vertrauenswürdige Domain zu. Weitere Informationen zu finden Sie unter AWS WAF[AWS WAF](https://docs.aws.amazon.com/waf/latest/developerguide/waf-chapter.html), und. AWS WAF AWS Firewall Manager AWS Shield Advanced Entwicklerhandbuch.
**Der Festplattenspeicher ist voll**
Wenn Sie beim Versuch, eine **Datei zu öffnen, in der darauf hingewiesen wird, dass Ihr Festplattenspeicher voll ist oder dass ** beim Versuch, eine Datei zu öffnen, ein Fehler beim Laden angezeigt** wird, können Sie Dateien, Verzeichnisse, Bibliotheken oder Umgebungen entfernen, um den Speicherplatz zu vergrößern. Weitere Informationen zum Verwalten Ihrer Bibliotheken und Umgebungen finden Sie unter [Verwalten Sie Ihre Umgebung](studio-lab-use-manage.md).
****Die Projektlaufzeit befindet sich im abgesicherten Modus**-Benachrichtigung**
Wenn Sie eine Benachrichtigung erhalten, dass sich **Projekt Laufzeit im abgesicherten Modus befindet**, müssen Sie Speicherplatz freigeben, um die Studio Lab Projekt Laufzeit wieder verwenden zu können. Folgen Sie den Anweisungen im vorherigen Punkt zur Problembehandlung, **Festplattenspeicher ist voll**. Sobald bis zu 500 MB Speicherplatz gelöscht wurden, können Sie Projekt Laufzeit neu starten, um Studio Lab zu verwenden. Wählen Sie dazu im oberen Menü von ** SageMaker Studio Lab Amazon** Studio Lab und wählen **Sie Restart JupyterLab...** .
git **kann `cv2` nicht importieren**
Wenn beim Import `cv2` nach der Installation von `opencv-python` ein Fehler auftritt, müssen Sie `opencv-python` wie folgt deinstallieren und `opencv-python-headless` installieren.
```
%pip uninstall opencv-python --yes
%pip install opencv-python-headless
```
Sie können dann `cv2` wie erwartet importieren.
**Studio Lab reagiert nicht mehr, wenn große Dateien geöffnet werden**
Die Studio Lab IDE kann möglicherweise nicht rendern, wenn große Dateien geöffnet werden, was dazu führt, dass der Zugriff auf Studio Lab-Ressourcen blockiert wird. Um dieses Problem zu beheben, setzen Sie den Studio Lab-Workspace wie folgt zurück.
1. Nachdem Sie die IDE geöffnet haben, kopieren Sie die URL in die Adressleiste Ihres Browsers. Die URL sollte im Format `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab` sein. Schließen Sie den Tab.
1. Fügen Sie die URL in einem neuen Tab ein und entfernen Sie alles nach `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab`.
1. Fügen `?reset` Sie am Ende der URL hinzu, sodass es das `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab?reset` Format hat.
1. Navigieren Sie zur aktualisierten URL. Dadurch wird der gespeicherte UI-Status zurückgesetzt und die Studio Lab-IDE wird reaktionsfähig.
# Amazon SageMaker Leinwand
Amazon SageMaker Canvas bietet Ihnen die Möglichkeit, maschinelles Lernen zu verwenden, um Vorhersagen zu generieren, ohne Code schreiben zu müssen. Im Folgenden sind einige Anwendungsfälle aufgeführt, in denen Sie SageMaker Canvas verwenden können:
+ Vorhersagen der Kundenabwanderung
+ Planen von Beständen effizient
+ Optimieren Sie Preis und Umsatz
+ Verbessern Sie die pünktlichen Lieferungen
+ Klassifizieren Sie Text oder Bilder anhand benutzerdefinierter Kategorien
+ Identifizieren Sie Objekte und Text in Bildern
+ Extrahieren Sie Informationen aus Dokumenten
Mit Canvas können Sie mit beliebten großen Sprachmodellen (LLMs) chatten, auf Ready-to-use Modelle zugreifen oder ein benutzerdefiniertes Modell erstellen, das auf Ihren Daten trainiert wurde.
Canvas Chat ist eine Funktion, die Open Source und Amazon nutzt, LLMs um Ihnen zu helfen, Ihre Produktivität zu steigern. Sie können die Models auffordern, Unterstützung bei Aufgaben wie der Generierung von Inhalten, der Zusammenfassung oder Kategorisierung von Dokumenten und der Beantwortung von Fragen zu erhalten. Weitere Informationen hierzu finden Sie unter [Generative KI-Grundmodelle in SageMaker Canvas](canvas-fm-chat.md).
Die [Ready-to-use Modelle](canvas-ready-to-use-models.md) in Canvas können Erkenntnisse aus Ihren Daten für eine Vielzahl von Anwendungsfällen extrahieren. [Sie müssen kein Modell erstellen, um Ready-to-use Modelle zu verwenden, da sie von Amazon AI-Services wie Amazon [Rekognition, Amazon](https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html)[Textract und Amazon Comprehend](https://docs.aws.amazon.com/textract/latest/dg/what-is.html) unterstützt werden.](https://docs.aws.amazon.com/comprehend/latest/dg/what-is.html) Sie müssen nur Ihre Daten importieren und beginnen, eine Lösung zur Generierung von Prognosen zu verwenden.
Wenn Sie ein Modell benötigen, das an Ihren Anwendungsfall angepasst und mit Ihren Daten trainiert wurde, können Sie [ein Modell erstellen](canvas-custom-models.md). Sie können mithilfe der folgenden Verfahren Prognosen erhalten, die an Ihre Daten angepasst sind:
1. Importieren Sie Ihre Daten aus einer oder mehreren Datenquellen.
1. Erstellen Sie ein Vorhersagemodell.
1. Bewerten Sie die Leistung des Modells.
1. Generieren Sie Prognosen mit dem Modell.
Canvas unterstützt die folgenden Typen von benutzerdefinierten Modellen:
+ Numerische Vorhersage (auch bekannt als *Regression*)
+ Kategorische Vorhersage für Kategorien 2 und mehr (auch bekannt als *binäre* Klassifikation und Klassifikation mit *mehreren Klassen*)
+ Zeitreihenprognosen
+ Vorhersage von Einzelbildern (auch bekannt als *Image-Klassifizierung*)
+ Textvorhersage mit mehreren Kategorien (auch bekannt als *Multi-Klassen-Textklassifikation*)
[Weitere Informationen zur Preisgestaltung finden Sie auf der Preisseite von Canvas. SageMaker ](https://aws.amazon.com/sagemaker/canvas/pricing/) Weitere Informationen finden Sie auch bei [Abrechnung und Kosten in SageMaker Canvas](canvas-manage-cost.md).
SageMaker Canvas ist derzeit in den folgenden Regionen erhältlich:
+ US East (Ohio)
+ USA Ost (Nord-Virginia)
+ USA West (Nordkalifornien)
+ USA West (Oregon)
+ Asia Pacific (Mumbai)
+ Asia Pacific (Seoul)
+ Asien-Pazifik (Singapur)
+ Asien-Pazifik (Sydney)
+ Asien-Pazifik (Tokio)
+ Canada (Central)
+ Europe (Frankfurt)
+ Europa (Irland)
+ Europa (London)
+ Europe (Paris)
+ Europa (Stockholm)
+ Südamerika (São Paulo)
**Topics**
+ [Sind Sie ein SageMaker Canvas-Nutzer zum ersten Mal?](#canvas-first-time-user)
+ [Erste Schritte mit der Verwendung von Amazon SageMaker Canvas](canvas-getting-started.md)
+ [Tutorial: Erstellen Sie einen Workflow end-to-end für maschinelles Lernen in SageMaker Canvas](canvas-end-to-end-machine-learning-workflow.md)
+ [Einrichtung und Rechteverwaltung von Amazon SageMaker Canvas (für IT-Administratoren)](canvas-setting-up.md)
+ [Unterstützung mit generativer KI zur Lösung von ML-Problemen in Canvas mit Amazon Q Developer](canvas-q.md)
+ [Datenimport](canvas-importing-data.md)
+ [Datenaufbereitung](canvas-data-prep.md)
+ [Generative KI-Grundmodelle in SageMaker Canvas](canvas-fm-chat.md)
+ [Ready-to-use Modelle](canvas-ready-to-use-models.md)
+ [Benutzerdefinierte Modelle](canvas-custom-models.md)
+ [Von Amazon SageMaker Canvas abmelden](canvas-log-out.md)
+ [Einschränkungen und Fehlerbehebung](canvas-limits.md)
+ [Abrechnung und Kosten in SageMaker Canvas](canvas-manage-cost.md)
## Sind Sie ein SageMaker Canvas-Nutzer zum ersten Mal?
Wenn Sie SageMaker Canvas zum ersten Mal verwenden, empfehlen wir Ihnen, zunächst die folgenden Abschnitte zu lesen:
+ Für IT-Administratoren – [Einrichtung und Rechteverwaltung von Amazon SageMaker Canvas (für IT-Administratoren)](canvas-setting-up.md)
+ Für Analysten und einzelne Benutzer – [Erste Schritte mit der Verwendung von Amazon SageMaker Canvas](canvas-getting-started.md)
+ Ein Beispiel für einen durchgängigen Workflow – [Tutorial: Erstellen Sie einen Workflow end-to-end für maschinelles Lernen in SageMaker Canvas](canvas-end-to-end-machine-learning-workflow.md)
# Erste Schritte mit der Verwendung von Amazon SageMaker Canvas
In diesem Handbuch erfahren Sie, wie Sie mit der Verwendung von SageMaker Canvas beginnen. Wenn Sie ein IT-Administrator sind und detailliertere Informationen wünschen, finden Sie weitere Informationen unter [Einrichtung und Rechteverwaltung von Amazon SageMaker Canvas (für IT-Administratoren)](canvas-setting-up.md) So richten Sie SageMaker Canvas für Ihre Benutzer ein.
**Topics**
+ [Voraussetzungen für die Einrichtung von Amazon SageMaker Canvas](#canvas-prerequisites)
+ [Schritt 1: Loggen Sie sich bei Canvas ein SageMaker](#canvas-getting-started-step1)
+ [Schritt 2: Verwenden Sie SageMaker Canvas, um Vorhersagen zu erhalten](#canvas-getting-started-step2)
## Voraussetzungen für die Einrichtung von Amazon SageMaker Canvas
Um eine SageMaker Canvas-Anwendung einzurichten, verwenden Sie beim Onboarding eine der folgenden Einrichtungsmethoden:
1. **Onboard mit der AWS Konsole.** Für das Onboarding über die AWS Konsole erstellen Sie zunächst eine Amazon SageMaker AI-Domain. SageMaker KI-Domänen unterstützen die verschiedenen Umgebungen für maschinelles Lernen (ML) wie Canvas und [SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html). Weitere Informationen zu Domains finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
1. (Schnell) [Verwenden Sie das Schnell-Setup für Amazon SageMaker AI](onboard-quick-start.md)– Wählen Sie diese Option aus, wenn Sie schnell eine Domain einrichten möchten. Dadurch erhält Ihr Benutzer alle Standardberechtigungen und Grundfunktionen von Canvas. Alle zusätzlichen Features wie das [Abfragen von Dokumenten](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html#canvas-fm-chat-query) können später von einem Administrator aktiviert werden. Wenn Sie detailliertere Berechtigungen konfigurieren möchten, empfehlen wir Ihnen, stattdessen die Option „Erweitert“ zu wählen.
1. (Standard) [Benutzerdefiniertes Setup für Amazon SageMaker AI verwenden](onboard-custom.md)– Wählen Sie diese Option aus, wenn Sie eine erweiterte Einrichtung Ihrer Domain durchführen möchten. Behalten Sie die detaillierte Kontrolle über Benutzerberechtigungen wie den Zugriff auf Datenaufbereitungsfunktionen, Funktionen der generativen KI und Modellbereitstellungen.
1. **An Bord mit CloudFormation.** [CloudFormation](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/Welcome.html)automatisiert die Bereitstellung von Ressourcen und Konfigurationen, sodass Sie Canvas für ein oder mehrere Benutzerprofile gleichzeitig einrichten können. Verwenden Sie diese Option, wenn Sie den Onboarding-Prozess in großem Umfang automatisieren und sicherstellen möchten, dass Ihre Anwendungen jedes Mal auf die gleiche Weise konfiguriert sind. Die folgende [CloudFormation Vorlage](https://github.com/aws-samples/cloudformation-studio-domain) bietet eine optimierte Methode zur Integration in Canvas. So wird sichergestellt, dass alle erforderlichen Komponenten ordnungsgemäß eingerichtet sind, sodass Sie sich auf die Erstellung und Bereitstellung Ihrer Modelle für maschinelles Lernen konzentrieren können.
Im folgenden Abschnitt wird beschrieben, wie Sie mit der AWS Konsole eine Domain erstellen, in Canvas integriert werden.
**Wichtig**
Damit Sie Amazon SageMaker Canvas einrichten können, muss Ihre Version von Amazon SageMaker Studio 3.19.0 oder höher sein. Informationen zur Aktualisierung von Amazon SageMaker Studio finden Sie unter[Amazon SageMaker Studio Classic herunterfahren und aktualisieren](studio-tasks-update-studio.md).
### Mit der AWS Konsole an Bord
Wenn Sie die Domain schnell einrichten, können Sie den Anweisungen unter [Verwenden Sie das Schnell-Setup für Amazon SageMaker AI](onboard-quick-start.md) folgen, den Rest dieses Abschnitts überspringen und mit [Schritt 1: Loggen Sie sich bei Canvas ein SageMaker](#canvas-getting-started-step1) fortfahren.
Wenn Sie die Standard-Domaineinrichtung vornehmen, können Sie die Canvas-Features angeben, auf die Sie Ihren Benutzern Zugriff gewähren möchten. Nutzen Sie den Rest dieses Abschnitts, während Sie die Standard-Domaineinrichtung abschließen, um die für Canvas spezifischen Berechtigungen zu konfigurieren.
In den [Benutzerdefiniertes Setup für Amazon SageMaker AI verwenden](onboard-custom.md)-Einrichtungsanweisungen müssen Sie für **Schritt 2: Benutzer und ML-Aktivitäten** die Canvas-Berechtigungen auswählen, die Sie gewähren möchten. Im Abschnitt **ML-Aktivitäten** können Sie die folgenden Berechtigungsrichtlinien auswählen, um Zugriff auf Canvas-Features zu gewähren. Bei der Einrichtung Ihrer Domain können Sie insgesamt nur bis zu 8 **ML-Aktivitäten** auswählen. Die ersten beiden Berechtigungen in der folgenden Liste sind für die Verwendung von Canvas erforderlich, während die restlichen Berechtigungen für zusätzliche Features gelten.
+ **Studio-Anwendungen ausführen** 0150 Diese Berechtigungen sind erforderlich, um die Canvas-Anwendung zu starten.
+ **[Zentraler Canvas-Zugriff](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)** – Diese Berechtigungen gewähren Ihnen Zugriff auf die Canvas-Anwendung und die Grundfunktionen von Canvas, wie das Erstellen von Datensätzen, die Verwendung grundlegender Datentransformationen sowie das Erstellen und Analysieren von Modellen.
+ (Optional) **[Canvas-Datenvorbereitung (unterstützt durch Data Wrangler)](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)** – Diese Berechtigungen ermöglichen Ihnen den Zugriff auf die Erstellung von Datenflüssen und die Verwendung erweiterter Transformationen zur Vorbereitung Ihrer Daten in Canvas. Diese Berechtigungen sind auch für die Erstellung von Datenverarbeitungsaufträgen und Zeitplänen für Datenvorbereitungsaufträge erforderlich.
+ (Optional) **[Canvas AI Services](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasAIServicesAccess.html)** — Diese Berechtigungen gewähren Ihnen Zugriff auf die Funktionen Ready-to-use Models, Foundation Models und Chat with Data in Canvas.
+ (Optional) **Kendra-Zugriff** – Diese Berechtigung gewährt Ihnen Zugriff auf das Feature zur [Abfrage von Dokumenten](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html#canvas-fm-chat-query), mit dem Sie Dokumente, die in einem Amazon-Kendra-Index gespeichert sind, mithilfe von Grundlagenmodellen in Canvas abfragen können.
Wenn Sie diese Option auswählen, geben Sie im Bereich **Canvas Kendra Access** die Indizes IDs für Ihre Amazon Kendra ein, auf die Sie Zugriff gewähren möchten.
+ (Optional) **[Canvas MLOps](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDirectDeployAccess.html)** — Diese Berechtigung gewährt Ihnen Zugriff auf die Funktion zur [Modellbereitstellung](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-deploy-model.html) in Canvas, mit der Sie Modelle zur Verwendung in der Produktion bereitstellen können.
Wählen Sie im Abschnitt **Schritt 3: Anwendungen** der Domaineinrichtung die Option **Canvas konfigurieren** aus und gehen Sie dann wie folgt vor:
1. Geben Sie für die **Canvas-Speicherkonfiguration** an, wo Canvas die Anwendungsdaten wie Modellartefakte, Batch-Vorhersagen, Datensätze und Protokolle speichern soll. SageMaker AI erstellt in diesem Bucket einen `Canvas/` Ordner zum Speichern der Daten. Weitere Informationen finden Sie unter [Konfigurieren Sie Ihren Amazon S3-Speicher](canvas-storage-configuration.md). Gehen Sie für diesen Abschnitt wie folgt vor:
1. Wählen Sie **System verwaltet** aus, wenn Sie als Speicherort den standardmäßigen, von SageMaker KI erstellten Bucket festlegen möchten, der dem Muster `s3://sagemaker-{Region}-{your-account-id}` folgt.
1. Wählen Sie **Benutzerdefiniertes S3**, um Ihren eigenen Amazon-S3-Bucket als Speicherort anzugeben. Geben Sie dann die Amazon-S3-URI ein.
1. (Optional) Geben Sie für den **Verschlüsselungsschlüssel** einen KMS-Schlüssel zur Verschlüsselung von Canvas-Artefakten an, die am angegebenen Speicherort gespeichert sind.
1. (Optional) Gehen Sie für **Amazon Q Developer** wie folgt vor:
1. **Aktivieren Sie Amazon Q Developer in SageMaker Canvas für maschinelles Lernen in natürlicher Sprache** aktivieren, um Ihren Benutzern die Möglichkeit zu geben, generative KI-Unterstützung während ihres ML-Workflows in Canvas zu nutzen. Diese Option gewährt lediglich Berechtigungen, um Amazon Q Developer um Unterstützung bei vorab festgelegten Aufgaben zu bitten, die in der Canvas-Anwendung ausgeführt werden können.
1. **Aktivieren Sie die Option Amazon Q Developer Chat für allgemeine AWS Fragen** aktivieren, um Ihren Benutzern die Erlaubnis zu geben, generative KI-Abfragen im Zusammenhang mit AWS Diensten zu stellen.
1. (Optional) Konfigurieren Sie den Abschnitt **Verarbeitung großer Datenmengen**, wenn Ihre Benutzer beabsichtigen, Datensätze mit mehr als 5 GB in Canvas zu verarbeiten. Detaillierte Informationen zum Konfigurieren dieser Optionen finden Sie unter [Gewähren von Berechtigungen zur Verwendung großer Datenmengen während des gesamten ML-Lebenszyklus für Benutzer](canvas-large-data-permissions.md).
1. (Optional) Gehen Sie im Abschnitt **ML Ops-Berechtigungskonfiguration** wie folgt vor:
1. Lassen Sie die Option **Direkte Bereitstellung von Canvas-Modellen aktivieren** aktiviert, um Ihren Benutzern die Erlaubnis zu geben, ihre Modelle von Canvas aus auf einem SageMaker KI-Endpunkt bereitzustellen. Weitere Informationen zur Modellbereitstellung in Canvas finden Sie unter [Stellen Sie Ihre Modelle auf einem Endpunkt bereit](canvas-deploy-model.md).
1. Lassen Sie die Option „**Registrierungsberechtigungen für die Modellregistrierung für alle Benutzer aktivieren**“ aktiviert, um Ihren Benutzern die Erlaubnis zu geben, ihre Modellversion in der SageMaker AI-Modellregistrierung zu registrieren (sie ist standardmäßig aktiviert). Weitere Informationen finden Sie unter [Registrieren Sie eine Modellversion in der AI-Modellregistrierung SageMaker](canvas-register-model.md).
1. Wenn Sie die Option **Registrierungsberechtigungen für die Modellregistrierung für alle Benutzer aktivieren** aktiviert gelassen haben, wählen Sie entweder **Nur bei Model Registry** oder **Modell in Model Registry registrieren und genehmigen** aus.
1. (Optional) Aktivieren Sie im Abschnitt **Konfiguration für den lokalen Datei-Upload** die Option **Lokales Hochladen von Dateien aktivieren**, um Ihren Benutzern die Erlaubnis zu geben, Dateien von ihren lokalen Computern auf Canvas hochzuladen. Wenn Sie diese Option aktivieren, wird eine CORS-Richtlinie (Cross-Origin Resource Sharing) an den Amazon-S3-Bucket angefügt, der in der **Canvas-Speicherkonfiguration** angegeben ist (und überschreibt alle vorhandenen CORS-Richtlinien). Weitere Informationen zu den Berechtigungen für das Hochladen lokaler Dateien finden Sie unter [Erteilen Sie Ihren Benutzern die Erlaubnis, lokale Dateien hochzuladen](canvas-set-up-local-upload.md).
1. (Optional) Gehen Sie im Bereich **OAuth Einstellungen** wie folgt vor:
1. Wählen Sie ** OAuth Konfiguration hinzufügen** aus.
1. Wählen Sie als **Datenquelle** Ihre Datenquelle aus.
1. Wählen Sie für **Secret-Einstellungen** die Option **Neues Secret erstellen** aus und geben Sie die Informationen ein, die Sie von Ihrem Identitätsanbieter erhalten haben. Wenn Sie die erste OAuth Einrichtung mit Ihrer Datenquelle noch nicht vorgenommen haben, finden Sie weitere Informationen unter[Richten Sie Verbindungen zu Datenquellen ein mit OAuth](canvas-setting-up-oauth.md).
1. (Optional) Gehen Sie für die **Konfiguration der Ready-to-use Canvas-Modelle** wie folgt vor:
1. Lassen Sie die Option ** Ready-to-useCanvas-Modelle aktivieren** aktiviert, um Ihren Benutzern die Berechtigung zu geben, Vorhersagen mit Ready-to-use Modellen in Canvas zu generieren (sie ist standardmäßig aktiviert). Diese Option gibt dir auch die Erlaubnis, mit generativen KI-gestützten Modellen zu chatten. Weitere Informationen finden Sie unter [Generative KI-Grundmodelle in SageMaker Canvas](canvas-fm-chat.md).
1. Lassen Sie die Option **Dokumentenabfrage mithilfe von Amazon Kendra aktivieren** aktiviert, um Ihren Benutzern die Erlaubnis zu geben, Foundation-Modelle für die Abfrage von Dokumenten zu verwenden, die in einem Amazon Kendra-Index gespeichert sind. Wählen Sie anschließend aus dem Dropdown-Menü die vorhandenen Indizes aus, für die Sie Zugriff gewähren möchten. Weitere Informationen finden Sie unter [Generative KI-Grundmodelle in SageMaker Canvas](canvas-fm-chat.md).
1. Wählen Sie für die **Amazon-Bedrock-Rolle** die Option **Neue Ausführungsrolle erstellen und verwenden** aus, um eine neue IAM-Ausführungsrolle zu erstellen, die eine Vertrauensbeziehung mit Amazon Bedrock unterhält. Diese IAM-Rolle wird von Amazon Bedrock zur Feinabstimmung großer Sprachmodelle (LLMs) in Canvas übernommen. Wenn Sie bereits eine Ausführungsrolle mit einer Vertrauensbeziehung haben, wählen Sie **Bestehende Ausführungsrolle verwenden** und wählen Sie Ihre Rolle aus der Dropdown-Liste aus. Weitere Informationen zur manuellen Konfiguration von Berechtigungen für Ihre eigene Ausführungsrolle finden Sie unter [Erteilen von Berechtigungen zur Verwendung von Amazon-Bedrock-Features und Features der generativen KI in Canvas](canvas-fine-tuning-permissions.md).
1. Schließen Sie die Konfiguration der restlichen Domaineinstellungen mithilfe der folgenden [Benutzerdefiniertes Setup für Amazon SageMaker AI verwenden](onboard-custom.md)-Verfahren ab.
**Anmerkung**
Wenn Sie Probleme bei der Erteilung von Berechtigungen über die Konsole haben, z. B. bei Berechtigungen für Ready-to-use Modelle, finden Sie weitere Informationen im Thema. [Behebung von Problemen bei der Erteilung von Berechtigungen über die SageMaker AI-Konsole](canvas-limits.md#canvas-troubleshoot-trusted-services)
Sie sollten jetzt eine SageMaker AI-Domain eingerichtet und alle Canvas-Berechtigungen konfiguriert haben.
Sie können die Canvas-Berechtigungen für eine Domain oder einen bestimmten Benutzer nach der ersten Einrichtung der Domain bearbeiten. Individuelle Benutzereinstellungen haben Vorrang vor den Domaineinstellungen. Informationen zum Bearbeiten Ihrer Canvas-Berechtigungen in den Domain-Einstellungen finden Sie unter [Bearbeiten von Domaineinstellungen](domain-edit.md).
### Erteilen Sie sich die Erlaubnis, bestimmte Funktionen in Canvas zu verwenden
In den folgenden Informationen werden die verschiedenen Berechtigungen beschrieben, die Sie einem Canvas-Benutzer gewähren können, um die Nutzung verschiedener Features und Funktionen in Canvas zu ermöglichen: Einige dieser Berechtigungen können während der Domaineinrichtung erteilt werden, für einige sind jedoch zusätzliche Berechtigungen oder eine zusätzliche Konfiguration erforderlich. Lesen Sie die spezifischen Berechtigungsinformationen für jedes Feature, das Sie aktivieren möchten:
+ **Lokaler Datei-Upload.** Die Berechtigungen für den lokalen Datei-Upload sind standardmäßig in den Canvas-Basisberechtigungen aktiviert, wenn Sie Ihre Domain einrichten. Wenn Sie keine lokalen Dateien von Ihrem Computer auf SageMaker Canvas hochladen können, können Sie eine CORS-Richtlinie an den Amazon S3 S3-Bucket anhängen, den Sie in der Canvas-Speicherkonfiguration angegeben haben. Wenn Sie SageMaker KI erlaubt haben, den Standard-Bucket zu verwenden, folgt der Bucket dem Benennungsmuster`s3://sagemaker-{Region}-{your-account-id}`. Weitere Informationen finden Sie unter [Erteilen Sie Ihren Benutzern Berechtigungen zum Hochladen lokaler Dateien](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-set-up-local-upload.html).
+ **Benutzerdefinierte Bild- und Textvorhersagemodelle.** Die Berechtigungen für die Erstellung von benutzerdefinierten Bild- und Textvorhersagemodellen sind standardmäßig in den Canvas-Basisberechtigungen aktiviert, wenn Sie Ihre Domain einrichten. Wenn Sie jedoch über eine benutzerdefinierte IAM-Konfiguration verfügen und die [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)Richtlinie nicht an die IAM-Ausführungsrolle Ihres Benutzers anhängen möchten, müssen Sie Ihrem Benutzer ausdrücklich die erforderlichen Berechtigungen gewähren. Weitere Informationen finden Sie unter [Erteilen Sie Ihren Benutzern die Erlaubnis, benutzerdefinierte Bild- und Textvorhersagemodelle zu erstellen](canvas-set-up-cv-nlp.md).
+ **Ready-to-use Modelle und Basismodelle.** Möglicherweise möchten Sie die Ready-to-use Canvas-Modelle verwenden, um Vorhersagen für Ihre Daten zu treffen. Mit den Ready-to-use Modellberechtigungen können Sie auch mit generativen KI-gestützten Modellen chatten. Die Berechtigungen sind standardmäßig aktiviert, wenn Sie Ihre Domain einrichten, oder Sie können die Berechtigungen für eine Domain bearbeiten, die Sie bereits erstellt haben. Mit der Option Berechtigungen für Ready-to-use Canvas-Modelle wird die [AmazonSageMakerCanvasAIServicesZugriffsrichtlinie](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) zu Ihrer Ausführungsrolle hinzugefügt. Weitere Informationen finden Sie im [Erste Schritte](canvas-ready-to-use-models.md#canvas-ready-to-use-get-started) Abschnitt der Ready-to-use Modelldokumentation.
Weitere Informationen zu den ersten Schritten mit generativen KI-Grundlagenmodellen für finden Sie unter [Generative KI-Grundmodelle in SageMaker Canvas](canvas-fm-chat.md).
+ **Optimieren Sie die Grundlagenmodelle.** Wenn Sie die Grundlagenmodelle in Canvas optimieren möchten, können Sie entweder die Berechtigungen beim Einrichten Ihrer Domain hinzufügen oder die Berechtigungen für die Domain oder das Benutzerprofil nach der Erstellung Ihrer Domain bearbeiten. Sie müssen die [AmazonSageMakerCanvasAIServicesZugriffsrichtlinie](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) zu der AWS IAM-Rolle hinzufügen, die Sie bei der Einrichtung des Benutzerprofils ausgewählt haben, und Sie müssen der Rolle auch eine Vertrauensbeziehung mit Amazon Bedrock hinzufügen. Anweisungen zum Hinzufügen dieser Berechtigungen zu Ihrer IAM-Rolle finden Sie unter [Erteilen von Berechtigungen zur Verwendung von Amazon-Bedrock-Features und Features der generativen KI in Canvas](canvas-fine-tuning-permissions.md).
+ **Senden Sie Batch-Prognosen an Quick.** Möglicherweise möchten Sie [*Batch-Vorhersagen oder Datensätze von Prognosen*, die Sie anhand eines benutzerdefinierten Modells generieren, zur Analyse an Quick senden](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-predictions.html). In [QuickSight](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html)können Sie Prognose-Dashboards mit Ihren Prognoseergebnissen erstellen und veröffentlichen. Anweisungen zum Hinzufügen dieser Berechtigungen zur IAM-Rolle Ihres Canvas-Benutzers finden Sie unter [Gewähren Sie Ihren Benutzern Berechtigungen zum Senden von Prognosen an Quick](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-quicksight-permissions.html).
+ **Stellen Sie Canvas-Modelle auf einem SageMaker KI-Endpunkt bereit.** SageMaker AI Hosting bietet *Endpunkte*, mit denen Sie Ihr Modell für die Verwendung in der Produktion bereitstellen können. Sie können in Canvas erstellte Modelle auf einem SageMaker KI-Endpunkt bereitstellen und dann programmgesteuert Vorhersagen in einer Produktionsumgebung treffen. Weitere Informationen finden Sie unter [Stellen Sie Ihre Modelle auf einem Endpunkt bereit](canvas-deploy-model.md).
+ **Registrieren Sie Modellversionen in der Modellregistrierung.** Möglicherweise möchten Sie *Versionen* Ihres Modells in der [SageMaker AI-Modellregistrierung](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html) registrieren. Dabei handelt es sich um ein Repository, in dem Sie den Status aktualisierter Versionen Ihres Modells verfolgen können. Ein Datenwissenschaftler oder ein MLOps Team, das in der SageMaker Model Registry arbeitet, kann die Versionen Ihres Modells, die Sie erstellt haben, einsehen und sie genehmigen oder ablehnen. Anschließend können sie Ihre Modellversion für die Produktion einsetzen oder einen automatisierten Workflow starten. Die Berechtigungen zur Modellregistrierung sind standardmäßig für Ihre Domain aktiviert. Sie können Berechtigungen auf Benutzerprofilebene verwalten und bestimmten Benutzern Berechtigungen gewähren oder entziehen. Weitere Informationen finden Sie unter [Registrieren Sie eine Modellversion in der AI-Modellregistrierung SageMaker](canvas-register-model.md).
+ **Importieren Sie Daten aus Amazon Redshift.** Wenn Sie Daten aus Amazon Redshift importieren möchten, müssen Sie sich zusätzliche Berechtigungen erteilen. Sie müssen die `AmazonRedshiftFullAccess` verwaltete Richtlinie zu der AWS IAM-Rolle hinzufügen, die Sie bei der Einrichtung des Benutzerprofils ausgewählt haben. Anweisungen zum Hinzufügen der Richtlinie zur Rolle finden Sie unter [Gewähren von Benutzerberechtigungen zum Import von Amazon Redshift-Daten](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-redshift-permissions.html).
**Anmerkung**
Die erforderlichen Berechtigungen für den Import über andere Datenquellen wie Amazon Athena und SaaS-Plattformen sind in den [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)Richtlinien [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)und enthalten. Wenn Sie die Anweisungen zur Standardeinrichtung befolgt haben, sollten diese Richtlinien bereits Ihrer Ausführungsrolle zugeordnet sein. Weitere Informationen über diese Datenquellen und ihre Berechtigungen finden Sie unter [Verbinden zu Datenquellen](canvas-connecting-external.md).
## Schritt 1: Loggen Sie sich bei Canvas ein SageMaker
Wenn die Ersteinrichtung abgeschlossen ist, können Sie je nach Anwendungsfall mit einer der folgenden Methoden auf SageMaker Canvas zugreifen:
+ Wählen Sie in der [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker/) im linken Navigationsbereich den **Canvas** aus. Wählen Sie dann auf der **Canvas**-Seite Ihren Benutzer aus der Dropdown-Liste aus und starten Sie die Canvas-Anwendung.
+ Öffnen Sie [SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html), wechseln Sie in der Studio-Oberfläche zur Canvas-Seite und starten Sie die Canvas-Anwendung.
+ Verwenden Sie die SAML 2.0-basierten SSO-Methoden Ihres Unternehmens, wie Okta oder das IAM Identity Center.
Wenn Sie sich zum ersten Mal bei SageMaker Canvas anmelden, erstellt SageMaker AI die Anwendung und einen SageMaker *KI-Bereich* für Sie. Die Daten der Canvas-Anwendung werden im Bereich gespeichert. Weitere Informationen zu Bereichen finden Sie unter [Zusammenarbeit mit gemeinsam genutzten Räumen](domain-space.md). Der Bereich besteht aus den Anwendungen Ihres Benutzerprofils und einem gemeinsamen Verzeichnis für alle Daten Ihrer Anwendungen. Wenn Sie den von SageMaker AI erstellten Standardbereich nicht verwenden möchten und lieber Ihren eigenen Speicherplatz zum Speichern von Anwendungsdaten einrichten möchten, finden Sie weitere Informationen auf der Seite[Speichern Sie SageMaker Canvas-Anwendungsdaten in Ihrem eigenen KI-Bereich SageMaker](canvas-spaces-setup.md).
## Schritt 2: Verwenden Sie SageMaker Canvas, um Vorhersagen zu erhalten
Nachdem Sie sich bei Canvas angemeldet haben, können Sie mit der Erstellung von Modellen und der Generierung von Prognosen für Ihre Daten beginnen.
Sie können entweder Ready-to-use Canvas-Modelle verwenden, um Vorhersagen zu treffen, ohne ein Modell zu erstellen, oder Sie können ein benutzerdefiniertes Modell für Ihr spezifisches Geschäftsproblem erstellen. Sehen Sie sich die folgenden Informationen an, um zu entscheiden, ob Ready-to-use Modelle oder benutzerdefinierte Modelle für Ihren Anwendungsfall am besten geeignet sind.
+ **Ready-to-use Modelle.** Mit Ready-to-use Modellen können Sie vorgefertigte Modelle verwenden, um Erkenntnisse aus Ihren Daten zu gewinnen. Die Ready-to-use Modelle decken eine Vielzahl von Anwendungsfällen ab, z. B. Spracherkennung und Dokumentenanalyse. Erste Schritte zum Erstellen von Prognosen mit Ready-to-use Modellen finden Sie unter[Ready-to-use Modelle](canvas-ready-to-use-models.md).
+ **Benutzerdefinierte Modelle.** Mit benutzerdefinierten Modellen können Sie eine Vielzahl von Modelltypen erstellen, die so angepasst sind, dass sie Vorhersagen für Ihre Daten treffen. Verwenden Sie benutzerdefinierte Modelle, wenn Sie ein Modell erstellen möchten, das auf Ihren geschäftsspezifischen Daten trainiert ist, und wenn Sie Features wie die [Bewertung der Leistung Ihres Modells](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html) nutzen möchten. Erste Schritte mit der Erstellung eines benutzerdefinierten Modells finden Sie unter [Benutzerdefinierte Modelle](canvas-custom-models.md).
# Tutorial: Erstellen Sie einen Workflow end-to-end für maschinelles Lernen in SageMaker Canvas
Dieses Tutorial führt Sie durch einen Workflow für end-to-end maschinelles Lernen (ML) mit Amazon SageMaker Canvas. SageMaker Canvas ist eine visuelle Schnittstelle ohne Code, mit der Sie Daten aufbereiten und ML-Modelle trainieren und bereitstellen können. Für das Tutorial verwenden Sie einen Datensatz zu New Yorker Taxis, um ein Modell zu trainieren, das den Fahrpreis für eine bestimmte Fahrt vorhersagt. Sie erhalten praktische Erfahrung mit wichtigen ML-Aufgaben wie der Bewertung der Datenqualität und der Behebung von Datenproblemen, der Aufteilung von Daten in Trainings- und Testsätze, dem Training und der Bewertung von Modellen, dem Erstellen von Prognosen und der Bereitstellung Ihres trainierten Modells — alles innerhalb der Canvas-Anwendung. SageMaker
**Wichtig**
In diesem Tutorial wird davon ausgegangen, dass Sie oder Ihr Administrator ein Konto erstellt haben. AWS Informationen zum Erstellen eines AWS Kontos finden Sie unter [Erste Schritte: Sind Sie ein AWS Erstbenutzer?](https://docs.aws.amazon.com/accounts/latest/reference/welcome-first-time-user.html)
## Einrichtung
Eine Amazon SageMaker AI-Domain ist ein zentraler Ort zur Verwaltung all Ihrer Amazon SageMaker AI-Umgebungen und -Ressourcen. Eine Domain dient als virtuelle Grenze für Ihre Arbeit im Bereich SageMaker KI und bietet Isolierung und Zugriffskontrolle für Ihre Ressourcen für maschinelles Lernen (ML).
Um mit Amazon SageMaker Canvas zu beginnen, müssen Sie oder Ihr Administrator zur SageMaker AI-Konsole navigieren und eine Amazon SageMaker AI-Domain erstellen. Eine Domain verfügt über die Speicher- und Rechenressourcen, die Sie für die Ausführung von SageMaker Canvas benötigen. Innerhalb der Domain konfigurieren Sie SageMaker Canvas für den Zugriff auf Ihre Amazon S3 S3-Buckets und die Bereitstellung von Modellen. Gehen Sie wie folgt vor, um eine Quick-Domain einzurichten und eine SageMaker Canvas-Anwendung zu erstellen.
**Um SageMaker Canvas einzurichten**
1. Navigieren Sie zur [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker).
1. Wählen Sie in der linken Navigationsleiste SageMaker Canvas aus.
1. Wählen Sie „**Eine SageMaker KI-Domain erstellen**“.
1. Wählen Sie **Einrichten** aus. Die Einrichtung der Domain kann einige Minuten dauern.
Das vorherige Verfahren verwendete eine schnelle Domaineinrichtung. Sie können eine erweiterte Konfiguration vornehmen, um alle Aspekte der Kontoeinstellungen zu steuern, einschließlich Berechtigungen, Integrationen und Verschlüsselung. Weitere Informationen zu einer benutzerdefinierten Einrichtung finden Sie unter [Benutzerdefiniertes Setup für Amazon SageMaker AI verwenden](onboard-custom.md).
Standardmäßig erhalten Sie durch die schnelle Domaineinrichtung die Berechtigungen zum Bereitstellen von Modellen. Wenn Sie benutzerdefinierte Berechtigungen über eine Standarddomäne eingerichtet haben und manuell Berechtigungen für die Modellbereitstellung erteilen müssen, lesen Sie [Berechtigungsverwaltung](canvas-deploy-model.md#canvas-deploy-model-prereqs).
## Flow-Erstellung
Amazon SageMaker Canvas ist eine Plattform für maschinelles Lernen, die es Benutzern ermöglicht, Modelle für maschinelles Lernen ohne umfangreiche Programmierkenntnisse oder maschinelles Lernen zu erstellen, zu trainieren und einzusetzen. Eine der leistungsstarken Funktionen von Amazon SageMaker Canvas ist die Möglichkeit, große Datensätze aus verschiedenen Quellen wie Amazon S3 zu importieren und mit ihnen zu arbeiten.
In diesem Tutorial verwenden wir den Taxidatensatz von NYC, um mithilfe eines Amazon SageMaker Canvas Data Wrangler-Datenflusses den Fahrpreis für jede Fahrt vorherzusagen. Das folgende Verfahren beschreibt die Schritte zum Importieren einer modifizierten Version des Datensatz zu New Yorker Taxis in einen Datenfluss.
**Anmerkung**
Zur besseren Verarbeitung importiert SageMaker Canvas eine Stichprobe Ihrer Daten. Standardmäßig werden 50 000 Zeilen nach dem Zufallsprinzip ausgewählt.
**So importieren Sie den Datensatz zu New Yorker Taxis**
1. Wählen Sie SageMaker auf der Canvas-Startseite **Data Wrangler** aus.
1. Wählen Sie **Daten importieren**.
1. Wählen Sie **Tabellarisch** aus.
1. Wählen Sie die Toolbox neben der Datenquelle aus.
1. Wählen Sie **Amazon S3** aus der Dropdown-Liste aus.
1. Geben Sie für **Eingabe des S3-Endpunktes** die Option `s3://amazon-sagemaker-data-wrangler-documentation-artifacts/canvas-single-file-nyc-taxi-dataset.csv` aus.
1. Wählen Sie **Go** aus.
1. Aktivieren Sie das Kontrollkästchen neben dem Datensatz.
1. Wählen Sie **Datenvorschau** aus.
1. Wählen Sie **Speichern**.
## Datenqualitäts- und Insights-Bericht 1 (Beispiel)
Nach dem Import eines Datensatzes in Amazon SageMaker Canvas können Sie einen Datenqualitäts- und Insights-Bericht für eine Stichprobe der Daten erstellen. Nutzen Sie ihn, um wertvolle Einblicke in den Datensatz zu gewinnen. Der Bericht bewirkt Folgendes:
+ Beurteilt die Vollständigkeit des Datensatzes
+ Identifiziert fehlende Werte und Ausreißer
Es kann andere potenzielle Probleme identifizieren, die sich auf die Modellleistung auswirken können. Außerdem wird die Vorhersagekraft der einzelnen Merkmale in Bezug auf die Zielvariable bewertet, sodass Sie die relevantesten Merkmale für das Problem, das Sie zu lösen versuchen, identifizieren können.
Wir können die Erkenntnisse aus dem Bericht nutzen, um die Höhe des Fahrpreises vorherzusagen. Indem Sie die Spalte für den **Fahrpreis** als Zielvariable angeben und **Regression** als Problemtyp auswählen, analysiert der Bericht, ob der Datensatz für die Vorhersage kontinuierlicher Werte wie Fahrpreise geeignet ist. Der Bericht sollte zeigen, dass Features wie **year** und **Hour\$1of\$1Day** eine geringe Aussagekraft für die gewählte Zielvariable haben, sodass Sie wertvolle Erkenntnisse gewinnen können.
Gehen Sie wie folgt vor, um einen Datenqualitäts- und Insights-Bericht basierend auf einer Stichprobe mit 50 000 Zeilen aus dem Datensatz zu erhalten.
**So erhalten Sie einen Bericht basierend auf einer Stichprobe**
1. Wählen Sie im Popup-Fenster neben dem Knoten **Datentypen** die Option **Daten-Insights erhalten** aus.
1. Geben Sie unter **Analysename** einen Namen für den Bericht an.
1. Wählen Sie als **Problemtyp** die Option **Regression** aus.
1. Wählen Sie für die **Ziel-Spalte** die Option **Fahrpreis** aus.
1. Wählen Sie **Erstellen** aus.
Sie können den Datenqualitäts- und Insights-Bericht basierend auf einer Stichprobe Ihrer Daten überprüfen. Aus dem Bericht geht hervor, dass die Features **year** und **Hour\$1of\$1Day** keine Vorhersage der Zielvariablen, dem **Fahrpreis**, ermöglichen.
Wählen Sie oben in der Navigation den Namen des Datenflusses aus, um zu ihm zurückzukehren.
## Löschen von Jahr und Tageszeit
Wir verwenden die Insights aus dem Bericht, um die Spalten **year** und **hour\$1of\$1day** zu löschen, um den Feature-Bereich zu optimieren und möglicherweise die Modellleistung zu verbessern.
Amazon SageMaker Canvas bietet eine benutzerfreundliche Oberfläche und Tools zur Durchführung solcher Datentransformationen.
Gehen Sie wie folgt vor, um die Spalten **year** und **hour\$1of\$1day** mit dem Data Wrangler-Tool in Amazon Canvas aus dem NYC-Taxi-Datensatz zu löschen. SageMaker
1. Wählen Sie das Symbol neben **Datentypen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Schreiben Sie in der Suchleiste den Text **Spalte löschen**.
1. Wählen Sie **Spalten verwalten** aus.
1. Wählen Sie **Spalte löschen** aus.
1. Wählen Sie für **Zu löschende Spalten** die Spalten **year** und **hour\$1of\$1day** aus.
1. Wählen Sie **Vorschau**, um zu sehen, wie Ihre Transformation Ihre Daten verändert.
1. Wählen Sie **Hinzufügen** aus.
Sie können das vorherige Verfahren als Grundlage verwenden, um alle anderen Transformationen in Canvas hinzuzufügen. SageMaker
## Bericht 2 zur Datenqualität und zu Insights (vollständiger Datensatz)
Für den vorherigen Insights-Bericht haben wir eine Stichprobe des Datensatzes zum New Yorker Taxi verwendet. Für unseren zweiten Bericht führen wir eine umfassende Analyse des gesamten Datensatzes durch, um mögliche Probleme zu identifizieren, die sich auf die Modellleistung auswirken.
Gehen Sie wie folgt vor, um einen Datenqualitäts- und Insights-Bericht zu einem kompletten Datensatz zu erstellen.
**So erhalten Sie einen Bericht über den gesamten Datensatz**
1. Wählen Sie das Symbol neben dem Knoten **Spalten löschen** aus.
1. Wählen Sie **Daten-Insights abrufen** aus.
1. Geben Sie unter **Analysename** einen Namen für den Bericht an.
1. Wählen Sie als **Problemtyp** die Option **Regression** aus.
1. Wählen Sie für die **Ziel-Spalte** die Option **Fahrpreis** aus.
1. Wählen Sie für **Datengröße** die Option **Vollständiger Datensatz** aus.
1. Wählen Sie **Erstellen** aus.
Das Folgende ist ein Bild aus dem Insights-Bericht:
![\[Doppelte Zeilen, verzerrtes Ziel und sehr niedrige Schnellmodellbewertung werden als insightsP aufgeführt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/canvas-tutorial-dqi-insights.png)
Er zeigt die folgenden Probleme:
+ Doppelte Zeilen
+ Verzerrtes Ziel
Doppelte Zeilen können zu Data Leakage führen, da das Modell während des Trainings und Testens denselben Daten ausgesetzt ist. Sie können zu übermäßig optimistischen Leistungskennzahlen führen. Durch das Entfernen doppelter Zeilen wird sichergestellt, dass das Modell anhand eindeutiger Instances trainiert wird, wodurch das Risiko von Data Leakage verringert und die Generalisierungsfähigkeit des Modells verbessert wird.
Eine verzerrte Verteilung der Zielvariablen, in diesem Fall die Spalte **Fahrpreis**, kann zu unausgewogenen Klassen führen, wodurch das Modell möglicherweise zugunsten der Mehrheitsklasse verzerrt wird. Dies kann zu einer schlechten Leistung bei Minderheitsklassen führen, was insbesondere in Szenarien problematisch ist, in denen die genaue Vorhersage seltener oder unterrepräsentierter Fälle von Bedeutung ist.
## Behebung von Datenqualitätsproblemen
Um diese Probleme zu beheben und den Datensatz für die Modellierung vorzubereiten, können Sie nach den folgenden Transformationen suchen und diese anwenden:
1. Löschen Sie Duplikate mithilfe der Transformation **Zeilen verwalten**.
1. **Behandeln Sie Ausreißer** in der Spalte **Fahrpreis** mithilfe der **numerischen Ausreißer mit robuster Standardabweichung**.
1. **Behandeln Sie Ausreißer** in den Spalten **Fahrtstrecke** und **Dauer** mithilfe der **numerischen Ausreißer mit robuster Standardabweichung**.
1. Verwenden Sie die Option **Kategorisch kodieren**, um die Spalten **Tarifcode-ID**, **Zahlungsart**, **Zusatzkennzeichen** und **Mautkennzeichen** als Gleitkommazahlen zu kodieren.
Sollten Sie sich nicht sicher sein, wie Sie eine Transformation anwenden, lesen Sie [Löschen von Jahr und Tageszeit](#canvas-tutorial-drop-year-and-hour-of-day).
Durch die Behebung dieser Datenqualitätsprobleme und die Anwendung geeigneter Transformationen können Sie die Eignung des Datensatzes für die Modellierung verbessern.
## Überprüfung der Datenqualität und der Genauigkeit des Quick-Modells
Nach der Anwendung der Transformationen zur Behebung von Datenqualitätsproblemen, wie beispielsweise dem Entfernen doppelter Zeilen, erstellen wir unseren abschließenden Bericht zur Datenqualität und Insights. Dieser Bericht dient dazu, zu überprüfen, ob die angewandten Transformationen die Probleme behoben haben und der Datensatz nun für die Modellierung geeignet ist.
Bei der Überprüfung des abschließenden Berichts zu Datenqualität und Insights sollten Sie davon ausgehen, dass keine wesentlichen Probleme hinsichtlich der Datenqualität gemeldet werden. Aus dem Bericht sollte Folgendes hervorgehen:
+ Die Zielvariable ist nicht mehr verzerrt.
+ Es gibt keine Ausreißer oder doppelte Zeilen.
Darüber hinaus sollte der Bericht eine schnelle Modellbewertung enthalten, die auf einem Basismodell basiert, das anhand des transformierten Datensatzes trainiert wurde. Dieser Wert dient als erster Indikator für die potenzielle Genauigkeit und Leistung des Modells.
Gehen Sie wie folgt vor, um den Datenqualitäts- und Insights-Bericht zu erstellen.
**So erstellen Sie einen Datenqualitäts- und Insights-Bericht**
1. Wählen Sie das Symbol neben dem Knoten **Spalten löschen** aus.
1. Wählen Sie **Daten-Insights abrufen** aus.
1. Geben Sie unter **Analysename** einen Namen für den Bericht an.
1. Wählen Sie als **Problemtyp** die Option **Regression** aus.
1. Wählen Sie für die **Ziel-Spalte** die Option **Fahrpreis** aus.
1. Wählen Sie für **Datengröße** die Option **Vollständiger Datensatz** aus.
1. Wählen Sie **Erstellen** aus.
## Aufteilen der Daten in Trainings- und Testdatensätze
Um ein Modell zu trainieren und seine Leistung zu bewerten, verwenden wir die Transformation **Daten aufteilen**, um die Daten in Trainings- und Testsätze aufzuteilen.
Standardmäßig verwendet SageMaker Canvas eine zufällige Aufteilung, aber Sie können auch die folgenden Arten von Teilungen verwenden:
+ Bestellt
+ Stratifiziert
+ Nach Schlüsseln aufteilen
Sie können den **Prozentsatz für die Aufteilung** ändern oder Teilungen hinzufügen.
Für dieses Tutorial verwenden Sie alle Standardeinstellungen in der Aufteilung. Sie müssen auf den Datensatz doppelklicken, um seinen Namen zu sehen. Der Trainingsdatensatz hat den Namen **Dataset (Train)**.
Wenden Sie neben dem **Ordinal-Codierungsknoten** die Transformation **Daten aufteilen** an.
## Trainieren von Modellen
Nachdem Sie Ihre Daten aufgeteilt haben, können Sie ein Modell trainieren. Dieses Modell lernt aus Mustern in Ihren Daten. Sie können es verwenden, um Vorhersagen zu treffen oder Erkenntnisse zu gewinnen.
SageMaker Canvas bietet sowohl Schnell-Builds als auch Standard-Builds. Verwenden Sie einen Standard-Build, um das leistungsstärkste Modell für Ihre Daten zu trainieren.
Bevor Sie mit dem Training eines Modells beginnen, müssen Sie den Trainingsdatensatz zunächst als SageMaker Canvas-Datensatz exportieren.
**So exportieren Sie Ihren Datensatz**
1. Wählen Sie neben dem Knoten für den Trainingsdatensatz das Symbol und dann **Exportieren** aus.
1. Wählen Sie den **SageMaker Canvas-Datensatz** aus.
1. Wählen Sie **Exportieren** aus, um den Datensatz zu exportieren.
Nachdem Sie einen Datensatz erstellt haben, können Sie ein Modell auf dem von Ihnen erstellten SageMaker Canvas-Datensatz trainieren. Für weitere Informationen zum Schulen eines Modells siehe [Erstellen Sie ein benutzerdefiniertes numerisches oder kategoriales Vorhersagemodell](canvas-build-model-how-to.md#canvas-build-model-numeric-categorical).
## Evaluieren des Modells und Treffen von Vorhersagen
Nach dem Training Ihres Machine-Learning-Modells ist es von entscheidender Bedeutung, dessen Leistung zu bewerten, um sicherzustellen, dass es Ihren Anforderungen entspricht und bei unbekannten Daten gut funktioniert. Amazon SageMaker Canvas bietet eine benutzerfreundliche Oberfläche, mit der Sie die Genauigkeit Ihres Modells beurteilen, seine Prognosen überprüfen und Einblicke in seine Stärken und Schwächen gewinnen können. Sie können die gewonnenen Erkenntnisse nutzen, um fundierte Entscheidungen über den Einsatz und mögliche Verbesserungsbereiche zu treffen.
Verwenden Sie das folgende Verfahren, um ein Modell zu bewerten, bevor Sie es bereitstellen.
**So bewerten Sie ein Modell**
1. Wählen Sie **Meine Modelle** aus.
1. Wählen Sie das Modell aus, das Sie erstellt haben.
1. Wählen Sie unter **Versionen** die Version aus, die dem Modell entspricht.
Sie können jetzt die Metriken zur Modellbewertung anzeigen.
Nachdem Sie das Modell evaluiert haben, können Sie Vorhersagen zu neuen Daten treffen. Wir verwenden den Testdatensatz, den wir erstellt haben.
Um den Testdatensatz für Vorhersagen zu verwenden, müssen wir ihn in einen SageMaker Canvas-Datensatz konvertieren. Der SageMaker Canvas-Datensatz hat ein Format, das das Modell interpretieren kann.
Gehen Sie wie folgt vor, um einen SageMaker Canvas-Datensatz aus dem Testdatensatz zu erstellen.
**Um einen SageMaker Canvas-Datensatz zu erstellen**
1. Wählen Sie neben dem Datensatz **Dataset (Test)** das Optionsfeld aus.
1. Wählen Sie **Exportieren** aus.
1. Wählen Sie den **SageMaker Canvas-Datensatz** aus.
1. Geben Sie als **Datensatzname** einen Namen für den Datensatz an.
1. Wählen Sie **Export** aus.
Gehen Sie wie folgt vor, um Vorhersagen zu treffen. Es wird davon ausgegangen, dass Sie sich weiterhin auf der Seite **Analysieren** befinden.
**So treffen Sie Vorhersagen für den Testdatensatz**
1. Wählen Sie **Vorhersagen** aus.
1. Wählen Sie **Manuell** aus.
1. Wählen Sie den Datensatz aus, den Sie exportiert haben.
1. Wählen Sie **Vorhersagen generieren** aus.
1. Wenn SageMaker Canvas mit der Generierung der Prognosen fertig ist, wählen Sie das Symbol rechts neben dem Datensatz aus.
1. Wählen Sie **Vorschau** aus, um die Prognosen anzuzeigen.
## Bereitstellen eines Modells
Nachdem Sie Ihr Modell evaluiert haben, können Sie es auf einem Endpunkt bereitstellen. Sie können Anfragen an den Endpunkt senden, um Vorhersagen zu erhalten.
Gehen Sie wie folgt vor, um ein Modell bereitzustellen. Es wird davon ausgegangen, dass Sie sich weiterhin auf der Seite **Vorhersagen** befinden.
**So stellen Sie ein Modell bereit**
1. Wählen Sie **Bereitstellen**.
1. Wählen Sie **Create deployment**.
1. Wählen Sie **Bereitstellen**.
## Bereinigen
Sie haben das Tutorial erfolgreich abgeschlossen. Um zusätzliche Kosten zu vermeiden, löschen Sie die Ressourcen, die Sie nicht verwenden.
Gehen Sie wie folgt vor, um den von Ihnen erstellten Endpunkt zu löschen. Es wird davon ausgegangen, dass Sie sich weiterhin auf der Seite **Bereitstellen** befinden.
**So löschen Sie einen Endpunkt**
1. Wählen Sie das Optionsfeld rechts neben Ihrer Bereitstellung aus.
1. Wählen Sie **Bereitstellung löschen** aus.
1. Wählen Sie **Löschen** aus.
Löschen Sie nach dem Löschen der Bereitstellung die Datensätze, die Sie in SageMaker Canvas erstellt haben. Führen Sie die folgenden Schritte aus, um die Datensätze zu löschen.
**So löschen Sie die Datensätze**
1. Wählen Sie im linken Navigationsbereich die Option **Datensätze** aus.
1. Wählen Sie den Datensatz aus, den Sie analysiert haben, und den synthetischen Datensatz, der für Vorhersagen verwendet wurde.
1. Wählen Sie **Löschen** aus.
Um zusätzliche Gebühren zu vermeiden, müssen Sie sich bei Canvas abmelden. SageMaker Weitere Informationen finden Sie unter [Von Amazon SageMaker Canvas abmelden](canvas-log-out.md).
# Einrichtung und Rechteverwaltung von Amazon SageMaker Canvas (für IT-Administratoren)
Auf den folgenden Seiten wird erklärt, wie IT-Administratoren Amazon SageMaker Canvas konfigurieren und Benutzern in ihren Organisationen Berechtigungen gewähren können. Sie erfahren, wie Sie die Speicherkonfiguration einrichten, die Datenverschlüsselung verwalten und VPCs den Zugriff auf bestimmte Funktionen wie generative KI-Grundmodelle steuern, die Integration mit anderen AWS Services wie Amazon Redshift und mehr. Wenn Sie diese Schritte befolgen, können Sie SageMaker Canvas auf die spezifischen Anforderungen Ihres Unternehmens auf Ihre Benutzer zuschneiden.
Sie können SageMaker Canvas auch mit für Ihre Benutzer einrichten AWS CloudFormation. Weitere Informationen finden Sie unter [AWS:: SageMaker AI: :App](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/aws-resource-sagemaker-app.html) im *AWS CloudFormation Benutzerhandbuch*.
**Topics**
+ [Erteilen Sie Ihren Benutzern die Erlaubnis, lokale Dateien hochzuladen](canvas-set-up-local-upload.md)
+ [Richten Sie SageMaker Canvas für Ihre Benutzer ein](setting-up-canvas-sso.md)
+ [Konfigurieren Sie Ihren Amazon S3-Speicher](canvas-storage-configuration.md)
+ [Erteilen von Berechtigungen für kontoübergreifenden Amazon S3-Speicher](canvas-permissions-cross-account.md)
+ [Gewähren von Berechtigungen zur Verwendung großer Datenmengen während des gesamten ML-Lebenszyklus für Benutzer](canvas-large-data-permissions.md)
+ [Verschlüsseln Sie Ihre SageMaker Canvas-Daten mit AWS KMS](canvas-kms.md)
+ [Speichern Sie SageMaker Canvas-Anwendungsdaten in Ihrem eigenen KI-Bereich SageMaker](canvas-spaces-setup.md)
+ [Erteilen Sie Ihren Benutzern die Erlaubnis, benutzerdefinierte Bild- und Textvorhersagemodelle zu erstellen](canvas-set-up-cv-nlp.md)
+ [Erteilen von Berechtigungen zur Verwendung von Amazon-Bedrock-Features und Features der generativen KI in Canvas](canvas-fine-tuning-permissions.md)
+ [Aktualisieren Sie SageMaker Canvas für Ihre Benutzer](canvas-update.md)
+ [Anfordern einer Kontingenterhöhung.](canvas-requesting-quota-increases.md)
+ [Benutzern Berechtigungen zum Importieren von Amazon Redshift-Daten gewähren](canvas-redshift-permissions.md)
+ [Erteilen Sie Ihren Benutzern die Erlaubnis, Prognosen an Quick zu senden](canvas-quicksight-permissions.md)
+ [Anwendungsverwaltung](canvas-manage-apps.md)
+ [Amazon SageMaker Canvas in einer VPC ohne Internetzugang konfigurieren](canvas-vpc.md)
+ [Richten Sie Verbindungen zu Datenquellen ein mit OAuth](canvas-setting-up-oauth.md)
# Erteilen Sie Ihren Benutzern die Erlaubnis, lokale Dateien hochzuladen
Wenn Ihre Benutzer Dateien von ihren lokalen Computern auf SageMaker Canvas hochladen, müssen Sie eine CORS-Konfiguration (Cross-Origin Resource Sharing) an den Amazon S3 S3-Bucket anhängen, den sie verwenden. Bei der Einrichtung oder Bearbeitung der SageMaker AI-Domain oder des Benutzerprofils können Sie entweder einen benutzerdefinierten Amazon S3 S3-Standort oder den Standardspeicherort angeben, bei dem es sich um einen von SageMaker KI erstellten Amazon S3 S3-Bucket mit einem Namen handelt, der das folgende Muster verwendet:`s3://sagemaker-{Region}-{your-account-id}`. SageMaker Canvas fügt die Daten Ihrer Benutzer dem Bucket hinzu, wenn sie eine Datei hochladen.
Um Benutzern die Erlaubnis zu erteilen, lokale Dateien in den Bucket hochzuladen, können Sie mit einem der folgenden Verfahren eine CORS-Konfiguration an den Bucket anhängen. Sie können die erste Methode verwenden, wenn Sie die Einstellungen Ihrer Domain bearbeiten. Dabei entscheiden Sie sich dafür, dass SageMaker KI die CORS-Konfiguration für Sie an den Bucket anhängt. Sie können auch die erste Methode verwenden, um ein Benutzerprofil innerhalb einer Domain zu bearbeiten. Die zweite Methode ist die manuelle Methode, bei der Sie die CORS-Konfiguration selbst an den Bucket anhängen können.
## SageMaker Methode für AI-Domaineinstellungen
Um Ihren Benutzern die Berechtigung zum Hochladen lokaler Dateien zu erteilen, können Sie die Canvas-Anwendungskonfiguration in den Domaineinstellungen bearbeiten. Dadurch wird eine CORS-Konfiguration (Cross-Origin Resource Sharing) an den Amazon S3 S3-Bucket der Canvas-Speicherkonfiguration angehängt und allen Benutzern in der Domain die Berechtigung erteilt, lokale Dateien in Canvas hochzuladen. SageMaker Standardmäßig ist die Berechtigungsoption aktiviert, wenn Sie eine neue Domain einrichten. Sie können diese Option jedoch nach Bedarf ein- und ausschalten.
**Anmerkung**
Wenn Sie bereits über eine CORS-Konfiguration für den Amazon-S3-Bucket in der Speicherkonfiguration verfügen, wird durch das Aktivieren der Option zum Hochladen lokaler Dateien die vorhandene Konfiguration durch die neue Konfiguration überschrieben.
Das folgende Verfahren zeigt, wie Sie diese Option aktivieren können, indem Sie die Domain-Einstellungen in der SageMaker AI-Konsole bearbeiten.
1. Gehen Sie zur SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich die Option **Domains** aus.
1. Wählen Sie aus der Liste der Domains Ihre Domain aus.
1. Wählen Sie auf der Seite mit den Domaindetails die Registerkarte **App-Konfigurationen** aus.
1. Gehen Sie zum Bereich **Canvas** und wählen Sie **Bearbeiten** aus.
1. Aktivieren Sie den Schalter **Lokalen Datei-Upload aktivieren**. Hiermit wird die CORS-Konfiguration angehängt und die Berechtigung zum Hochladen lokaler Dateien erteilt.
1. Wählen Sie **Absenden** aus.
Benutzer in der angegebenen Domain sollten jetzt über Berechtigungen zum Hochladen lokaler Dateien verfügen.
Sie können auch bestimmten Benutzerprofilen in einer Domain Berechtigungen gewähren, indem Sie das oben beschriebene Verfahren befolgen und statt der allgemeinen Domaineinstellungen die Benutzerprofileinstellungen aufrufen.
## Amazon-S3-Bucket-Methode
Wenn Sie die CORS-Konfiguration manuell an den SageMaker AI Amazon S3 S3-Bucket anhängen möchten, gehen Sie wie folgt vor.
1. Melden Sie sich bei [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/) an.
1. Wählen Sie Ihren Bucket aus. Wenn Ihre Domain den standardmäßigen, von SageMaker KI erstellten Bucket verwendet, verwendet der Name des Buckets das folgende Muster:`s3://sagemaker-{Region}-{your-account-id}`.
1. Wählen Sie **Berechtigungen**.
1. Navigieren Sie zu **Cross-origins resource sharing (CORS)**.
1. Wählen Sie **Bearbeiten** aus.
1. Fügen Sie die folgende CORS-Richtlinie hinzu:
```
[
{
"AllowedHeaders": [
"*"
],
"AllowedMethods": [
"POST"
],
"AllowedOrigins": [
"*"
],
"ExposeHeaders": []
}
]
```
1. Wählen Sie **Änderungen speichern ** aus.
In der vorangegangenen Prozedur muss die CORS-Richtlinie `"POST"` unter `AllowedMethods` aufgeführt haben.
Nachdem Sie das Verfahren durchlaufen haben, sollten Sie:
+ Jedem Ihrer Benutzer ist eine IAM-Rolle zugewiesen.
+ Amazon SageMaker Studio Classic-Laufzeitberechtigungen für jeden Ihrer Benutzer. SageMaker Canvas verwendet Studio Classic, um die Befehle Ihrer Benutzer auszuführen.
+ Wenn die Benutzer Dateien von ihren lokalen Computern hochladen, ist eine CORS-Richtlinie an ihren Amazon-S3-Bucket angehängt.
Wenn Ihre Benutzer die lokalen Dateien nach der Aktualisierung der CORS-Richtlinie immer noch nicht hochladen können, speichert der Browser möglicherweise die CORS-Einstellungen eines früheren Upload-Versuchs zwischen. Wenn Probleme auftreten, weisen Sie sie an, ihren Browser-Cache zu leeren, und versuchen Sie es erneut.
# Richten Sie SageMaker Canvas für Ihre Benutzer ein
Gehen Sie wie folgt vor, um Amazon SageMaker Canvas einzurichten:
+ Erstellen Sie eine Amazon SageMaker AI-Domain.
+ Erstellen Sie Benutzerprofile für die Domain.
+ Richten Sie Okta Single Sign-On (Okta SSO) für Ihre Benutzer ein.
+ Aktivieren Sie die gemeinsame Nutzung von Links für Modelle.
Verwenden Sie Okta Single-Sign On (Okta SSO), um Ihren Benutzern Zugriff auf Amazon Canvas zu gewähren. SageMaker SageMaker Canvas unterstützt SAML 2.0-SSO-Methoden. Die folgenden Abschnitte führen Sie durch die Verfahren zur Einrichtung von Okta SSO.
Um eine Domain einzurichten, lesen Sie [Benutzerdefiniertes Setup für Amazon SageMaker AI verwenden](onboard-custom.md) und befolgen Sie die Anweisungen zum Einrichten Ihrer Domain mithilfe der IAM-Authentifizierung. Die folgenden Informationen können Ihnen dabei helfen, das Verfahren in diesem Abschnitt abzuschließen:
+ Sie können den Schritt zum Erstellen von Projekten ignorieren.
+ Sie müssen keinen Zugriff auf zusätzliche Amazon-S3-Buckets bereitstellen. Ihre Benutzer können den Standard-Bucket verwenden, den wir bei der Erstellung einer Rolle bereitstellen.
+ Um Ihren Benutzern Zugriff auf die gemeinsame Nutzung ihrer Notebooks mit Datenwissenschaftlern zu gewähren, aktivieren Sie die **Konfiguration für die gemeinsame Nutzung von Notebooks**.
+ Verwenden Sie Amazon SageMaker Studio Classic Version 3.19.0 oder höher. Informationen zur Aktualisierung von Amazon SageMaker Studio Classic finden Sie unter[Amazon SageMaker Studio Classic herunterfahren und aktualisieren](studio-tasks-update-studio.md).
Gehen Sie wie folgt vor, um Okta einzurichten. Für alle folgenden Verfahren geben Sie dieselbe IAM-Rolle für `IAM-role` an.
## Fügen Sie die SageMaker Canvas-Anwendung zu Okta hinzu
Richten Sie die Anmeldemethode für Okta ein.
1. Melden Sie sich im Okta Admin-Dashboard an.
1. Wählen Sie **Anwendung hinzufügen**. Suchen Sie nach **AWS Account Federation**.
1. Wählen Sie **Hinzufügen** aus.
1. Optional: Ändern Sie den Namen in **Amazon SageMaker Canvas**.
1. Wählen Sie **Weiter** aus.
1. Wählen Sie **SAML 2.0** als **Anmeldemethode**.
1. Wählen Sie **Identity Provider Metadata**, um die Metadaten-XML-Datei zu öffnen. Speichern Sie die Datei lokal.
1. Wählen Sie **Fertig** aus.
## Richten Sie den ID-Verbund in IAM ein
AWS Identity and Access Management (IAM) ist der AWS Service, den Sie verwenden, um auf Ihr AWS Konto zuzugreifen. Sie erhalten AWS über ein IAM-Konto Zugriff darauf.
1. Melden Sie sich bei der AWS Konsole an.
1. Wählen Sie **AWS Identity and Access Management (IAM)**.
1. Wählen Sie **Identitätsanbieter**.
1. Wählen Sie **Anbieter erstellen**.
1. Geben Sie für **Anbieter konfigurieren** Folgendes an:
+ **Anbietertyp** – Wählen Sie in der Dropdown-Liste **SAML** aus.
+ **Anbietername** **– Geben Sie Okta** an.
+ **Metadaten-Dokument** – Laden Sie das XML-Dokument hoch, das Sie in Schritt 7 von [Fügen Sie die SageMaker Canvas-Anwendung zu Okta hinzu](#canvas-set-up-okta) lokal gespeichert haben.
1. Finden Sie Ihren Identitätsanbieter unter **Identitätsanbieter**. Kopieren Sie seinen **Anbieter-ARN**-Wert.
1. Wählen Sie unter **Rollen** die IAM-Rolle aus, die Sie für den Okta SSO-Zugriff verwenden.
1. Wählen Sie unter **Vertrauensstellung** für die IAM-Rolle die Option **Vertrauensstellung bearbeiten**.
1. Ändern Sie die IAM-Vertrauensstellungsrichtlinie, indem Sie den **ARN-Wert des Anbieters** angeben, den Sie kopiert haben, und fügen Sie die folgende Richtlinie hinzu:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Federated": "arn:aws:iam::111122223333:saml-provider/Okta"
},
"Action": [
"sts:AssumeRoleWithSAML",
"sts:TagSession"
],
"Condition": {
"StringEquals": {
"SAML:aud": "https://signin.aws.amazon.com/saml"
}
}
},
{
"Effect": "Allow",
"Principal": {
"Federated": "arn:aws:iam::111122223333:saml-provider/Okta"
},
"Action": [
"sts:SetSourceIdentity"
]
}
]
}
```
------
1. Fügen Sie für **Berechtigungen** die folgende Richtlinie hinzu:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AmazonSageMakerPresignedUrlPolicy",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "*"
}
]
}
```
------
## Konfigurieren Sie SageMaker Canvas in Okta
Konfigurieren Sie Amazon SageMaker Canvas in Okta mit dem folgenden Verfahren.
Um Amazon SageMaker Canvas für die Verwendung von Okta zu konfigurieren, folgen Sie den Schritten in diesem Abschnitt. Sie müssen für jedes **SageMakerStudioProfileName**Feld eindeutige Benutzernamen angeben. Sie können es beispielsweise `user.login` als Wert verwenden. Wenn sich der Benutzername vom SageMaker Canvas-Profilnamen unterscheidet, wählen Sie ein anderes eindeutig identifizierendes Attribut. Sie können beispielsweise die ID-Nummer eines Mitarbeiters als Profilnamen verwenden.
Ein Beispiel für Werte, die Sie für **Attribute** festlegen können, finden Sie im Code, der dem Verfahren folgt.
1. Wählen Sie unter **Verzeichnis** die Option **Gruppen** aus.
1. Fügen Sie eine Gruppe mit dem folgenden Muster hinzu: `sagemaker#canvas#IAM-role#AWS-account-id`.
1. Öffnen Sie in Okta die Konfiguration für die Anwendungsintegration von **AWS Account Federation**.
1. Wählen Sie **Anmelden** für die AWS Account Federation-Anwendung aus.
1. Wählen Sie **Bearbeiten** und geben Sie Folgendes an:
+ SAML 2.0
+ **Standard-Relay-Status** — https://*Region*.console.aws.amazon. com/sagemaker/home? region= *Region* \$1/studio/canvas/open. *StudioId* Sie finden die Studio Classic-ID in der Konsole: [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Wählen Sie **Attribute**.
1. Geben Sie in den **SageMakerStudioProfileName**Feldern eindeutige Werte für jeden Benutzernamen an. Die Benutzernamen müssen mit den Benutzernamen übereinstimmen, die Sie in der AWS Konsole erstellt haben.
```
Attribute 1:
Name: https://aws.amazon.com/SAML/Attributes/PrincipalTag:SageMakerStudioUserProfileName
Value: ${user.login}
Attribute 2:
Name: https://aws.amazon.com/SAML/Attributes/TransitiveTagKeys
Value: {"SageMakerStudioUserProfileName"}
```
1. Wählen Sie den **Umgebungstyp aus.** Wählen Sie **Regulär AWS**.
+ Wenn Ihr Umgebungstyp nicht aufgeführt ist, können Sie Ihre ACS-URL im Feld **ACS-URL** festlegen. Wenn Ihr Umgebungstyp aufgeführt ist, müssen Sie Ihre ACS-URL nicht eingeben
1. Geben Sie für **Identitätsanbieter-ARN** den ARN an, den Sie in Schritt 6 des vorherigen Verfahrens verwendet haben.
1. Geben Sie eine **Sitzungsdauer** an.
1. Wählen Sie **Allen Rollen beitreten** aus.
1. Aktivieren Sie **Gruppenzuordnung verwenden**, indem Sie die folgenden Felder angeben:
+ **App-Filter** – `okta`
+ **Gruppenfilter** – `^aws\#\S+\#(?IAM-role[\w\-]+)\#(?accountid\d+)$`
+ **Rollenwertmuster** – `arn:aws:iam::$accountid:saml-provider/Okta,arn:aws:iam::$accountid:role/IAM-role`
1. Wählen Sie **Speichern/Weiter**.
1. Weisen Sie die Anwendung unter **Zuweisungen** der Gruppe zu, die Sie erstellt haben.
## Fügen Sie optionale Richtlinien zur Zugriffskontrolle in IAM hinzu
In IAM können Sie die folgende Richtlinie auf den Administratorbenutzer anwenden, der die Benutzerprofile erstellt.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "CreateSageMakerStudioUserProfilePolicy",
"Effect": "Allow",
"Action": "sagemaker:CreateUserProfile",
"Resource": "*",
"Condition": {
"ForAnyValue:StringEquals": {
"aws:TagKeys": [
"studiouserid"
]
}
}
}
]
}
```
------
Wenn Sie die vorherige Richtlinie dem Admin-Benutzer hinzufügen möchten, müssen Sie die folgenden Berechtigungen von [Richten Sie den ID-Verbund in IAM ein](#set-up-id-federation-IAM) verwenden.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AmazonSageMakerPresignedUrlPolicy",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "*",
"Condition": {
"StringEquals": {
"sagemaker:ResourceTag/studiouserid": "${aws:PrincipalTag/SageMakerStudioUserProfileName}"
}
}
}
]
}
```
------
# Konfigurieren Sie Ihren Amazon S3-Speicher
Wenn Sie Ihre SageMaker Canvas-Anwendung einrichten, ist der Standardspeicherort für Modellartefakte, Datensätze und andere Anwendungsdaten ein Amazon S3 S3-Bucket, den Canvas erstellt. Dieser standardmäßige Amazon S3 Bucket folgt dem Benennungsmuster `s3://sagemaker-{Region}-{your-account-id}` und befindet sich in der gleichen -Region wie Ihre Canvas-Anwendung. Sie können den Speicherort jedoch anpassen und Ihren eigenen Amazon-S3-Bucket zum Speichern von Canvas-Anwendungsdaten angeben. Möglicherweise möchten Sie aus einem der folgenden Gründe Ihren eigenen Amazon-S3-Bucket zum Speichern von Anwendungsdaten verwenden:
+ Ihr Unternehmen hat interne Namenskonventionen für Amazon-S3-Buckets.
+ Sie möchten den kontoübergreifenden Zugriff auf Modellartefakte oder andere Canvas-Daten ermöglichen.
+ Sie möchten interne Sicherheitsrichtlinien einhalten, z. B. die Beschränkung von Benutzern auf bestimmte Amazon-S3-Buckets oder Modellartefakte.
+ Sie möchten die Sichtbarkeit und den Zugriff auf die von Canvas erstellten Protokolle verbessern, unabhängig von der AWS Konsole oder SageMaker Studio Classic.
Indem Sie Ihren eigenen Amazon-S3-Bucket angeben, können Sie mehr Kontrolle über Ihren eigenen Speicher haben und die Vorschriften Ihrer Organisation einhalten.
Zu Beginn können Sie entweder eine neue SageMaker AI-Domäne oder ein neues Benutzerprofil erstellen oder eine vorhandene Domäne oder ein vorhandenes Benutzerprofil aktualisieren. Beachten Sie, dass die Benutzerprofileinstellungen die Einstellungen auf Domainebene überschreiben. Sie können beispielsweise die Standard-Bucket-Konfiguration auf Domain-Ebene verwenden, aber Sie können einen benutzerdefinierten Amazon-S3-Bucket für einen einzelnen Benutzer angeben. Nachdem Sie Ihren eigenen Amazon-S3-Bucket für die Domain oder das Benutzerprofil angegeben haben, erstellt Canvas einen Unterordner namens `Canvas/` unter dem eingegebenen Amazon-S3-URI und speichert alle in der Canvas-Anwendung erzeugten Artefakte in diesem Unterordner.
**Wichtig**
Wenn Sie eine bestehende Domain oder ein vorhandenes Benutzerprofil aktualisieren, haben Sie vom vorherigen Speicherort aus keinen Zugriff mehr auf Ihre Canvas-Artefakte. Ihre Dateien befinden sich immer noch am alten Amazon S3-Speicherort, aber Sie können sie nicht mehr von Canvas aus anzeigen. Die neue Konfiguration wird wirksam, wenn Sie sich das nächste Mal bei der Anwendung anmelden.
Weitere Informationen zur Gewährung von kontoübergreifendem Zugriff auf Ihren Amazon-S3-Bucket finden Sie unter [Gewähren von kontoübergreifenden Objektberechtigungen](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-walkthroughs-managing-access-example4.html#access-policies-walkthrough-example4-overview) im *Amazon S3-Benutzerhandbuch*.
In den folgenden Abschnitten wird beschrieben, wie Sie einen benutzerdefinierten Amazon-S3-Bucket für Ihre Canvas-Speicherkonfiguration angeben. Wenn Sie eine neue SageMaker KI-Domain (oder einen neuen Benutzer in einer Domain) einrichten, verwenden Sie die [Neue Methode zur Einrichtung einer Domain](#canvas-storage-configuration-new-domain) oder die[Neue Einrichtungsmethode eines Benutzerprofils](#canvas-storage-configuration-new-user). Wenn Sie ein vorhandenes Canvas-Benutzerprofil haben und die Speicherkonfiguration des Profils aktualisieren möchten, verwenden Sie den [Bestehende Benutzermethode](#canvas-storage-configuration-existing-user).
## Bevor Sie beginnen
Wenn Sie eine Amazon S3 S3-URI von einem anderen AWS Konto angeben oder wenn Sie einen Bucket verwenden, der mit verschlüsselt ist AWS KMS, müssen Sie die Berechtigungen konfigurieren, bevor Sie fortfahren. Sie müssen AWS IAM-Berechtigungen gewähren, um sicherzustellen, dass Canvas Objekte in Ihren Bucket herunterladen und aus Ihrem Bucket hochladen kann. Ausführliche Informationen über die Erteilung der erforderlichen Berechtigungen finden Sie unter [Erteilen von Berechtigungen für kontoübergreifenden Amazon S3-Speicher](canvas-permissions-cross-account.md).
Darüber hinaus muss die endgültige Amazon-S3-URI für den Trainingsordner in Ihrem Canvas-Speicherort 128 Zeichen oder weniger lang sein. Die endgültige Amazon-S3-URI besteht aus Ihrem `s3:////` Bucket-Pfad und dem Pfad, den Canvas Ihrem Bucket hinzufügt: `Canvas//Training`. Ein akzeptabler Pfad mit weniger als 128 Zeichen ist beispielsweise `s3:////Canvas//Training`.
## Neue Methode zur Einrichtung einer Domain
Wenn Sie eine neue Domain- und Canvas-Anwendung einrichten, verwenden Sie diesen Abschnitt, um den Speicherort auf Domainebene zu konfigurieren. Diese Konfiguration gilt für alle neuen Benutzer, die Sie in der Domain erstellen, es sei denn, Sie geben einen anderen Speicherort für einzelne Benutzerprofile an.
Wenn Sie eine **Standardeinrichtung** für Ihre Domain durchführen, gehen Sie auf der Seite **Schritt 3: Anwendungen konfigurieren – optional** für den Abschnitt **Canvas** wie folgt vor:
1. Gehen Sie für die **Canvas-Speicherkonfiguration** wie folgt vor:
1. Wählen Sie **System verwaltet** aus, wenn Sie den Speicherort auf den standardmäßigen SageMaker AI-Bucket festlegen möchten, der dem Muster `s3://sagemaker-{Region}-{your-account-id}` folgt.
1. Wählen Sie **Benutzerdefiniertes S3**, um Ihren eigenen Amazon-S3-Bucket als Speicherort anzugeben. Geben Sie dann die Amazon-S3-URI ein.
1. (Optional) Geben Sie für den **Verschlüsselungsschlüssel** einen KMS-Schlüssel zur Verschlüsselung von Canvas-Artefakten an, die am angegebenen Speicherort gespeichert sind.
1. Beenden Sie die Einrichtung der Domain und wählen Sie **Absenden** aus.
Ihre Domain ist jetzt so konfiguriert, dass sie den Amazon S3 S3-Standort verwendet, den Sie für den SageMaker Canvas-Anwendungsspeicher angegeben haben.
## Neue Einrichtungsmethode eines Benutzerprofils
Wenn Sie ein neues Benutzerprofil in Ihrer Domain einrichten, verwenden Sie diesen Abschnitt, um den Speicherort für den Benutzer zu konfigurieren. Diese Konfiguration überschreibt die Konfiguration auf Domainebene.
Wenn Sie ein Benutzerprofil zu Ihrer Domain hinzufügen, gehen Sie in **Schritt 2: Anwendungen konfigurieren** wie folgt vor, um den Abschnitt **Canvas** zu konfigurieren:
1. Gehen Sie für die **Canvas-Speicherkonfiguration** wie folgt vor:
1. Wählen Sie **System verwaltet** aus, wenn Sie den Speicherort auf den standardmäßigen, von SageMaker KI erstellten Bucket festlegen möchten, der dem Muster folgt`s3://sagemaker-{Region}-{your-account-id}`.
1. Wählen Sie **Benutzerdefiniertes S3**, um Ihren eigenen Amazon-S3-Bucket als Speicherort anzugeben. Geben Sie dann die Amazon-S3-URI ein.
1. (Optional) Geben Sie für den **Verschlüsselungsschlüssel** einen KMS-Schlüssel zur Verschlüsselung von Canvas-Artefakten an, die am angegebenen Speicherort gespeichert sind.
1. Schließen Sie die Einrichtung des Benutzerprofils ab und wählen Sie **Absenden** aus.
Ihr Benutzerprofil ist jetzt so konfiguriert, dass es den Amazon S3 S3-Speicherort verwendet, den Sie für den SageMaker Canvas-Anwendungsspeicher angegeben haben.
## Bestehende Benutzermethode
Wenn Sie ein vorhandenes Canvas-Benutzerprofil haben und den Amazon S3 S3-Speicherort aktualisieren möchten, können Sie die SageMaker AI-Domain oder die Benutzerprofileinstellungen bearbeiten. Die Änderung wird wirksam, wenn Sie sich das nächste Mal bei der Canvas-Anwendung anmelden.
**Anmerkung**
Wenn Sie den Speicherort für eine vorhandene Canvas-Anwendung ändern, verlieren Sie den Zugriff auf Ihre Canvas-Artefakte vom vorherigen Speicherort. Die Artefakte werden immer noch am alten Amazon S3-Speicherort gespeichert, aber Sie können sie nicht mehr von Canvas aus anzeigen.
Denken Sie daran, dass die Benutzerprofileinstellungen die allgemeinen Domain-Einstellungen überschreiben, sodass Sie den Amazon-S3-Speicherort für bestimmte Benutzerprofile aktualisieren können, ohne ihn für alle Benutzer zu ändern. Sie können die Speicherkonfiguration für eine vorhandene Domain oder einen vorhandenen Benutzer mithilfe der folgenden Verfahren aktualisieren.
------
#### [ Update an existing domain ]
Gehen Sie wie folgt vor, um die Speicherkonfiguration für eine Domain zu aktualisieren.
1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains Ihre Domain aus.
1. Wählen Sie auf der Seite **Domaindetails** die Registerkarte **App-Konfigurationen** aus.
1. Scrollen Sie nach unten zum Bereich **Canvas** und wählen Sie **Bearbeiten** aus.
1. Die Seite **Canvas-Einstellungen bearbeiten** wird geöffnet. Gehen Sie im Abschnitt **Canvas-Speicherkonfiguration** wie folgt vor:
1. Wählen Sie **System verwaltet** aus, wenn Sie als Speicherort den standardmäßigen, von SageMaker KI erstellten Bucket festlegen möchten, der dem Muster folgt`s3://sagemaker-{Region}-{your-account-id}`.
1. Wählen Sie **Benutzerdefiniertes S3**, um Ihren eigenen Amazon-S3-Bucket als Speicherort anzugeben. Geben Sie dann die Amazon-S3-URI ein.
1. (Optional) Geben Sie für den **Verschlüsselungsschlüssel** einen KMS-Schlüssel zur Verschlüsselung von Canvas-Artefakten an, die am angegebenen Speicherort gespeichert sind.
1. Schließen Sie alle anderen Änderungen ab, die Sie an der Domain vornehmen möchten, und wählen Sie dann **Absenden**, um Ihre Änderungen zu speichern.
------
#### [ Update an existing user profile ]
Gehen Sie wie folgt vor, um die Speicherkonfiguration für ein Benutzerprofil zu aktualisieren.
1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der **Domains** Ihre Domain aus.
1. Wählen Sie in der Liste der Benutzer in der Domain den Benutzer aus, dessen Konfiguration Sie bearbeiten möchten.
1. Wählen Sie auf der Seite **Benutzerdetails** die Option **Bearbeiten**.
1. Wählen Sie im Navigationsbereich **Canvas-Einstellungen**.
1. Gehen Sie für die **Canvas-Speicherkonfiguration** wie folgt vor:
1. Wählen Sie **System verwaltet** aus, wenn Sie den Standort auf den SageMaker Standard-AI-Bucket festlegen möchten, der dem Muster folgt`s3://sagemaker-{Region}-{your-account-id}`.
1. Wählen Sie **Benutzerdefiniertes S3**, um Ihren eigenen Amazon-S3-Bucket als Speicherort anzugeben. Geben Sie dann die Amazon-S3-URI ein.
1. (Optional) Geben Sie für den **Verschlüsselungsschlüssel** einen KMS-Schlüssel zur Verschlüsselung von Canvas-Artefakten an, die am angegebenen Speicherort gespeichert sind.
1. Schließen Sie alle anderen Änderungen ab, die Sie am Benutzerprofil vornehmen möchten, und wählen Sie dann **Absenden**, um Ihre Änderungen zu speichern.
------
Der Speicherort für Ihr Canvas-Benutzerprofil sollte jetzt aktualisiert sein. Wenn Sie sich das nächste Mal bei der Canvas-Anwendung anmelden, erhalten Sie eine Benachrichtigung, dass der Speicherort aktualisiert wurde. Sie verlieren den Zugriff auf alle früheren Artefakte, die Sie in Canvas erstellt haben. Sie können weiterhin auf die Dateien in Amazon S3 zugreifen, aber Sie können sie nicht mehr in Canvas anzeigen.
# Erteilen von Berechtigungen für kontoübergreifenden Amazon S3-Speicher
Wenn Sie Ihre SageMaker AI-Domain oder Ihr Benutzerprofil einrichten, damit Benutzer auf SageMaker Canvas zugreifen können, geben Sie einen Amazon S3 S3-Speicherort für Canvas-Artefakte an. Zu diesen Artefakten gehören gespeicherte Kopien Ihrer Eingabedatensätze, Modellartefakte, Vorhersagen und andere Anwendungsdaten. Sie können entweder den standardmäßigen, von SageMaker KI erstellten Amazon S3 S3-Bucket verwenden oder Sie können den Speicherort anpassen und Ihren eigenen Bucket zum Speichern von Canvas-Anwendungsdaten angeben.
Sie können einen Amazon S3 S3-Bucket in einem anderen AWS Konto zum Speichern Ihrer Canvas-Daten angeben, aber zuerst müssen Sie kontoübergreifende Berechtigungen gewähren, damit Canvas auf den Bucket zugreifen kann.
In den folgenden Abschnitten wird beschrieben, wie Sie Canvas Berechtigungen für das Hoch- und Herunterladen von Objekten in einen Amazon-S3-Bucket in einem anderen Konto gewähren. Es gibt zusätzliche Berechtigungen für den Fall, dass Ihr Bucket mit AWS KMS verschlüsselt ist.
## Voraussetzungen
Bevor Sie beginnen, sollten Sie die folgenden Anforderungen prüfen:
+ Kontoübergreifende Amazon S3 S3-Buckets (und alle zugehörigen AWS KMS Schlüssel) müssen sich in derselben AWS Region befinden wie die Canvas-Benutzerdomäne oder das Benutzerprofil.
+ Die endgültige Amazon-S3-URI für den Trainingsordner in Ihrem Canvas-Speicherort muss 128 Zeichen oder weniger lang sein. Die endgültige S3-URI besteht aus Ihrem `s3:////` Bucket-Pfad und dem Pfad, den Canvas Ihrem Bucket hinzufügt: `Canvas//Training`. Ein akzeptabler Pfad mit weniger als 128 Zeichen ist beispielsweise `s3:////Canvas//Training`.
## Berechtigungen für kontoübergreifende Amazon-S3-Buckets
Im folgenden Abschnitt werden die grundlegenden Schritte zur Erteilung der erforderlichen Berechtigungen beschrieben, damit Canvas in einem anderen Konto auf Ihren Amazon-S3-Bucket zugreifen kann. Eine detailliertere Anleitung finden Sie unter [Beispiel 2: Bucket-Besitzer, der kontoübergreifende Bucket-Berechtigungen gewährt](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-walkthroughs-managing-access-example2.html), im *Amazon S3-Benutzerhandbuch*.
1. Erstellen Sie einen Amazon-S3-Bucket, `bucketA`, in Konto A.
1. Der Canvas-Benutzer ist in einem anderen Konto namens Konto B vorhanden. In den folgenden Schritten beziehen wir uns auf die IAM-Rolle des Canvas-Benutzers wie `roleB` in Konto B.
Erteilen Sie der IAM-Rolle `roleB` in Konto B die Berechtigung zum Herunterladen (`GetObject`) und Hochladen (`PutObject`) von Objekten zu und von `bucketA` in Konto A, indem Sie eine IAM-Richtlinie anhängen.
Um den Zugriff auf einen bestimmten Bucket-Ordner zu beschränken, definieren Sie den Ordnernamen im Ressourcenelement, z. B. `arn:aws:s3:::/FolderName/*`. Weitere Informationen finden Sie unter [Wie kann ich IAM-Richtlinien verwenden, um benutzerspezifischen Zugriff auf bestimmte Ordner zu gewähren?](https://aws.amazon.com/premiumsupport/knowledge-center/iam-s3-user-specific-folder/)
**Anmerkung**
Aktionen auf Bucket-Ebene, wie z. B. `GetBucketCors` und `GetBucketLocation`, sollten für Ressourcen auf Bucket-Ebene hinzugefügt werden, nicht für Ordner.
Das folgende Beispiel für eine IAM-Richtlinie gewährt die erforderlichen Berechtigungen für `roleB` den Zugriff auf Objekte in: `bucketA`
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::bucketA/FolderName/*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::bucketA"
]
}
]
}
```
------
1. Konfigurieren Sie die Bucket-Richtlinie für `bucketA` in Konto A, um der IAM-Rolle `roleB` in Konto B Berechtigungen zu gewähren.
**Anmerkung**
Administratoren müssen außerdem die Option **Gesamten öffentlichen Zugriff blockieren** im Bereich **Berechtigungen** für den Bucket deaktivieren.
Es folgt ein Beispiel für eine Bucket-Policy für `bucketA`, um `roleB` die erforderlichen Berechtigungen zu erteilen:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:DeleteObject",
"s3:GetObject",
"s3:PutObject"
],
"Resource": "arn:aws:s3:::bucketA/FolderName/*"
},
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:ListBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": "arn:aws:s3:::bucketA"
}
]
}
```
------
Nachdem Sie die vorherigen Berechtigungen konfiguriert haben, kann Ihr Canvas-Benutzerprofil in Konto B nun den Amazon S3-Bucket in Konto A als Speicherort für Canvas-Artefakte verwenden.
## Berechtigungen für kontoübergreifende Amazon S3 S3-Buckets, verschlüsselt mit AWS KMS
Das folgende Verfahren zeigt Ihnen, wie Sie die erforderlichen Berechtigungen erteilen, damit Canvas auf Ihren Amazon S3 S3-Bucket in einem anderen Konto zugreifen kann, das mit verschlüsselt ist AWS KMS. Die Schritte ähneln dem obigen Verfahren, jedoch mit zusätzlichen Berechtigungen. Weitere Informationen über die [Gewährung von kontenübergreifendem KMS-Schlüsselzugriff](https://docs.aws.amazon.com/kms/latest/developerguide/key-policy-modifying-external-accounts.html) finden Sie im *AWS KMS Entwicklerhandbuch* unter Zulassen der Verwendung eines KMS-Schlüssels durch Benutzer in anderen Konten.
1. Erstellen Sie einen Amazon-S3-Bucket `bucketA` und einen KMS-Schlüssel von Amazon S3, `s3KmsInAccountA`, in Konto A.
1. Der Canvas-Benutzer ist in einem anderen Konto namens Konto B vorhanden. In den folgenden Schritten beziehen wir uns auf die IAM-Rolle des Canvas-Benutzers wie `roleB` in Konto B.
Erteilen Sie der IAM-Rolle `roleB` in Konto B die Erlaubnis, Folgendes zu tun:
+ Herunterladen (`GetObject`) und Hochladen (`PutObject`) von Objekten auf und von `bucketA` in Konto A.
+ Greifen Sie auf den AWS KMS Schlüssel `s3KmsInAccountA` in Konto A zu.
Die folgende Beispiel-IAM-Richtlinie gewährt die erforderlichen Berechtigungen für `roleB`, um auf Objekte in `bucketA` zuzugreifen und den KMS-Schlüssel `s3KmsInAccountA` zu verwenden:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::bucketA/FolderName/*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::bucketA"
]
},
{
"Action": [
"kms:DescribeKey",
"kms:CreateGrant",
"kms:RetireGrant",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlainText",
"kms:Decrypt"
],
"Effect": "Allow",
"Resource": "arn:aws:kms:us-east-1:111122223333:key/s3KmsInAccountA"
}
]
}
```
------
1. Konfigurieren Sie die Bucket-Richtlinie für `bucketA` und die Schlüsselrichtlinie für `s3KmsInAccountA` in Konto A, um der IAM-Rolle `roleB` in Konto B Berechtigungen zu gewähren.
Im Folgenden finden Sie ein Beispiel für eine Bucket-Policy für `bucketA`, mit der die erforderlichen Berechtigungen für `roleB` erteilt werden:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:DeleteObject",
"s3:GetObject",
"s3:PutObject"
],
"Resource": "arn:aws:s3:::bucketA/FolderName/*"
},
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": "arn:aws:s3:::bucketA"
}
]
}
```
------
Das folgende Beispiel ist eine Schlüsselrichtlinie, die Sie an den KMS-Schlüssel `s3KmsInAccountA` in Konto A anhängen, um `roleB` Zugriff zu gewähren. Weitere Informationen zum Erstellen und Anhängen einer wichtigen Richtlinienerklärung finden Sie unter [Erstellen einer Schlüsselrichtlinie](https://docs.aws.amazon.com/kms/latest/developerguide/key-policy-overview.html) im *AWS KMS Entwicklerhandbuch*.
```
{
"Sid": "Allow use of the key",
"Effect": "Allow",
"Principal": {
"AWS": [
"arn:aws:iam::accountB:role/roleB"
]
},
"Action": [
"kms:DescribeKey",
"kms:CreateGrant",
"kms:RetireGrant",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlainText",
"kms:Decrypt"
],
"Resource": "*"
}
```
Nachdem Sie die vorherigen Berechtigungen konfiguriert haben, kann Ihr Canvas-Benutzerprofil in Konto B nun den verschlüsselten Amazon-S3-Bucket in Konto A als Speicherort für Canvas-Artefakte verwenden.
# Gewähren von Berechtigungen zur Verwendung großer Datenmengen während des gesamten ML-Lebenszyklus für Benutzer
Amazon SageMaker Canvas-Benutzer, die mit Datensätzen arbeiten, die größer als 10 GB im CSV-Format oder 2,5 GB im Parquet-Format sind, benötigen spezielle Berechtigungen für die Verarbeitung großer Datenmengen. Diese Berechtigungen sind für die Verwaltung umfangreicher Daten während des gesamten Machine-Learning-Lebenszyklus unerlässlich. Wenn Datensätze die angegebenen Schwellenwerte oder die lokale Speicherkapazität der Anwendung überschreiten, verwendet SageMaker Canvas Amazon EMR Serverless für eine effiziente Verarbeitung. Dies gilt in folgenden Fällen:
+ Datenimport: Importieren Sie umfangreiche Datensätze mit zufälliger oder geschichteter Stichprobenauswahl.
+ Datenaufbereitung: Exportieren Sie verarbeitete Daten aus Data Wrangler in Canvas nach Amazon S3, in einen neuen Canvas-Datensatz oder in ein Canvas-Modell.
+ Modellbildung: Training von Modellen anhand umfangreicher Datensätze.
+ Inferenz: Vorhersagen auf der Grundlage umfangreicher Datensätze treffen.
Standardmäßig verwendet SageMaker Canvas EMR Serverless, um diese Remote-Jobs mit den folgenden App-Einstellungen auszuführen:
+ Vorinitialisierte Kapazität: nicht konfiguriert
+ Anwendungsgrenzen: Maximale Kapazität von 400 VCPUs, maximal 16 V gleichzeitig CPUs pro Konto, 3000 GB Arbeitsspeicher, 20000 GB Festplatte
+ Metastore-Konfiguration: AWS Glue Data Catalog
+ Anwendungsprotokolle: AWS verwalteter Speicher (aktiviert) unter Verwendung eines AWS eigenen Verschlüsselungsschlüssels
+ Verhalten der Anwendung: Startet automatisch bei der Übermittlung eines Auftrags und beendet sich automatisch, nachdem die Anwendung 15 Minuten lang inaktiv war.
Um diese umfangreichen Datenverarbeitungsfunktionen zu aktivieren, benötigen Benutzer die erforderlichen Berechtigungen, die über die Amazon SageMaker AI-Domaineinstellungen erteilt werden können. Die Methode zur Erteilung dieser Berechtigungen hängt davon ab, wie Ihre Amazon SageMaker AI-Domain ursprünglich eingerichtet wurde. Wir behandeln drei Hauptszenarien:
+ Schnelle Domaineinrichtung
+ Benutzerdefiniertes Domain-Setup (mit öffentlicher access/without Internet-VPC)
+ Benutzerdefinierte Domaineinrichtung (mit VPC und ohne öffentlichem Internetzugang)
Jedes Szenario erfordert spezifische Schritte, um sicherzustellen, dass Benutzer über die erforderlichen Berechtigungen verfügen, um EMR Serverless für die Verarbeitung großer Datenmengen über den gesamten Lebenszyklus des maschinellen Lernens in SageMaker Canvas zu nutzen.
## Szenario 1: Schnelle Domaineinrichtung
Wenn Sie bei der Erstellung Ihrer SageMaker KI-Domain die Option **Quick Setup** verwendet haben, gehen Sie wie folgt vor:
1. Navigieren Sie zu den Amazon SageMaker AI-Domaineinstellungen:
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich die Option **Domains** aus.
1. Wählen Sie Ihre Domain aus.
1. Wechseln Sie zur Registerkarte **App-Konfiguration**.
1. Scrollen Sie zum Bereich **Canvas** und wählen Sie **Bearbeiten** aus.
1. Aktivieren Sie die Verarbeitung großer Datenmengen:
1. Aktivieren Sie im Abschnitt **Konfiguration für die Verarbeitung großer Datenmengen** die Option **EMR Serverless für die Verarbeitung großer Datenmengen aktivieren**.
1. Erstellen Sie eine EMR-Serverless-Rolle oder wählen Sie sie aus:
1. Wählen Sie **Eine neue Ausführungsrolle erstellen und verwenden**, um eine neue IAM-Rolle zu erstellen, die eine Vertrauensbeziehung zu EMR Serverless und der zugehörigen [AWS verwaltete Richtlinie: AmazonSageMakerCanvas EMRServerless ExecutionRolePolicy](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasEMRServerlessExecutionRolePolicy)-Richtlinie aufweist. Diese IAM-Rolle wird von Canvas übernommen, um EMR-Serverless-Aufträge zu erstellen.
1. Wenn Sie bereits über eine Ausführungsrolle mit einer Vertrauensstellung für EMR Serverless verfügen, wählen Sie **Bestehende Ausführungsrolle verwenden** und wählen Sie Ihre Rolle aus der Dropdown-Liste aus.
+ Die bestehende Rolle muss einen Namen haben, der mit dem Präfix `AmazonSageMakerCanvasEMRSExecutionAccess-` beginnt.
+ Die von Ihnen ausgewählte Rolle sollte außerdem mindestens über die in der [AWS verwaltete Richtlinie: AmazonSageMakerCanvas EMRServerless ExecutionRolePolicy](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasEMRServerlessExecutionRolePolicy)-Richtlinie beschriebenen Berechtigungen verfügen.
+ Die Rolle sollte über eine EMR–Serverless-Vertrauensrichtlinie verfügen, wie unten dargestellt:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "EMRServerlessTrustPolicy",
"Effect": "Allow",
"Principal": {
"Service": "emr-serverless.amazonaws.com"
},
"Action": "sts:AssumeRole",
"Condition": {
"StringEquals": {
"aws:SourceAccount": "111122223333"
}
}
}
]
}
```
------
1. (Optional) Fügen Sie Amazon S3-Berechtigungen für benutzerdefinierte Amazon-S3-Buckets hinzu:
1. Die von Canvas verwaltete Richtlinie gewährt automatisch Lese- und Schreibberechtigungen für Amazon-S3-Buckets, die `sagemaker` oder `SageMaker AI` in ihrem Namen enthalten. Es gewährt auch Leserechte für Objekte in benutzerdefinierten Amazon S3-Buckets mit dem Tag `"SageMaker": "true"`.
1. Für benutzerdefinierte Amazon-S3-Buckets ohne das erforderliche Tag fügen Sie bitte die folgende Richtlinie zu Ihrer EMR-Serverless-Rolle hinzu:
1.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::*"
]
}
]
}
```
------
1. Wir empfehlen Ihnen, die Berechtigungen auf bestimmte Amazon-S3-Buckets zu beschränken, auf die Canvas zugreifen soll.
1. Speichern Sie Ihre Änderungen und starten Sie Ihre SageMaker Canvas-Anwendung neu.
## Szenario 2: Benutzerdefiniertes Domain-Setup (mit öffentlicher access/without Internet-VPC)
Wenn Sie eine benutzerdefinierte Domain erstellt haben oder verwenden, befolgen Sie bitte die Schritte 1 bis 3 aus Szenario 1 und führen Sie anschließend die folgenden zusätzlichen Schritte aus:
1. Fügen Sie Ihrer Amazon SageMaker AI-Ausführungsrolle Berechtigungen für den Amazon `DescribeImages` ECR-Vorgang hinzu, da Canvas öffentliche Amazon ECR-Docker-Images für die Datenvorbereitung und das Modelltraining verwendet:
1. Melden Sie sich bei der AWS Konsole an und öffnen Sie die IAM-Konsole unter. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. Wählen Sie **Roles**.
1. Suchen Sie im Suchfeld anhand des Namens nach Ihrer SageMaker AI-Ausführungsrolle und wählen Sie sie aus.
1. Fügen Sie Ihrer SageMaker KI-Ausführungsrolle die folgende Richtlinie hinzu. Dies kann entweder durch Hinzufügen als neue Inline-Richtlinie oder durch Anhängen der Richtlinienerklärung an eine bestehende Richtlinie erfolgen. Beachten Sie, dass einer IAM-Rolle maximal 10 Richtlinien zugeordnet werden können.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [{
"Sid": "ECRDescribeImagesOperation",
"Effect": "Allow",
"Action": "ecr:DescribeImages",
"Resource": [
"arn:aws:ecr:*:*:repository/sagemaker-data-wrangler-emr-container",
"arn:aws:ecr:*:*:repository/ap-dataprep-emr"
]
}]
}
```
------
1. Speichern Sie Ihre Änderungen und starten Sie Ihre SageMaker Canvas-Anwendung neu.
## Szenario 3: benutzerdefinierte Domaineinrichtung (mit VPC und ohne öffentlichen Internetzugang)
Wenn Sie eine benutzerdefinierte Domain erstellt haben oder verwenden, befolgen Sie bitte alle Schritte aus Szenario 2 und anschließend die folgenden zusätzlichen Schritte:
1. Stellen Sie sicher, dass Ihre VPC-Subnetze privat sind:
1. Überprüfen Sie, ob die Routingtabelle für Ihre Subnetze keinen Eintrag `0.0.0.0/0` enthält, der einem Internet-Gateway zugeordnet ist.
1. Fügen Sie Berechtigungen zum Erstellen von Netzwerkschnittstellen hinzu:
1. Wenn Sie SageMaker Canvas mit EMR Serverless für die umfangreiche Datenverarbeitung verwenden, benötigt EMR Serverless die Möglichkeit, Amazon EC2 zu erstellen, um die Netzwerkkommunikation zwischen EMR Serverless-Anwendungen und Ihren VPC-Ressourcen ENIs zu ermöglichen.
1. Fügen Sie Ihrer Amazon SageMaker AI-Ausführungsrolle die folgende Richtlinie hinzu. Dies kann entweder durch Hinzufügen als neue Inline-Richtlinie oder durch Anhängen der Richtlinienerklärung an eine bestehende Richtlinie erfolgen. Beachten Sie, dass einer IAM-Rolle maximal 10 Richtlinien zugeordnet werden können.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowEC2ENICreation",
"Effect": "Allow",
"Action": [
"ec2:CreateNetworkInterface"
],
"Resource": [
"arn:aws:ec2:*:*:network-interface/*"
],
"Condition": {
"StringEquals": {
"aws:CalledViaLast": "ops.emr-serverless.amazonaws.com"
}
}
}
]
}
```
------
1. (Optional) Beschränken Sie die ENI-Erstellung auf bestimmte Subnetze:
1. Um Ihr Setup weiter zu sichern, indem Sie die Erstellung von Subnetzen innerhalb Ihrer VPC ENIs auf bestimmte Subnetze beschränken, können Sie jedes Subnetz mit bestimmten Bedingungen kennzeichnen.
1. Verwenden Sie die folgende IAM-Richtlinie, um sicherzustellen, dass serverlose EMR-Anwendungen Amazon EC2 nur ENIs innerhalb der zulässigen Subnetze und Sicherheitsgruppen erstellen können:
```
{
"Sid": "AllowEC2ENICreationInSubnetAndSecurityGroupWithEMRTags",
"Effect": "Allow",
"Action": [
"ec2:CreateNetworkInterface"
],
"Resource": [
"arn:aws:ec2:*:*:subnet/*",
"arn:aws:ec2:*:*:security-group/*"
],
"Condition": {
"StringEquals": {
"aws:ResourceTag/KEY": "VALUE"
}
}
}
```
1. Folgen Sie den Schritten auf der Seite[Amazon SageMaker Canvas in einer VPC ohne Internetzugang konfigurieren](canvas-vpc.md), um den VPC-Endpunkt für Amazon S3 festzulegen, der für EMR Serverless und andere AWS Services, die von Canvas verwendet werden, erforderlich ist. SageMaker
1. Speichern Sie Ihre Änderungen und starten Sie Ihre SageMaker Canvas-Anwendung neu.
Wenn Sie diese Schritte ausführen, können Sie die Verarbeitung großer Datenmengen in SageMaker Canvas für verschiedene Domain-Setups aktivieren, einschließlich solcher mit benutzerdefinierten VPC-Konfigurationen. Denken Sie daran, Ihre SageMaker Canvas-Anwendung neu zu starten, nachdem Sie diese Änderungen vorgenommen haben, um die neuen Berechtigungen zu übernehmen.
# Verschlüsseln Sie Ihre SageMaker Canvas-Daten mit AWS KMS
Möglicherweise haben Sie Daten, die Sie bei der Nutzung von Amazon SageMaker Canvas verschlüsseln möchten, z. B. Ihre privaten Unternehmensinformationen oder Kundendaten. SageMaker Canvas verwendet AWS Key Management Service , um Ihre Daten zu schützen. AWS KMS ist ein Dienst, mit dem Sie kryptografische Schlüssel zur Verschlüsselung Ihrer Daten erstellen und verwalten können. Weitere Informationen AWS KMS dazu finden Sie [AWS Key Management Service](https://docs.aws.amazon.com/kms/latest/developerguide/overview.html)im *AWS KMS Entwicklerhandbuch*.
Amazon SageMaker Canvas bietet Ihnen mehrere Optionen zum Verschlüsseln Ihrer Daten. SageMaker Canvas bietet eine Standardverschlüsselung innerhalb der Anwendung für Aufgaben wie die Erstellung Ihres Modells und die Generierung von Erkenntnissen. Sie können sich auch dafür entscheiden, in Amazon S3 gespeicherte Daten zu verschlüsseln, um Ihre ruhenden Daten zu schützen. SageMaker Canvas unterstützt den Import verschlüsselter Datensätze, sodass Sie einen verschlüsselten Workflow einrichten können. In den folgenden Abschnitten wird beschrieben, wie Sie AWS KMS Verschlüsselung verwenden können, um Ihre Daten beim Erstellen von Modellen mit SageMaker Canvas zu schützen.
## Verschlüsseln Sie Ihre Daten in Canvas SageMaker
Mit SageMaker Canvas können Sie zwei verschiedene AWS KMS Verschlüsselungsschlüssel verwenden, um Ihre Daten in SageMaker Canvas zu verschlüsseln. Diese können Sie bei der [Einrichtung Ihrer Domain mit dem Standard-Domain-Setup](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html) angeben. Diese Schlüssel werden in den folgenden Schritten zur Einrichtung der Domain angegeben:
+ **Schritt 3: Anwendungen konfigurieren – (Optional)** – Bei der Konfiguration des Abschnitts **Canvas-Speicherkonfigurationen** können Sie einen **Verschlüsselungsschlüssel** angeben. Dies ist ein KMS-Schlüssel, den SageMaker Canvas für die langfristige Speicherung von Modellobjekten und Datensätzen verwendet, die im bereitgestellten Amazon S3 S3-Bucket für Ihre Domain gespeichert sind. Wenn Sie eine Canvas-Anwendung mit der [CreateApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateApp.html)API erstellen, verwenden Sie das `S3KMSKeyId` Feld, um diesen Schlüssel anzugeben.
+ **Schritt 6: Speicher konfigurieren** — SageMaker Canvas verwendet einen Schlüssel für die Verschlüsselung des privaten Amazon SageMaker Studio-Bereichs, der für Ihre Canvas-Anwendung erstellt wurde. Dazu gehören temporärer Anwendungsspeicher, Visualisierungen und Rechenaufträge (z. B. das Erstellen von Modellen). Sie können entweder den AWS verwalteten Standardschlüssel verwenden oder Ihren eigenen angeben. Wenn Sie Ihren AWS KMS Schlüssel angeben, werden die im `/home/sagemaker-user` Verzeichnis gespeicherten Daten mit Ihrem Schlüssel verschlüsselt. Wenn Sie keinen AWS KMS Schlüssel angeben, werden die `/home/sagemaker-user` darin enthaltenen Daten mit einem AWS verwalteten Schlüssel verschlüsselt. Unabhängig davon, ob Sie einen AWS KMS Schlüssel angeben, werden alle Daten außerhalb des Arbeitsverzeichnisses mit einem AWS verwalteten Schlüssel verschlüsselt. Weitere Informationen über den Studio-Bereich und Ihren Canvas-Anwendungsspeicher finden Sie unter [Speichern Sie SageMaker Canvas-Anwendungsdaten in Ihrem eigenen KI-Bereich SageMaker](canvas-spaces-setup.md). Wenn Sie eine Canvas-Anwendung mit der [CreateApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateApp.html)API erstellen, verwenden Sie das `KmsKeyID` Feld, um diesen Schlüssel anzugeben.
Die obigen Schlüssel können dieselben oder unterschiedliche KMS-Schlüssel sein.
### Voraussetzungen
Um Ihren eigenen KMS-Schlüssel für einen der zuvor beschriebenen Zwecke zu verwenden, müssen Sie zunächst der IAM-Rolle Ihres Benutzers die Berechtigung zur Verwendung des Schlüssels erteilen. Anschließend können Sie den KMS-Schlüssel bei der Einrichtung Ihrer Domain angeben.
Die einfachste Methode, Ihrer Rolle die Erlaubnis zur Verwendung des Schlüssels zu erteilen, besteht darin, die Schlüsselrichtlinie zu ändern. Gehen Sie wie folgt vor, um Ihrer Rolle die erforderlichen Berechtigungen zu erteilen.
1. Öffnen Sie die [AWS KMS -Konsole](https://console.aws.amazon.com/kms/).
1. Wählen Sie im Abschnitt **Key Policy (Schlüsselrichtlinie)** die Option **Switch to policy view (Zur Richtlinienansicht wechseln)** aus.
1. Ändern Sie die Richtlinie des Schlüssels, um der IAM-Rolle Berechtigungen für die `kms:GenerateDataKey` und `kms:Decrypt` -Aktionen zu gewähren. Wenn Sie außerdem die Schlüsselrichtlinie ändern, die Ihren Canvas-Anwendungsspeicher im Studio-Bereich verschlüsselt, gewähren Sie die `kms:CreateGrant`-Aktion. Sie können eine Anweisung hinzufügen, die der folgenden ähnelt:
```
{
"Sid": "ExampleStmt",
"Action": [
"kms:CreateGrant", #this permission is only required for the key that encrypts your SageMaker Canvas application storage
"kms:Decrypt",
"kms:GenerateDataKey"
],
"Effect": "Allow",
"Principal": {
"AWS": ""
},
"Resource": "*"
}
```
1. Wählen Sie **Änderungen speichern ** aus.
Die weniger bevorzugte Methode besteht darin, die IAM-Rolle des Benutzers so zu ändern, dass dem Benutzer Berechtigungen zur Verwendung oder Verwaltung des KMS-Schlüssels erteilt werden. Wenn Sie diese Methode verwenden, muss die KMS-Schlüsselrichtlinie auch die Zugriffsverwaltung über IAM zulassen. Informationen zum Erteilen von Berechtigungen für einen KMS-Schlüssel über die IAM-Rolle des Benutzers finden Sie im *AWS KMS Entwicklerhandbuch* unter [Angabe von KMS-Schlüsseln in IAM-Richtlinienerklärungen](https://docs.aws.amazon.com/kms/latest/developerguide/cmks-in-iam-policies.html).
### Verschlüsseln Sie Ihre Daten in der SageMaker Canvas-Anwendung
Der erste KMS-Schlüssel, den Sie in SageMaker Canvas verwenden können, wird für die Verschlüsselung von Anwendungsdaten verwendet, die auf Amazon Elastic Block Store (Amazon EBS) -Volumes und im Amazon Elastic File System gespeichert sind, das SageMaker KI in Ihrer Domain erstellt. SageMaker Canvas verschlüsselt Ihre Daten mit diesem Schlüssel in der zugrunde liegenden Anwendung und den temporären Speichersystemen, die bei der Verwendung von Compute-Instances für die Erstellung von Modellen und die Generierung von Erkenntnissen erstellt werden. SageMaker Canvas gibt den Schlüssel immer dann an andere AWS Dienste wie Autopilot weiter, wenn SageMaker Canvas mit ihnen Jobs zur Verarbeitung Ihrer Daten initiiert.
Sie können diesen Schlüssel angeben, indem Sie die `KmsKeyID` im `CreateDomain`-API-Aufruf oder bei der Einrichtung der Standarddomain in der Konsole festlegen. Wenn Sie keinen eigenen KMS-Schlüssel angeben, verwendet SageMaker AI einen standardmäßigen AWS verwalteten KMS-Schlüssel, um Ihre Daten in der Canvas-Anwendung zu verschlüsseln. SageMaker
Um Ihren eigenen KMS-Schlüssel für die Verwendung in der SageMaker Canvas-Anwendung über die Konsole anzugeben, richten Sie zunächst Ihre Amazon SageMaker AI-Domain mit dem **Standard-Setup** ein. Gehen Sie wie folgt vor, um den **Bereich Netzwerk und Speicher** für die Domain auszufüllen.
1. Füllen Sie Ihre gewünschten Amazon VPC-Einstellungen aus.
1. Wählen Sie unter **Verschlüsselungsschlüssel** die Option **Eingabe eines KMS-Schlüssels ARN** aus.
1. Geben Sie für **KMS-ARN** den ARN für Ihren KMS-Schlüssel ein, der ein Format haben sollte, das dem folgenden ähnelt: `arn:aws:kms:example-region-1:123456789098:key/111aa2bb-333c-4d44-5555-a111bb2c33dd`
### Verschlüsseln Sie Ihre in Amazon S3 gespeicherten SageMaker Canvas-Daten
Der zweite KMS-Schlüssel, den Sie angeben können, wird für Daten verwendet, die SageMaker Canvas in Amazon S3 speichert. Dieser KMS-Schlüssel wird im `S3KMSKeyId` Feld im `CreateDomain` API-Aufruf oder bei der Standarddomäneneinrichtung in der SageMaker AI-Konsole angegeben. SageMaker Canvas speichert Duplikate Ihrer Eingabedatensätze, Anwendungs- und Modelldaten sowie Ausgabedaten im standardmäßigen SageMaker AI S3-Bucket der Region für Ihr Konto. Das Benennungsmuster für diesen Bucket lautet`s3://sagemaker-{Region}-{your-account-id}`, und SageMaker Canvas speichert Daten im `Canvas/` Ordner.
1. Aktivieren Sie die Option **Freigabe von Notebook-Ressourcen aktivieren**.
1. Behalten Sie für den **S3-Standort für gemeinsam nutzbare Notebook-Ressourcen** den Amazon S3-Standardpfad bei. Beachten Sie, dass SageMaker Canvas diesen Amazon S3 S3-Pfad nicht verwendet. Dieser Amazon S3 S3-Pfad wird für Studio Classic-Notebooks verwendet.
1. Wählen Sie unter **Verschlüsselungsschlüssel** die Option **Eingabe eines KMS-Schlüssels ARN** aus.
1. Geben Sie für **KMS-ARN** den ARN für Ihren KMS-Schlüssel ein, der ein Format haben sollte, das dem folgenden ähnelt: `arn:aws:kms:us-east-1:111122223333:key/111aa2bb-333c-4d44-5555-a111bb2c33dd`
## Importieren verschlüsselter Datensätze aus Amazon S3
Ihre Benutzer haben möglicherweise Datensätze, die mit einem KMS-Schlüssel verschlüsselt wurden. Im vorherigen Abschnitt wird zwar gezeigt, wie Sie Daten in SageMaker Canvas und Daten, die in Amazon S3 gespeichert sind, verschlüsseln, aber Sie müssen der IAM-Rolle Ihres Benutzers zusätzliche Berechtigungen gewähren, wenn Sie Daten aus Amazon S3 importieren möchten, die bereits mit verschlüsselt sind. AWS KMS
Um Ihren Benutzern Berechtigungen zum Importieren verschlüsselter Datensätze aus Amazon S3 in SageMaker Canvas zu gewähren, fügen Sie der IAM-Ausführungsrolle, die Sie für das Benutzerprofil verwendet haben, die folgenden Berechtigungen hinzu.
```
"kms:Decrypt",
"kms:GenerateDataKey"
```
Wie Sie die IAM-Berechtigungen für eine Rolle bearbeiten können, erfahren Sie unter [Hinzufügen und Entfernen von IAM-Identitätsberechtigungen](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) im *IAM-Benutzerhandbuch*. Weitere Informationen über KMS-Schlüssel finden Sie unter [Schlüsselrichtlinien in AWS Key Management Service](https://docs.aws.amazon.com//kms/latest/developerguide/key-policies.html) im *AWS KMS -Entwicklerhandbuch*.
## FAQs
Antworten auf häufig gestellte Fragen zur SageMaker AWS KMS Canvas-Unterstützung finden Sie in den folgenden FAQs.
### F: Behält SageMaker Canvas meinen KMS-Schlüssel?
A: Nein. SageMaker Canvas kann Ihren Schlüssel vorübergehend zwischenspeichern oder an andere AWS Dienste (wie Autopilot) weitergeben, aber SageMaker Canvas speichert Ihren KMS-Schlüssel nicht.
### F: Ich habe bei der Einrichtung meiner Domain einen KMS-Schlüssel angegeben. Warum konnte mein Datensatz nicht in SageMaker Canvas importiert werden?
A: Die IAM-Rolle Ihres Benutzers ist möglicherweise nicht berechtigt, diesen KMS-Schlüssel zu verwenden. Informationen zum Erteilen von Benutzerberechtigungen finden Sie unter [Voraussetzungen](#canvas-kms-app-data-prereqs). Ein weiterer möglicher Fehler besteht darin, dass Sie in Ihrem Amazon-S3-Bucket eine Bucket-Richtlinie haben, die die Verwendung eines bestimmten KMS-Schlüssels erfordert, der nicht mit dem KMS-Schlüssel übereinstimmt, den Sie in Ihrer Domain angegeben haben. Stellen Sie sicher, dass Sie denselben KMS-Schlüssel für Ihren Amazon-S3-Bucket und Ihre Domain angeben.
### F: Wie finde ich den standardmäßigen SageMaker AI Amazon S3 S3-Bucket der Region für mein Konto?
A: Der standardmäßige Amazon-S3-Bucket folgt dem Benennungsmuster `s3://sagemaker-{Region}-{your-account-id}`. Der `Canvas/` Ordner in diesem Bucket speichert Ihre SageMaker Canvas-Anwendungsdaten.
### F: Kann ich den standardmäßigen SageMaker AI-Amazon S3-Bucket ändern, der zum Speichern von SageMaker Canvas-Daten verwendet wird?
A: Nein, SageMaker KI erstellt diesen Bucket für Sie.
### F: Was speichert SageMaker Canvas im standardmäßigen SageMaker AI Amazon S3 S3-Bucket?
A: SageMaker Canvas verwendet den standardmäßigen SageMaker AI-Amazon S3-Bucket, um Duplikate Ihrer Eingabedatensätze, Modellartefakte und Modellausgaben zu speichern.
### F: Welche Anwendungsfälle werden für die Verwendung von KMS-Schlüsseln mit SageMaker Canvas unterstützt?
A: Mit SageMaker Canvas können Sie Ihre eigenen Verschlüsselungsschlüssel AWS KMS für die Erstellung von Regressions-, binären und Mehrklassenklassifizierungs- und Zeitreihenprognosemodellen sowie für Batch-Inferenzen mit Ihrem Modell verwenden.
# Speichern Sie SageMaker Canvas-Anwendungsdaten in Ihrem eigenen KI-Bereich SageMaker
Ihre Amazon SageMaker Canvas-Anwendungsdaten, wie Datensätze, die Sie importieren, und Ihre Modellartefakte, werden in einem *privaten Bereich von Amazon SageMaker Studio* gespeichert. Der Bereich besteht aus einem Speichervolumen für Ihre Anwendungsdaten mit 100 GB Speicherplatz pro Benutzerprofil, der Art des Bereichs (in diesem Fall eine Canvas-Anwendung) und dem Image für den Container Ihrer Anwendung. Wenn Sie Canvas einrichten und Ihre Anwendung zum ersten Mal starten, erstellt SageMaker KI einen standardmäßigen privaten Bereich, der Ihrem Benutzerprofil zugewiesen ist und Ihre Canvas-Daten speichert. Sie müssen keine zusätzliche Konfiguration vornehmen, um den Bereich einzurichten, da SageMaker KI den Bereich automatisch in Ihrem Namen erstellt. Wenn Sie den Standardbereich jedoch nicht verwenden möchten, haben Sie die Möglichkeit, einen Bereich anzugeben, den Sie selbst erstellt haben. Dies kann nützlich sein, wenn Sie Ihre Daten isolieren möchten. Auf der folgenden Seite erfahren Sie, wie Sie Ihren eigenen Studio-Bereich zum Speichern von Canvas-Anwendungsdaten erstellen und konfigurieren.
**Anmerkung**
Sie können einen benutzerdefinierten Studio-Bereich nur für neue Canvas-Anwendungen konfigurieren. Sie können die Speicherkonfiguration für bestehende Canvas-Anwendungen nicht ändern.
## Bevor Sie beginnen
Ihre Amazon SageMaker AI-Domain oder Ihr Benutzerprofil muss über mindestens 100 GB Speicherplatz verfügen, um die SageMaker Canvas-Anwendung erstellen und verwenden zu können.
Wenn Sie Ihre Domain über die SageMaker AI-Konsole erstellt haben, wird standardmäßig ausreichend Speicherplatz bereitgestellt, sodass Sie keine zusätzlichen Maßnahmen ergreifen müssen. Wenn Sie Ihre Domain oder Ihr Benutzerprofil mit dem [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)oder erstellt haben [ CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html) APIs, stellen Sie sicher, dass Sie den `MaximumEbsVolumeSizeInGb` Wert auf 100 GB oder mehr festlegen. Um einen höheren Speicherwert festzulegen, können Sie entweder eine neue Domäne oder ein neues Benutzerprofil erstellen oder eine vorhandene Domäne oder ein vorhandenes Benutzerprofil mithilfe von [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)oder aktualisieren [ UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html) APIs.
## Erstellen eines neuen Bereichs
Erstellen Sie zunächst einen neuen Studio-Bereich, der für das Speichern von Canvas-Anwendungsdaten konfiguriert ist. Dies ist der Bereich, den Sie beim Erstellen einer neuen Canvas-Anwendung im nächsten Schritt angeben.
Um einen Bereich zu erstellen, können Sie das AWS SDK für Python (Boto3) oder das verwenden AWS CLI.
------
#### [ SDK for Python (Boto3) ]
Das folgende Beispiel zeigt Ihnen, wie Sie mit der AWS SDK für Python (Boto3) `create_space` Methode einen Bereich erstellen, den Sie für Canvas-Anwendungen verwenden können. Stellen Sie sicher, dass Sie diese Parameter angeben:
+ `DomainId`: Geben Sie die ID für Ihre SageMaker AI-Domain an. Um Ihre ID zu finden, können Sie in der SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)Ihre Domain im Bereich **Domains** suchen.
+ `SpaceName`: Geben Sie einen Namen für den neuen Bereich an.
+ `EbsVolumeSizeinGb`: Geben Sie die Größe des Speichervolumes für Ihren Speicherplatz (in GB) an. Der kleinste Wert ist `5` und der größte Wert ist `16384`.
+ `SharingType`: Geben Sie dieses Feld als `Private` an. Weitere Informationen finden Sie unter [Amazon SageMaker Studio-Räume](studio-updated-spaces.md).
+ `OwnerUserProfileName`: Geben Sie den Namen des Benutzerprofils an. Um Benutzerprofilnamen zu finden, die mit einer Domain verknüpft sind, können Sie die SageMaker AI-Konsole unter aufrufen [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)und Ihre Domain im Bereich **Domains** suchen. In den Einstellungen der Domain können Sie die Benutzerprofile einsehen.
+ `AppType`: Geben Sie dieses Feld als `Canvas` an.
```
response = client.create_space(
DomainId='',
SpaceName='',
SpaceSettings={
'AppType': 'Canvas',
'SpaceStorageSettings': {
'EbsStorageSettings': {
'EbsVolumeSizeInGb':
}
},
},
OwnershipSettings={
'OwnerUserProfileName': ''
},
SpaceSharingSettings={
'SharingType': 'Private'
}
)
```
------
#### [ AWS CLI ]
Das folgende Beispiel zeigt Ihnen, wie Sie mit AWS CLI `create-space` dieser Methode einen Bereich erstellen, den Sie für Canvas-Anwendungen verwenden können. Stellen Sie sicher, dass Sie diese Parameter angeben:
+ `domain-id`: Geben Sie die ID für Ihre Domain an. Um Ihre ID zu finden, können Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)aufrufen und Ihre Domain im Bereich **Domains** suchen.
+ `space-name`: Geben Sie einen Namen für den neuen Bereich an.
+ `EbsVolumeSizeinGb`: Geben Sie die Größe des Speichervolumes für Ihren Speicherplatz (in GB) an. Der kleinste Wert ist `5` und der größte Wert ist `16384`.
+ `SharingType`: Geben Sie dieses Feld als `Private` an. Weitere Informationen finden Sie unter [Amazon SageMaker Studio-Räume](studio-updated-spaces.md).
+ `OwnerUserProfileName`: Geben Sie den Namen des Benutzerprofils an. Um Benutzerprofilnamen zu finden, die mit einer Domain verknüpft sind, können Sie die SageMaker AI-Konsole unter aufrufen [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)und Ihre Domain im Bereich **Domains** suchen. In den Einstellungen der Domain können Sie die Benutzerprofile einsehen.
+ `AppType`: Geben Sie dieses Feld als `Canvas` an.
```
create-space
--domain-id
--space-name
--space-settings '{
"AppType": "Canvas",
"SpaceStorageSettings": {
"EbsStorageSettings": {"EbsVolumeSizeInGb": }
},
}'
--ownership-settings '{"OwnerUserProfileName": ""}'
--space-sharing-settings '{"SharingType": "Private"}'
```
------
Sie sollten nun über einen Bereich verfügen. Merken Sie sich den Namen Ihres Bereichs für den nächsten Schritt.
## Erstellen einer neue Canvas-Anwendung
Nachdem Sie einen Bereich erstellt haben, erstellen Sie eine neue Canvas-Anwendung, die den Bereich als Speicherort angibt.
Um eine neue Canvas-Anwendung zu erstellen, können Sie das AWS SDK für Python (Boto3) oder das verwenden AWS CLI.
**Wichtig**
Sie müssen das AWS SDK für Python (Boto3) oder das verwenden AWS CLI , um Ihre Canvas-Anwendung zu erstellen. Die Angabe eines benutzerdefinierten Bereichs beim Erstellen von Canvas-Anwendungen über die SageMaker AI-Konsole wird nicht unterstützt.
------
#### [ SDK for Python (Boto3) ]
Das folgende Beispiel zeigt Ihnen, wie Sie die AWS SDK für Python (Boto3) `create_app` Methode verwenden, um eine neue Canvas-Anwendung zu erstellen. Stellen Sie sicher, dass Sie diese Parameter angeben:
+ `DomainId`: Geben Sie die ID für Ihre SageMaker AI-Domain an.
+ `SpaceName`: Geben Sie den Namen des Bereichs an, den Sie im vorherigen Schritt erstellt haben.
+ `AppType`: Geben Sie dieses Feld als `Canvas` an.
+ `AppName`: Geben Sie `default` als Namen der App an.
```
response = client.create_app(
DomainId='',
SpaceName='',
AppType='Canvas',
AppName='default'
)
```
------
#### [ AWS CLI ]
Das folgende Beispiel zeigt Ihnen, wie Sie die AWS CLI `create-app` Methode verwenden, um eine neue Canvas-Anwendung zu erstellen. Stellen Sie sicher, dass Sie diese Parameter angeben:
+ `DomainId`: Geben Sie die ID für Ihre SageMaker AI-Domain an.
+ `SpaceName`: Geben Sie den Namen des Bereichs an, den Sie im vorherigen Schritt erstellt haben.
+ `AppType`: Geben Sie dieses Feld als `Canvas` an.
+ `AppName`: Geben Sie `default` als Namen der App an.
```
create-app
--domain-id
--space-name
--app-type Canvas
--app-name default
```
------
Sie sollten jetzt über eine neue Canvas-Anwendung verfügen, die einen benutzerdefinierten Studio-Bereich als Speicherort für Anwendungsdaten verwendet.
**Wichtig**
Jedes Mal, wenn Sie die Canvas-Anwendung löschen (oder sich abmelden) und die Anwendung neu erstellen müssen, müssen Sie Ihren Bereich im `SpaceName`-Feld angeben, um sicherzustellen, dass Canvas Ihren Bereich verwendet.
Der Bereich ist dem Benutzerprofil zugeordnet, das Sie in der Bereichskonfiguration angegeben haben. Sie können Ihre Canvas-Anwendung löschen, ohne den Bereich zu löschen. Die im Bereich gespeicherten Daten bleiben erhalten. Die in Ihrem Bereich gespeicherten Daten werden nur gelöscht, wenn Sie Ihr Benutzerprofil oder den Bereich direkt löschen.
# Erteilen Sie Ihren Benutzern die Erlaubnis, benutzerdefinierte Bild- und Textvorhersagemodelle zu erstellen
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
In Amazon SageMaker Canvas können Sie [benutzerdefinierte Modelle](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) erstellen, die Ihren spezifischen Geschäftsanforderungen entsprechen. Zwei dieser benutzerdefinierten Modelltypen sind die Bildvorhersage mit einem Etikett und die Vorhersage von Text mit mehreren Kategorien. Die Berechtigungen zum Erstellen dieser Modelltypen sind in der genannten AWS Identity and Access Management (IAM-) Richtlinie enthalten [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess), die SageMaker KI standardmäßig der IAM-Ausführungsrolle Ihres Benutzers zuordnet, wenn Sie die [Canvas-Basisberechtigungen](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites) aktiviert lassen. Wenn Sie eine benutzerdefinierte IAM-Konfiguration verwenden, müssen Sie der IAM-Ausführungsrolle Ihres Benutzers explizit Berechtigungen hinzufügen, damit dieser benutzerdefinierte Modelltypen für Bild- und Textvorhersagen erstellen kann. Um die erforderlichen Berechtigungen für die Erstellung von Bild- und Textvorhersagemodellen zu gewähren, lesen Sie den folgenden Abschnitt, um zu erfahren, wie Sie Ihrer Rolle eine Richtlinie mit den geringsten Berechtigungen zuordnen können.
Fügen Sie der IAM-Rolle des Benutzers wie folgt die Berechtigungen hinzu:
1. Rufen Sie die [IAM-Konsole](https://console.aws.amazon.com/iamv2) auf
1. Wählen Sie **Roles**.
1. Suchen Sie im Suchfeld anhand des Namens nach der IAM-Rolle des Benutzers und wählen Sie sie aus.
1. Wählen Sie auf der Seite für die Benutzerrolle unter **Berechtigungen** die Option **Berechtigungen hinzufügen** aus.
1. Wählen Sie **Inline-Richtlinie erstellen** aus.
1. Wählen Sie die Registerkarte JSON aus und kopieren Sie dann die folgende JSON-Richtlinie in den Editor.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:CreateAutoMLJobV2",
"sagemaker:DescribeAutoMLJobV2"
],
"Resource": "*"
}
]
}
```
------
1. Wählen Sie **Richtlinie prüfen**.
1. Füllen Sie das Feld **Name** für die Richtlinie aus.
1. Wählen Sie **Richtlinie erstellen** aus.
Weitere Informationen zu AWS verwalteten Richtlinien finden Sie unter [Verwaltete Richtlinien und Inline-Richtlinien](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) im *IAM-Benutzerhandbuch*.
# Erteilen von Berechtigungen zur Verwendung von Amazon-Bedrock-Features und Features der generativen KI in Canvas
Generative KI-Funktionen in Amazon SageMaker Canvas basieren auf Amazon Bedrock Foundation-Modellen, bei denen es sich um umfangreiche Sprachmodelle (LLMs) handelt, die in der Lage sind, menschenähnlichen Text zu verstehen und zu generieren. Auf dieser Seite wird beschrieben, wie Sie die für die folgenden Funktionen in Canvas erforderlichen Berechtigungen gewähren: SageMaker
+ [Chatten Sie mit Amazon Bedrock-Modellen und vergleichen Sie](canvas-fm-chat.md) sie: Greifen Sie über Canvas auf Konversationschats mit Amazon Bedrock-Modellen zu und starten Sie sie. SageMaker
+ [Chat-Funktion zur Datenvorbereitung in Data Wrangler verwenden](canvas-chat-for-data-prep.md): Verwenden Sie natürliche Sprache, um Ihre Daten zu untersuchen, zu visualisieren und zu transformieren. Dieses Feature wird von Anthropic Claude 2 unterstützt.
+ [Amazon-Bedrock-Grundlagenmodelle optimieren](canvas-fm-chat-fine-tune.md): Optimieren Sie ein Amazon-Bedrock-Grundlagenmodell anhand Ihrer eigenen Daten, um maßgeschneiderte Antworten zu erhalten.
Um diese Features nutzen zu können, müssen Sie zunächst Zugriff auf das spezifische Amazon-Bedrock-Modell anfordern, das Sie verwenden möchten. Fügen Sie dann der Ausführungsrolle des Benutzers die erforderlichen AWS IAM-Berechtigungen und eine Vertrauensbeziehung mit Amazon Bedrock hinzu. Um der Rolle die Berechtigungen zu gewähren, können Sie eine der folgenden Methoden wählen:
+ Erstellen Sie eine neue Amazon SageMaker AI-Domain oder ein neues Benutzerprofil und aktivieren Sie die Amazon Bedrock-Berechtigungen. Weitere Informationen finden Sie unter [Erste Schritte mit der Verwendung von Amazon SageMaker Canvas](canvas-getting-started.md).
+ Bearbeiten Sie die Einstellungen für eine bestehende Amazon SageMaker AI-Domain oder ein vorhandenes Benutzerprofil.
+ Fügen Sie manuell Berechtigungen und eine Vertrauensbeziehung zur IAM-Rolle einer Domain oder eines Benutzers hinzu.
## Schritt 1: Amazon-Bedrock-Modellzugriff hinzufügen
Der Zugriff auf Amazon Bedrock-Modelle wird standardmäßig nicht gewährt. Sie müssen daher die Amazon Bedrock-Konsole aufrufen, um Zugriff auf Modelle für Ihr AWS Konto anzufordern.
Um zu erfahren, wie Sie Zugriff auf ein bestimmtes Amazon-Bedrock Modell beantragen können, folgen Sie dem Verfahren unter **Modellzugriff hinzufügen** auf der Seite [Zugriff auf Amazon-Bedrock-Grundlagenmodelle verwalten](https://docs.aws.amazon.com/bedrock/latest/userguide/model-access.html) im *Benutzerhandbuch für Amazon Bedrock*.
## Schritt 2: Berechtigungen für Benutzer in IAM-Rolle erteilen
Bei der Einrichtung Ihrer Amazon SageMaker AI-Domain oder Ihres Benutzerprofils muss die [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)Richtlinie an die IAM-Ausführungsrolle des Benutzers angehängt sein und es muss eine Vertrauensbeziehung mit Amazon Bedrock bestehen, damit Ihr Benutzer von Canvas aus auf Amazon Bedrock-Modelle zugreifen kann. SageMaker
Sie können die Domain-Einstellungen ändern und entweder eine neue Ausführungsrolle erstellen (der SageMaker AI die erforderlichen Berechtigungen für Sie zuweist) oder eine bestehende Rolle angeben.
Alternativ können Sie die Berechtigungen für eine bestehende IAM-Rolle manuell über die IAM-Konsole ändern.
Beide Methoden werden in den folgenden Abschnitten erläutert.
### Erteilen von Berechtigungen über die Domaineinstellungen
Sie können Ihre Domain- oder Benutzerprofileinstellungen bearbeiten, um die **Konfigurationseinstellung für Ready-to-use Canvas-Modelle** zu aktivieren und eine Amazon Bedrock-Rolle anzugeben.
Gehen Sie wie folgt vor, um Ihre Domaineinstellungen zu bearbeiten und Canvas-Benutzern in der Domain Zugriff auf Amazon-Bedrock-Modelle zu gewähren:
1. Gehen Sie zur SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich die Option **Domains** aus.
1. Wählen Sie aus der Liste der Domains Ihre Domain aus.
1. Wechseln Sie zur Registerkarte **App-Konfiguration**.
1. Klicken Sie im Abschnitt **Canvas** auf **Bearbeiten**.
1. Die Seite **Canvas-Einstellungen bearbeiten** wird geöffnet. Gehen Sie für den **Konfigurationsbereich für Ready-to-use Canvas-Modelle** wie folgt vor:
1. Aktivieren Sie die **Option Ready-to-use Canvas-Modelle aktivieren**.
1. Wählen Sie für die **Amazon Bedrock-Rolle** die Option **Neue Ausführungsrolle erstellen und verwenden** aus, um eine neue IAM-Ausführungsrolle zu erstellen, der die [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)Richtlinie angehängt ist und eine Vertrauensbeziehung mit Amazon Bedrock besteht. Diese IAM-Rolle wird von Amazon Bedrock übernommen, wenn Sie auf Amazon-Bedrock-Modelle zugreifen, die Chat-Funktion zur Datenvorbereitung verwenden oder Amazon-Bedrock-Modelle in Canvas optimieren. Wenn Sie bereits eine Ausführungsrolle mit einer Vertrauensbeziehung haben, wählen Sie **Bestehende Ausführungsrolle verwenden** und wählen Sie Ihre Rolle aus der Dropdown-Liste aus.
1. Wählen Sie **Absenden** aus, um Ihre Änderungen zu speichern.
Ihre Benutzer sollten nun über die erforderlichen Berechtigungen verfügen, um auf Amazon-Bedrock-Modelle zuzugreifen, die Chat-Funktion für die Datenvorbereitung zu nutzen und Amazon-Bedrock-Modelle in Canvas zu optimieren.
Sie können das oben beschriebene Verfahren zum Bearbeiten der Einstellungen eines einzelnen Benutzers anwenden, indem Sie über die Domainseite zum Profil des einzelnen Benutzers navigieren und dort die Benutzereinstellungen bearbeiten. Einem einzelnen Benutzer gewährte Berechtigungen gelten nicht für andere Benutzer in der Domain, wohingegen Berechtigungen, die über die Domaineinstellungen gewährt wurden, für alle Benutzerprofile in der Domain gelten.
Weitere Informationen zur Bearbeitung Ihrer Domaineinstellungen finden Sie unter [Domains anzeigen und bearbeiten](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view-edit.html).
### Manuelles Erteilen von Berechtigungen über IAM
Sie können Benutzern manuell Berechtigungen für den Zugriff auf und die Feinabstimmung von Amazon-Bedrock-Modellen in Canvas erteilen, indem Sie der für die Domain oder das Benutzerprofil angegebenen IAM-Rolle Berechtigungen hinzufügen. Der IAM-Rolle muss die [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)Richtlinie beigefügt sein und es muss eine Vertrauensbeziehung mit Amazon Bedrock bestehen.
Im folgenden Abschnitt erfahren Sie, wie Sie die Richtlinie Ihrer IAM-Rolle zuordnen und die Vertrauensbeziehung mit Amazon Bedrock aufbauen.
Notieren Sie sich zunächst die IAM-Rolle Ihrer Domain oder Ihres Benutzerprofils. Beachten Sie, dass Berechtigungen, die einem einzelnen Benutzer erteilt werden, nicht für andere Benutzer in der Domain gelten, während Berechtigungen, die über die Domain erteilt werden, für alle Benutzerprofile in der Domain gelten.
Gehen Sie wie folgt vor, um die IAM-Rolle zu konfigurieren und Berechtigungen zur Feinabstimmung von Grundlagenmodellen in Canvas zu erteilen:
1. Gehen Sie zur IAM-Konsole unter. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. Wählen Sie im linken Navigationsbereich **Roles** aus.
1. Suchen Sie in der Rollenliste anhand des Namens nach der IAM-Rolle des Benutzers und wählen Sie sie aus.
1. Wählen Sie auf der Registerkarte **Permissions** die Option **Add permissions**. Wählen Sie aus dem Dropdown-Menü die Option **Richtlinien anhängen**.
1. Suchen Sie nach der `AmazonSageMakerCanvasBedrockAccess`-Richtlinie und wählen Sie sie aus.
1. Wählen Sie **Berechtigungen hinzufügen** aus.
1. Wählen Sie zurück auf der Seite mit der IAM-Rolle die Registerkarte **Vertrauensstellungen** aus.
1. Wählen Sie **Vertrauensrichtlinie bearbeiten** aus.
1. Suchen Sie im Richtlinieneditor im rechten Bereich nach der Option **Prinzipal hinzufügen** und wählen Sie **Hinzufügen** aus.
1. Wählen Sie im Dialogfeld für **Prinzipaltyp** die Option **AWS -Services** aus.
1. Geben Sie für **ARN** **bedrock.amazonaws.com** ein.
1. Wählen Sie **Prinzipal hinzufügen** aus.
1. Wählen Sie **Richtlinie aktualisieren**.
Sie sollten jetzt über eine IAM-Rolle verfügen, an die die [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)Richtlinie angehängt ist, und Sie sollten eine Vertrauensbeziehung mit Amazon Bedrock haben. Informationen zu AWS verwalteten Richtlinien finden Sie unter [Verwaltete Richtlinien und Inline-Richtlinien](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) im *IAM-Benutzerhandbuch*.
# Aktualisieren Sie SageMaker Canvas für Ihre Benutzer
Sie können entweder als Benutzer oder als IT-Administrator auf die neueste Version von Amazon SageMaker Canvas aktualisieren. Sie können Amazon SageMaker Canvas für jeweils einen einzelnen Benutzer aktualisieren.
Um die Amazon SageMaker Canvas-Anwendung zu aktualisieren, müssen Sie die vorherige Version löschen.
**Wichtig**
Durch das Löschen der vorherigen Version von Amazon SageMaker Canvas werden die von den Benutzern erstellten Daten oder Modelle nicht gelöscht.
Gehen Sie wie folgt vor, um sich bei Amazon SageMaker AI-Domain anzumelden AWS, diese zu öffnen und Amazon SageMaker Canvas zu aktualisieren. Die Benutzer können mit der Nutzung der SageMaker Canvas-Anwendung beginnen, wenn sie sich wieder anmelden.
1. Melden Sie sich bei Amazon [ SageMaker Runtime bei der Amazon SageMaker ](https://console.aws.amazon.com/sagemaker/) AI-Konsole an.
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie auf der Seite **Domains** Ihre Domain aus.
1. Wählen Sie aus der Liste der **Benutzerprofile** ein Benutzerprofil aus.
1. Suchen Sie in der Liste der **Apps** nach der Canvas-Anwendung (der **App-Typ** lautet **Canvas**) und wählen Sie **App löschen**.
1. Füllen Sie das Dialogfeld aus und wählen Sie **Aktion bestätigen**.
Die folgende Abbildung zeigt die Benutzerprofilseite und hebt die Aktion **App löschen** aus dem vorherigen Verfahren hervor.
![\[Screenshot der Benutzerprofilseite mit der hervorgehobenen Aktion App löschen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-update-app-1.png)
# Anfordern einer Kontingenterhöhung.
Ihre Benutzer verwenden möglicherweise AWS Ressourcen in Mengen, die die in ihren Kontingenten angegebenen Mengen überschreiten. Wenn Ihre Benutzer nur über begrenzte Ressourcen verfügen und in SageMaker Canvas auf Fehler stoßen, können Sie eine Erhöhung des Kontingents für sie beantragen.
Weitere Informationen zu SageMaker KI-Kontingenten und dazu, wie Sie eine Kontingenterhöhung beantragen können, finden Sie unter [Kontingente](https://docs.aws.amazon.com/sagemaker/latest/dg/regions-quotas.html#regions-quotas-quotas).
Amazon SageMaker Canvas verwendet die folgenden Dienste, um die Anfragen Ihrer Benutzer zu bearbeiten:
+ Amazon SageMaker Autopilot
+ Amazon SageMaker Studio Classic-Domäne
Eine Liste der verfügbaren Kontingente für SageMaker Canvas-Operationen finden Sie unter [Amazon SageMaker AI-Endpunkte und Kontingente](https://docs.aws.amazon.com//general/latest/gr/sagemaker.html).
## Fordern Sie eine Erhöhung für Instances an, um benutzerdefinierte Modelle zu erstellen
Wenn Sie beim Erstellen eines benutzerdefinierten Modells während der Analyse nach der Erstellung auf einen Fehler stoßen, der Sie auffordert, Ihr Kontingent für `ml.m5.2xlarge` Instances zu erhöhen, verwenden Sie die folgenden Informationen, um das Problem zu lösen.
Sie müssen das SageMaker AI Hosting-Endpunktkontingent für den `ml.m5.2xlarge` Instance-Typ auf einen Wert ungleich Null in Ihrem AWS Konto erhöhen. Nach der Erstellung eines Modells hostet SageMaker Canvas das Modell auf einem SageMaker KI-Hosting-Endpunkt und verwendet den Endpunkt, um die Analyse nach der Erstellung zu generieren. Wenn Sie das Standardkontingent für `ml.m5.2xlarge` Instances auf 0 nicht erhöhen, kann SageMaker Canvas diesen Schritt nicht abschließen und generiert während der Analyse nach der Erstellung einen Fehler.
Informationen zur Erhöhung des Kontingents finden Sie unter [Anfordern einer Kontingenterhöhung](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) im *Benutzerhandbuch für Service Quotas*.
# Benutzern Berechtigungen zum Importieren von Amazon Redshift-Daten gewähren
Ihre Benutzer haben möglicherweise Datensätze in Amazon Redshift gespeichert. Bevor Benutzer Daten aus Amazon Redshift in SageMaker Canvas importieren können, müssen Sie die `AmazonRedshiftFullAccess` verwaltete Richtlinie der IAM-Ausführungsrolle hinzufügen, die Sie für das Benutzerprofil verwendet haben, und Amazon Redshift als Service Principal zur Vertrauensrichtlinie der Rolle hinzufügen. Sie müssen auch die IAM-Ausführungsrolle Ihrem Amazon Redshift Redshift-Cluster zuordnen. Führen Sie die Verfahren in den folgenden Abschnitten aus, um Ihren Benutzern die erforderlichen Berechtigungen für den Import von Amazon Redshift-Daten zu erteilen.
## Fügen Sie Ihrer IAM-Rolle Amazon Redshift-Berechtigungen hinzu
Sie müssen Amazon Redshift-Berechtigungen für die IAM-Rolle erteilen, die in Ihrem Benutzerprofil angegeben ist.
Gehen Sie wie folgt vor, um die `AmazonRedshiftFullAccess` Richtlinie der IAM-Rolle des Benutzers hinzuzufügen.
1. Melden Sie sich bei der IAM-Konsole an unter. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. Wählen Sie **Roles**.
1. Suchen Sie im Suchfeld anhand des Namens nach der IAM-Rolle des Benutzers und wählen Sie sie aus.
1. Wählen Sie auf der Seite für die Benutzerrolle unter **Berechtigungen** die Option **Berechtigungen hinzufügen** aus.
1. Wählen Sie **Richtlinien anfügen**.
1. Suchen Sie nach der `AmazonRedshiftFullAccess` verwalteten Richtlinie und wählen Sie sie aus.
1. Wählen Sie **Richtlinien anfügen** aus, um die Richtlinie der Rolle anzufügen.
Nach dem Anhängen der Richtlinie sollte der Abschnitt **Berechtigungen** der Rolle nun `AmazonRedshiftFullAccess` enthalten.
Gehen Sie wie folgt vor, um Amazon Redshift als Service Principal zur IAM-Rolle hinzuzufügen.
1. Wählen Sie auf derselben Seite für die IAM-Rolle unter **Trust-Beziehungen** die Option **Vertrauensrichtlinie bearbeiten** aus.
1. Aktualisieren Sie im Editor **Vertrauensrichtlinie bearbeiten** die Vertrauensrichtlinie, um Amazon Redshift als Service Principal hinzuzufügen. Eine IAM-Rolle, die Amazon Redshift erlaubt, in Ihrem Namen auf andere AWS -Services zuzugreifen, hat eine Vertrauensstellung wie folgt:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": "redshift.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
]
}
```
------
1. Nachdem Sie die Vertrauensrichtlinie bearbeitet haben, wählen Sie **Richtlinie aktualisieren**.
Sie sollten jetzt über eine IAM-Rolle verfügen, der die Richtlinie `AmazonRedshiftFullAccess` zugeordnet ist, und Sie sollten über eine Vertrauensbeziehung mit Amazon Redshift verfügen, sodass Benutzer Amazon Redshift Redshift-Daten in Canvas importieren dürfen. SageMaker Weitere Informationen zu AWS verwalteten Richtlinien finden Sie unter [Verwaltete Richtlinien und Inline-Richtlinien](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) im *IAM-Benutzerhandbuch*.
## Verbinden Sie die IAM-Rolle mit Ihrem Amazon Redshift-Cluster
In den Einstellungen für Ihren Amazon Redshift-Cluster müssen Sie die IAM-Rolle zuordnen, der Sie im vorherigen Abschnitt Berechtigungen erteilt haben.
Um eine IAM-Rolle mit Ihrem Cluster zu verknüpfen, gehen Sie wie folgt vor.
1. Melden Sie sich bei der Amazon Redshift Redshift-Konsole unter an [https://console.aws.amazon.com/redshiftv2/](https://console.aws.amazon.com/redshiftv2/).
1. Wählen Sie im Navigationsmenü die Option **Cluster**, und wählen Sie dann den Namen des Clusters, den Sie aktualisieren möchten.
1. Wählen Sie im Dropdown-Menü **Aktionen** die Option **IAM-Rollen verwalten** aus. Die Seite mit den **Cluster-Berechtigungen** wird angezeigt.
1. Geben Sie für **Verfügbare IAM-Rollen** entweder den ARN oder den Namen der IAM-Rolle ein, oder wählen Sie die IAM-Rolle aus der Liste aus.
1. Wählen Sie dann **Associate IAM role** (IAM-Rolle zuordnen) aus, um sie der Liste der **Associated IAM roles** für den Cluster hinzuzufügen.
1. Wählen Sie **Änderungen speichern**, um die IAM-Rolle mit dem Cluster zu verknüpfen.
Amazon Redshift ändert den Cluster, um die Änderung abzuschließen, und die IAM-Rolle, für die Sie zuvor Amazon Redshift-Berechtigungen erteilt haben, ist jetzt mit Ihrem Amazon Redshift-Cluster verknüpft. Ihre Benutzer verfügen jetzt über die erforderlichen Berechtigungen, um Amazon Redshift Redshift-Daten in SageMaker Canvas zu importieren.
# Erteilen Sie Ihren Benutzern die Erlaubnis, Prognosen an Quick zu senden
Sie müssen Ihren SageMaker Canvas-Benutzern die Berechtigung erteilen, Batch-Vorhersagen an Quick zu senden. In Quick können Benutzer Analysen und Berichte mit einem Datensatz erstellen und Dashboards vorbereiten, um ihre Ergebnisse zu teilen. Weitere Informationen zum Senden von Prognosen an QuickSight zur Analyse finden Sie unter[Prognosen an Quick senden](canvas-send-predictions.md).
Um die erforderlichen Berechtigungen für die gemeinsame Nutzung von Batch-Vorhersagen für Benutzer in zu gewähren QuickSight, müssen Sie der Ausführungsrolle AWS Identity and Access Management (IAM), die Sie für das Benutzerprofil verwendet haben, eine Berechtigungsrichtlinie hinzufügen. Im folgenden Abschnitt erfahren Sie, wie Sie Ihrer Rolle eine Richtlinie mit den geringsten Berechtigungen zuordnen können.
**Fügen Sie die Berechtigungsrichtlinie zu Ihrer IAM-Rolle hinzu**
**Um die Berechtigungsrichtlinie hinzuzufügen, führen Sie die folgenden Schritte aus:**
1. Melden Sie sich bei der IAM-Konsole unter an. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. Wählen Sie **Roles**.
1. Suchen Sie im Suchfeld anhand des Namens nach der IAM-Rolle des Benutzers und wählen Sie sie aus.
1. Wählen Sie auf der Seite für die Benutzerrolle unter **Berechtigungen** die Option **Berechtigungen hinzufügen** aus.
1. Wählen Sie **Inline-Richtlinie erstellen** aus.
1. Wählen Sie die Registerkarte JSON aus und kopieren Sie dann die folgende JSON-Richtlinie in den Editor. Ersetzen Sie die Platzhalter `` durch Ihre eigene AWS Kontonummer.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"quicksight:CreateDataSet",
"quicksight:ListUsers",
"quicksight:ListNamespaces",
"quicksight:CreateDataSource",
"quicksight:PassDataSet",
"quicksight:PassDataSource"
],
"Resource": [
"arn:aws:quicksight:*:111122223333:datasource/*",
"arn:aws:quicksight:*:111122223333:user/*",
"arn:aws:quicksight:*:111122223333:namespace/*",
"arn:aws:quicksight:*:111122223333:dataset/*"
]
}
]
}
```
------
1. Wählen Sie **Richtlinie prüfen**.
1. Füllen Sie das Feld **Name** für die Richtlinie aus.
1. Wählen Sie **Richtlinie erstellen** aus.
Ihrer Ausführungsrolle sollte nun eine vom Kunden verwaltete IAM-Richtlinie zugeordnet sein, die Ihren Canvas-Benutzern die erforderlichen Berechtigungen zum Senden von Batch-Vorhersagen an Benutzer in gewährt. QuickSight
# Anwendungsverwaltung
In den folgenden Abschnitten wird beschrieben, wie Sie Ihre SageMaker Canvas-Anwendungen verwalten können. Sie können Ihre Anwendungen im Bereich **Domains** der SageMaker AI-Konsole anzeigen, löschen oder neu starten.
**Topics**
+ [Suchen nach aktiven Anwendungen](canvas-manage-apps-active.md)
+ [Löschen einer Anwendung](canvas-manage-apps-delete.md)
+ [Neustarten einer Anwendung](canvas-manage-apps-relaunch.md)
# Suchen nach aktiven Anwendungen
Gehen Sie wie folgt vor, um zu überprüfen, ob Sie aktiv laufende SageMaker Canvas-Anwendungen haben.
1. Öffnen Sie die [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Dashboard** aus.
1. Im Abschnitt **LCNC** gibt es eine Zeile für Canvas, die angibt, wie viele aktive Apps ausgeführt werden. Wählen Sie die Nummer, um die Liste der Apps anzuzeigen.
In der Spalte **Status** wird der Status der Anwendung angezeigt, z. B. **Bereit**, **Ausstehend** oder **Gelöscht**. Wenn die Anwendung **bereit** ist, ist Ihre SageMaker Canvas-Workspace-Instanz aktiv. Sie können die Anwendung aus der Konsole löschen oder Canvas erneut öffnen und sich abmelden.
# Löschen einer Anwendung
Wenn Sie Ihre SageMaker Canvas-Workspace-Instanz beenden möchten, können Sie sich entweder von der SageMaker Canvas-Anwendung abmelden oder Ihre Anwendung aus der SageMaker AI-Konsole löschen. Eine *Workspace-Instanz* ist für Sie von Beginn an, an dem Sie SageMaker Canvas verwenden, bis zu dem Zeitpunkt, an dem Sie sie nicht mehr verwenden, reserviert. Durch das Löschen der Anwendung wird lediglich die Workspace-Instance beendet und die Abrechnung für die Workspace-Instance eingestellt. Modelle und Datensätze sind nicht betroffen, aber Quick-Build-Aufgaben werden automatisch neu gestartet, wenn Sie die Anwendung neu starten.
Um Ihre Canvas-Anwendung über die AWS Konsole zu löschen, schließen Sie zunächst den Browser-Tab, in dem Ihre Canvas-Anwendung geöffnet war. Gehen Sie dann wie folgt vor, um Ihre SageMaker Canvas-Anwendung zu löschen.
1. Öffnen Sie die [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie auf der Seite **Domains** Ihre Domain aus.
1. Wählen Sie auf der Seite mit den **Domänendetails** die Option **Ressourcen** aus.
1. Suchen Sie unter **Anwendungen** in der Spalte **App-Typ** nach der Anwendung mit der Aufschrift **Canvas**.
1. Markieren Sie das Kontrollkästchen neben der Canvas-Anwendung und wählen Sie **Beenden**.
Sie haben die Anwendung jetzt erfolgreich gestoppt und die Workspace-Instanz beendet.
Sie können die Workspace-Instanz auch beenden, indem Sie sich von der SageMaker Canvas-Anwendung [aus abmelden](canvas-log-out.md).
# Neustarten einer Anwendung
Wenn Sie Ihre SageMaker Canvas-Anwendung löschen oder sich von ihr abmelden und die Anwendung neu starten möchten, gehen Sie wie folgt vor.
1. Navigieren Sie zur [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im Navigationsbereich die Option **Canvas**.
1. Wählen Sie auf der SageMaker Canvas-Landingpage im Feld **Erste Schritte** Ihr Benutzerprofil aus der Dropdownliste aus.
1. Wählen Sie **Open Canvas**, um die Anwendung zu öffnen.
SageMaker Canvas beginnt mit dem Starten der Anwendung.
Sie können auch das folgende sekundäre Verfahren verwenden, falls Sie Probleme mit dem vorherigen Verfahren haben.
1. Öffnen Sie die [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie auf der Seite **Domains** Ihre Domain aus.
1. Wählen Sie auf der Seite mit den **Domänendetails** unter **Benutzerprofile** den Namen des Benutzerprofils für die SageMaker Canvas-Anwendung aus, die Sie anzeigen möchten.
1. Wählen Sie **Starten** und wählen Sie **Canvas** aus der Dropdown-Liste aus.
SageMaker Canvas beginnt mit dem Starten der Anwendung.
# Amazon SageMaker Canvas in einer VPC ohne Internetzugang konfigurieren
Die Amazon SageMaker Canvas-Anwendung wird in einem Container in einer AWS verwalteten Amazon Virtual Private Cloud (VPC) ausgeführt. Wenn Sie den Zugriff auf Ihre Ressourcen weiter kontrollieren oder SageMaker Canvas ohne öffentlichen Internetzugang ausführen möchten, können Sie Ihre Amazon SageMaker AI-Domain- und VPC-Einstellungen konfigurieren. In Ihrer eigenen VPC können Sie Einstellungen wie Sicherheitsgruppen (virtuelle Firewalls, die den ein- und ausgehenden Datenverkehr von Amazon-EC2-Instances kontrollieren) und Subnetze (Bereiche von IP-Adressen in Ihrer VPC) konfigurieren. Weitere Informationen finden Sie VPCs unter [So funktioniert Amazon VPC](https://docs.aws.amazon.com/vpc/latest/userguide/how-it-works.html).
Wenn die SageMaker Canvas-Anwendung in der AWS verwalteten VPC ausgeführt wird, kann sie entweder über eine Internetverbindung oder über VPC-Endpunkte, die in einer vom Kunden verwalteten VPC (ohne öffentlichen Internetzugang) erstellt wurden, mit anderen AWS Diensten interagieren. SageMaker Canvas-Anwendungen können über eine von Studio Classic erstellte Netzwerkschnittstelle auf diese VPC-Endpoints zugreifen, die Konnektivität zur vom Kunden verwalteten VPC bereitstellt. Das Standardverhalten der SageMaker Canvas-Anwendung besteht darin, Internetzugang zu haben. Wenn Sie eine Internetverbindung verwenden, greifen die Container für die vorherigen Jobs über das Internet auf AWS Ressourcen zu, z. B. die Amazon-S3-Buckets, in denen Sie Trainingsdaten und Modellartefakte speichern.
Wenn Sie jedoch Sicherheitsanforderungen haben, um den Zugriff auf Ihre Daten- und Jobcontainer zu kontrollieren, empfehlen wir Ihnen, SageMaker Canvas und Ihre VPC so zu konfigurieren, dass Ihre Daten und Container nicht über das Internet zugänglich sind. SageMaker AI verwendet die VPC-Konfigurationseinstellungen, die Sie bei der Einrichtung Ihrer Domain für SageMaker Canvas angeben.
Wenn Sie Ihre SageMaker Canvas-Anwendung ohne Internetzugang konfigurieren möchten, müssen Sie Ihre VPC-Einstellungen konfigurieren, wenn Sie in die [Amazon SageMaker AI-Domain](gs-studio-onboard.md) einsteigen, VPC-Endpunkte einrichten und die erforderlichen Berechtigungen erteilen. AWS Identity and Access Management Informationen zur Konfiguration einer VPC in Amazon SageMaker AI finden Sie unter[Auswählen einer Amazon VPC](onboard-vpc.md). In den folgenden Abschnitten wird beschrieben, wie SageMaker Canvas in einer VPC ohne öffentlichen Internetzugang ausgeführt wird.
## Amazon SageMaker Canvas in einer VPC ohne Internetzugang konfigurieren
Sie können Traffic von SageMaker Canvas über Ihre eigene VPC an andere AWS Dienste senden. Wenn Ihre eigene VPC keinen öffentlichen Internetzugang hat und Sie Ihre Domain **nur im VPC-Modus** eingerichtet haben, hat SageMaker Canvas auch keinen öffentlichen Internetzugang. Dazu gehören alle Anfragen, z. B. der Zugriff auf Datensätze in Amazon S3 oder Trainingsjobs für Standard-Builds, und die Anfragen werden über VPC-Endpunkte in Ihrer VPC statt über das öffentliche Internet abgewickelt. Wenn Sie ein Onboarding zur Domain und zu [Auswählen einer Amazon VPC](onboard-vpc.md) durchführen, können Sie Ihre eigene VPC als Standard-VPC für die Domain festlegen, zusammen mit Ihren gewünschten Sicherheitsgruppen- und Subnetzeinstellungen. Anschließend erstellt SageMaker KI eine Netzwerkschnittstelle in Ihrer VPC, die SageMaker Canvas für den Zugriff auf VPC-Endpunkte in Ihrer VPC verwendet.
Stellen Sie sicher, dass Sie eine oder mehrere Sicherheitsgruppen in Ihrer VPC mit Regeln für eingehenden und ausgehenden Datenverkehr einrichten, die [TCP-Datenverkehr innerhalb der Sicherheitsgruppe](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances) zulassen. Dies ist für die Verbindung zwischen der Jupyter-Server-Anwendung und den Kernel-Gateway-Anwendungen erforderlich. Sie müssen den Zugriff auf mindestens Ports im Bereich `8192-65535` zulassen. Erstellen Sie für jedes Benutzerprofil auch eine eigene Sicherheitsgruppe und fügen Sie eingehenden Zugriff aus derselben Sicherheitsgruppe hinzu. Es wird nicht empfohlen, eine Sicherheitsgruppe auf Domainebene für Benutzerprofile wiederzuverwenden. Wenn die Sicherheitsgruppe auf Domainebene eingehenden Zugriff auf sich selbst zulässt, haben alle Anwendungen in der Domain Zugriff auf alle anderen Anwendungen in der Domain. Beachten Sie, dass die Sicherheitsgruppen- und Subnetzeinstellungen festgelegt werden, nachdem Sie das Onboarding in Domain abgeschlossen haben.
Wenn Sie beim Onboarding zur Domain **nur öffentliches Internet** als Netzwerkzugriffstyp wählen, wird die VPC SageMaker KI-verwaltet und ermöglicht den Internetzugang.
Sie können dieses Verhalten ändern, indem Sie **nur VPC** auswählen, sodass SageMaker KI den gesamten Datenverkehr an eine Netzwerkschnittstelle sendet, die SageMaker AI in Ihrer angegebenen VPC erstellt. Wenn Sie diese Option wählen, müssen Sie die Subnetze, Sicherheitsgruppen und VPC-Endpunkte bereitstellen, die für die Kommunikation mit der SageMaker API und SageMaker AI Runtime erforderlich sind, sowie verschiedene AWS Dienste wie Amazon S3 und Amazon CloudWatch, die von Canvas verwendet werden. SageMaker Beachten Sie, dass Sie nur Daten aus Amazon-S3-Buckets importieren können, die sich in derselben Region wie Ihre VPC befinden.
Die folgenden Verfahren zeigen, wie Sie diese Einstellungen für die Verwendung von SageMaker Canvas ohne Internet konfigurieren können.
### Schritt 1: Einstieg in die Amazon SageMaker AI-Domain
Um SageMaker Canvas-Verkehr an eine Netzwerkschnittstelle in Ihrer eigenen VPC statt über das Internet zu senden, geben Sie die VPC an, die Sie beim Onboarding in die [Amazon SageMaker ](gs-studio-onboard.md) AI-Domain verwenden möchten. Sie müssen außerdem mindestens zwei Subnetze in Ihrer VPC angeben, die SageMaker KI verwenden kann. Wählen Sie **Standardeinrichtung** aus und gehen Sie wie folgt vor, wenn Sie den **Netzwerk- und Speicherbereich** für die Domain konfigurieren.
1. Wählen Sie Ihre gewünschte **VPC** aus.
1. Wählen Sie zwei oder mehr **Subnetze** aus. Wenn Sie die Subnetze nicht angeben, verwendet SageMaker AI alle Subnetze in der VPC.
1. Wählen Sie eine oder mehrere **Sicherheitsgruppe(n)**.
1. Wählen Sie **Nur VPC**, um den direkten Internetzugang in der AWS verwalteten VPC zu deaktivieren, in der SageMaker Canvas gehostet wird.
Nachdem Sie den Internetzugang deaktiviert haben, schließen Sie den Onboarding-Prozess ab, um Ihre Domain einzurichten. Weitere Informationen zu den VPC-Einstellungen für die Amazon SageMaker AI-Domain finden Sie unter[Auswählen einer Amazon VPC](onboard-vpc.md).
### Schritt 2: Konfigurieren der VPC-Endpunkte und des Zugriffs
**Anmerkung**
Um Canvas in Ihrer eigenen VPC zu konfigurieren, müssen Sie private DNS-Hostnamen für Ihre VPC-Endpunkte aktivieren. Weitere Informationen finden Sie unter [Connect SageMaker KI über einen VPC-Schnittstellenendpunkt](https://docs.aws.amazon.com/sagemaker/latest/dg/interface-vpc-endpoint.html) herstellen.
SageMaker Canvas greift nur auf andere AWS Dienste zu, um Daten für seine Funktionalität zu verwalten und zu speichern. Es stellt beispielsweise eine Verbindung zu Amazon Redshift her, wenn Ihre Benutzer auf eine Amazon Redshift-Datenbank zugreifen. Es kann über eine Internetverbindung oder einen VPC-Endpunkt eine Verbindung zu einem AWS Service wie Amazon Redshift herstellen. Verwenden Sie VPC-Endpunkte, wenn Sie Verbindungen von Ihrer VPC zu AWS Diensten einrichten möchten, die das öffentliche Internet nicht nutzen.
Ein VPC-Endpunkt stellt eine private Verbindung zu einem AWS Dienst her, der einen vom öffentlichen Internet isolierten Netzwerkpfad verwendet. Wenn Sie beispielsweise den Zugriff auf Amazon S3 mithilfe eines VPC-Endpunkts von Ihrer eigenen VPC aus einrichten, kann die SageMaker Canvas-Anwendung über die Netzwerkschnittstelle in Ihrer VPC und dann über den VPC-Endpunkt, der eine Verbindung zu Amazon S3 herstellt, auf Amazon S3 zugreifen. Die Kommunikation zwischen SageMaker Canvas und Amazon S3 ist privat.
Weitere Informationen zur Konfiguration von VPC-Endpunkten für Ihre VPC finden Sie unter [AWS PrivateLink](https://docs.aws.amazon.com/vpc/latest/privatelink/what-is-privatelink.html). Wenn Sie Amazon Bedrock-Modelle in Canvas mit einer VPC verwenden, finden Sie weitere Informationen zur Steuerung des Zugriffs auf Ihre Daten unter [Schützen von Aufträgen mithilfe einer VPC](https://docs.aws.amazon.com/bedrock/latest/userguide/usingVPC.html#configureVPC) im *Amazon Bedrock-Benutzerhandbuch*.
Im Folgenden sind die VPC-Endpunkte für jeden Service aufgeführt, den Sie mit SageMaker Canvas verwenden können:
| Service | Endpoint | Endpunkttyp |
| --- | --- | --- |
| AWS Application Auto Scaling | com.amazonaws. *Region*.automatische Skalierung von Anwendungen | Schnittstelle |
| Amazon Athena | com.amazonaws. *Region*.Athena | Schnittstelle |
| Amazon SageMaker KI | com.amazonaws. *Region*.sagemaker.api com.amazonaws. *Region*.sagemaker.runtime com.amazonaws. *Region*. Notizbuch | Schnittstelle |
| Amazon SageMaker AI-Assistent für Datenwissenschaft | com.amazonaws. *Region*. sagemaker-data-science-assistant | Schnittstelle |
| AWS -Security-Token-Service | com.amazonaws. *Region*.sts | Schnittstelle |
| Amazon Elastic Container Registry (Amazon ECR) | com.amazonaws. *Region*.ecr.api com.amazonaws. *Region*.ecr.dkr | Schnittstelle |
| Amazon Elastic Compute Cloud (Amazon EC2) | com.amazonaws. *Region*.ec2 | Schnittstelle |
| Amazon Simple Storage Service (Amazon-S3) | com.amazonaws. *Region*. 3 | Gateway |
| Amazon Redshift | com.amazonaws. *Region*.redshift-Daten | Schnittstelle |
| AWS Secrets Manager | com.amazonaws. *Region*. Geheimnismanager | Schnittstelle |
| AWS Systems Manager | com.amazonaws. *Region*.ssm | Schnittstelle |
| Amazon CloudWatch | com.amazonaws. *Region*. Überwachung | Schnittstelle |
| CloudWatch Amazon-Protokolle | com.amazonaws. *Region*.protokolle | Schnittstelle |
| Amazon Forecast | com.amazonaws. *Region*. Prognose com.amazonaws. *Region*. Prognoseabfrage | Schnittstelle |
| Amazon Textract | com.amazonaws. *Region*.textrahieren | Schnittstelle |
| Amazon Comprehend | com.amazonaws. *Region*.com verstehen | Schnittstelle |
| Amazon Rekognition | com.amazonaws. *Region*.rekognition | Schnittstelle |
| AWS Glue | com.amazonaws. *Region*. kleben | Schnittstelle |
| AWS Application Auto Scaling | com.amazonaws. *Region*.automatische Skalierung von Anwendungen | Schnittstelle |
| Amazon Relational Database Service (Amazon RDS) | com.amazonaws. *Region*.rds | Schnittstelle |
| Amazon Bedrock (siehe Hinweis nach der Tabelle) | com.amazonaws. *Region*.bedrock-Laufzeit | Schnittstelle |
| Amazon Kendra | com.amazonaws. *Region*.kendra | Schnittstelle |
| Amazon EMR Serverless | com.amazonaws. *Region*.emr-serverlos | Schnittstelle |
| Amazon Q Developer (siehe Hinweis nach der Tabelle) | com.amazonaws. *Region*q | Schnittstelle |
**Anmerkung**
Der VPC-Endpunkt Amazon Q Developer ist derzeit nur in der Region USA Ost (Nord-Virginia) verfügbar. Um von anderen Regionen aus eine Verbindung herzustellen, können Sie je nach Ihren Sicherheits- und Infrastruktureinstellungen eine der folgenden Optionen wählen:
**Richten Sie ein NAT-Gateway ein.** Konfigurieren Sie ein NAT-Gateway im privaten Subnetz Ihrer VPC, um die Internetverbindung für den Q-Developer-Endpunkt zu aktivieren. Weitere Informationen finden Sie unter [Einrichten eines NAT-Gateways in einem privaten VPC-Subnetz](https://repost.aws/knowledge-center/nat-gateway-vpc-private-subnet).
**Aktivieren Sie den regionsübergreifenden VPC-Endpunktzugriff.** Richten Sie den regionsübergreifenden VPC-Endpunktzugriff für Q Developer ein. Verwenden Sie diese Option, um eine sichere Verbindung herzustellen, ohne dass ein Internetzugang erforderlich ist. Weitere Informationen finden Sie unter [Konfigurieren des regionsübergreifenden VPC-Endpunktzugriffs](https://repost.aws/knowledge-center/vpc-endpoints-cross-region-aws-services).
**Anmerkung**
Für Amazon Bedrock ist der Name `com.amazonaws.Region.bedrock` des Schnittstellenendpunkts Service veraltet. Erstellen Sie einen neuen VPC-Endpunkt mit dem in der vorherigen Tabelle aufgeführten Service-Namen.
Darüber hinaus können Sie Foundation-Modelle von Canvas VPCs aus ohne Internetzugang nicht feinabstimmen. Dies liegt daran, dass Amazon Bedrock keine VPC-Endpunkte für die Modellanpassung unterstützt. APIs Weitere Informationen zur Feinabstimmung eines Grundlagenmodells in Canvas finden Sie unter [Optimieren von Grundlagenmodellen](canvas-fm-chat-fine-tune.md).
Sie müssen auch eine Endpunktrichtlinie für Amazon S3 hinzufügen, um den AWS Prinzipalzugriff auf Ihren VPC-Endpunkt zu kontrollieren. Informationen zur Aktualisierung Ihrer VPC-Endpunktrichtlinie finden Sie unter [Steuern des Zugriffs auf VPC-Endpunkte mithilfe von Endpunktrichtlinien](https://docs.aws.amazon.com/vpc/latest/privatelink/vpc-endpoints-access.html).
Im Folgenden sind zwei VPC-Endpunktrichtlinien aufgeführt, die Sie verwenden können. Verwenden Sie die erste Richtlinie, wenn Sie nur Zugriff auf die Grundfunktionen von Canvas gewähren möchten, wie beispielsweise das Importieren von Daten und das Erstellen von Modellen. Verwenden Sie die zweite Richtlinie, wenn Sie Zugriff auf die zusätzlichen [Features der generativen KI](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html) in Canvas gewähren möchten.
------
#### [ Basic VPC endpoint policy ]
Die folgende Richtlinie gewährt den erforderlichen Zugriff auf Ihren VPC-Endpunkt für grundlegende Vorgänge in Canvas.
```
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject",
"s3:CreateBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::*SageMaker*",
"arn:aws:s3:::*Sagemaker*",
"arn:aws:s3:::*sagemaker*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:ListAllMyBuckets"
],
"Resource": "*"
}
```
------
#### [ Generative AI VPC endpoint policy ]
Die folgende Richtlinie gewährt den erforderlichen Zugriff auf Ihren VPC-Endpunkt für grundlegende Vorgänge in Canvas sowie für die Verwendung von Grundlagenmodellen der generativen KI.
```
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject",
"s3:CreateBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::*SageMaker*",
"arn:aws:s3:::*Sagemaker*",
"arn:aws:s3:::*sagemaker*",
"arn:aws:s3:::*fmeval/datasets*",
"arn:aws:s3:::*jumpstart-cache-prod*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:ListAllMyBuckets"
],
"Resource": "*"
}
```
------
### Schritt 3: Erteilen von IAM-Berechtigungen
Der SageMaker Canvas-Benutzer muss über die erforderlichen AWS Identity and Access Management Berechtigungen verfügen, um eine Verbindung zu den VPC-Endpunkten herzustellen. Die IAM-Rolle, der Sie Berechtigungen erteilen, muss dieselbe sein, die Sie beim Onboarding in die Amazon SageMaker AI-Domain verwendet haben. Sie können die von SageMaker KI verwaltete `AmazonSageMakerFullAccess` Richtlinie an die IAM-Rolle anhängen, damit der Benutzer dem Benutzer die erforderlichen Berechtigungen erteilt. Wenn Sie restriktivere IAM-Berechtigungen benötigen und stattdessen benutzerdefinierte Richtlinien verwenden, geben Sie der Rolle des Benutzers die entsprechende Berechtigung. `ec2:DescribeVpcEndpointServices` SageMaker Canvas benötigt diese Berechtigungen, um das Vorhandensein der erforderlichen VPC-Endpunkte für Standard-Build-Jobs zu überprüfen. Wenn es diese VPC-Endpunkte erkennt, werden Standard-Build-Jobs standardmäßig in Ihrer VPC ausgeführt. Andernfalls werden sie in der standardmäßigen AWS verwalteten VPC ausgeführt.
Anweisungen zum Anhängen der `AmazonSageMakerFullAccess` IAM-Richtlinie an die IAM-Rolle Ihres Benutzers finden Sie unter [Hinzufügen und Entfernen von IAM-Identitätsberechtigungen](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html).
Gehen Sie wie folgt vor, um der IAM-Rolle Ihres Benutzers das granulare `ec2:DescribeVpcEndpointServices` Zugriffsrecht zu erteilen.
1. Melden Sie sich bei der an AWS-Managementkonsole und öffnen Sie die [IAM-Konsole](https://console.aws.amazon.com/iam/).
1. Wählen Sie im Navigationsbereich **Rollen**.
1. Wählen Sie in der Liste den Namen der Rolle, der Sie Berechtigungen erteilen möchten.
1. Wählen Sie die Registerkarte **Berechtigungen**.
1. Wählen Sie **Add permissions** (Berechtigungen hinzufügen) und dann **Create inline policy** (Inline-Richtlinie erstellen) aus.
1. Wählen Sie die Registerkarte **JSON** und geben Sie die folgende Richtlinie ein, die die `ec2:DescribeVpcEndpointServices` Berechtigung erteilt:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "VisualEditor0",
"Effect": "Allow",
"Action": "ec2:DescribeVpcEndpointServices",
"Resource": "*"
}
]
}
```
------
1. Wählen Sie **Überprüfungsrichtlinie**, und geben Sie einen **Namen** für die Richtlinie ein (z. B. `VPCEndpointPermissions`).
1. Wählen Sie **Richtlinie erstellen** aus.
Die IAM-Rolle des Benutzers sollte jetzt über Berechtigungen für den Zugriff auf die in Ihrer VPC konfigurierten VPC-Endpoints verfügen.
### (Optional) Schritt 4: Überschreiben der Sicherheitsgruppeneinstellungen für bestimmte Benutzer
Wenn Sie ein Administrator sind, möchten Sie möglicherweise, dass verschiedene Benutzer unterschiedliche VPC-Einstellungen oder benutzerspezifische VPC-Einstellungen haben. Wenn Sie die Standard-Sicherheitsgruppeneinstellungen der VPC für einen bestimmten Benutzer überschreiben, werden diese Einstellungen an die SageMaker Canvas-Anwendung für diesen Benutzer weitergegeben.
Sie können die Sicherheitsgruppen überschreiben, auf die ein bestimmter Benutzer in Ihrer VPC Zugriff hat, wenn Sie ein neues Benutzerprofil in Studio Classic einrichten. Sie können den [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html) SageMaker API-Aufruf (oder [create\$1user\$1profile](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_user_profile) mit [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-welcome.html)) verwenden und dann in der den `UserSettings` für den Benutzer angeben. `SecurityGroups`
# Richten Sie Verbindungen zu Datenquellen ein mit OAuth
Im folgenden Abschnitt werden die Schritte beschrieben, die Sie ausführen müssen, um OAuth Verbindungen zu Datenquellen von Canvas aus SageMaker einzurichten. [OAuth](https://oauth.net/2/)ist eine gängige Authentifizierungsplattform, um Zugriff auf Ressourcen zu gewähren, ohne Passwörter weiterzugeben. Mit OAuth können Sie schnell eine Verbindung zu Ihren Daten aus Canvas herstellen und sie für Gebäudemodelle importieren. Canvas unterstützt OAuth derzeit Snowflake und Salesforce Data Cloud.
**Anmerkung**
Sie können für jede Datenquelle nur eine OAuth Verbindung herstellen.
## OAuth Für Salesforce Data Cloud einrichten
Gehen Sie OAuth zur Einrichtung für Salesforce Data Cloud wie folgt vor:
1. Melden Sie sich bei Salesforce Data Cloud an.
1. Erstellen Sie in Salesforce Data Cloud eine neue Anwendungsverbindung und gehen Sie wie folgt vor:
1. OAuth Einstellungen aktivieren.
1. Wenn Sie nach einer Rückruf-URL (oder der URL der Ressource, die auf Ihre Daten zugreift) gefragt werden, geben Sie die URL für Ihre Canvas-Anwendung an. Die URL der Canvas-Anwendung folgt diesem Format: `https://.studio..sagemaker.aws/canvas/default`
1. Kopieren Sie den Verbraucherschlüssel und das Geheimnis.
1. Kopieren Sie Ihre Autorisierungs-URL und Token-URL.
Detailliertere Anweisungen zur Durchführung der vorangegangenen Aufgaben in Salesforce Data Cloud finden Sie unter [Daten aus Salesforce Data Cloud importieren](data-wrangler-import.md#data-wrangler-import-salesforce-data-cloud) in der Data Wrangler-Dokumentation zum Importieren von Daten aus Salesforce Data Cloud.
Nachdem Sie den Zugriff über Salesforce Data Cloud aktiviert und Ihre Verbindungsinformationen abgerufen haben, müssen Sie einen [AWS Secrets Manager](https://docs.aws.amazon.com/secretsmanager/latest/userguide/intro.html)geheimen Schlüssel zum Speichern der Informationen erstellen und sie zu Ihrer Amazon SageMaker AI-Domäne oder Ihrem Benutzerprofil hinzufügen. Beachten Sie, dass Sie sowohl einer Domain als auch einem Benutzerprofil ein Secret hinzufügen können, Canvas sucht jedoch zuerst im Benutzerprofil nach Geheimnissen.Secrets.
Fügen Sie Ihrer Domain oder Ihrem Benutzerprofil wie folgt ein Secret hinzu:
1. Gehen Sie zur [Amazon SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker).
1. Wählen Sie im Navigationsbereich **Domains** aus.
1. Wählen Sie aus der Liste der **Domains** Ihre Domain aus.
1. Wenn Sie Ihr Secret zu Ihrer Domain hinzufügen, führen Sie die folgenden Schritte aus:
1. Wählen Sie die Domain aus.
1. Wählen Sie auf der Seite mit den **Domaineinstellungen** die Registerkarte **Domaineinstellungen** aus.
1. Wählen Sie **Bearbeiten** aus.
1. Wenn Sie das Geheimnis zu Ihrem Benutzerprofil hinzufügen, gehen Sie wie folgt vor:
1. Wählen Sie die Domain des Benutzers aus.
1. Wählen Sie auf der Seite mit den **Domaineinstellungen** das Benutzerprofil aus.
1. Wählen Sie auf der Seite **Benutzerdetails** die Option **Bearbeiten**.
1. Wählen Sie im Navigationsbereich **Canvas-Einstellungen**.
1. Wählen Sie für **OAuth Einstellungen** die Option ** OAuth Konfiguration hinzufügen**.
1. Wählen Sie als **Datenquelle** **Salesforce Data Cloud** aus.
1. Wählen Sie für **Secret-Einstellungen** die Option **Neues Secret erstellen** aus. Wenn Sie bereits ein AWS Secrets Manager Geheimnis mit Ihren Anmeldeinformationen erstellt haben, geben Sie alternativ den ARN für das Geheimnis ein. Wenn Sie einen neuen Secret erstellen, gehen Sie wie folgt vor:
1. Wählen Sie für **Identitätsanbieter** **SALESFORCE** aus.
1. Geben Sie für **Client ID**, **Client Secret**, **Autorisierungs-URL** und **Token-URL** alle Informationen ein, die Sie im vorherigen Verfahren von Salesforce Data Cloud gesammelt haben.
1. Speichern Sie Ihre Domain- oder Benutzerprofileinstellungen.
Sie sollten jetzt in der Lage sein, von Canvas aus eine Verbindung zu Ihren Daten in Salesforce Data Cloud herzustellen.
## OAuth Für Snowflake einrichten
Um die Authentifizierung für Snowflake einzurichten, unterstützt Canvas Identitätsanbieter, die Sie verwenden können, anstatt dass Benutzer ihre Anmeldeinformationen direkt in Canvas eingeben müssen.
Im Folgenden finden Sie Links zur Snowflake-Dokumentation für die von Canvas unterstützten Identitätsanbieter:
+ [Azure AD](https://docs.snowflake.com/en/user-guide/oauth-azure.html)
+ [Okta](https://docs.snowflake.com/en/user-guide/oauth-okta.html)
+ [Ping Federate](https://docs.snowflake.com/en/user-guide/oauth-pingfed.html)
Der folgende Prozess beschreibt die allgemeinen Schritte, die Sie unternehmen müssen. Ausführlichere Anweisungen zur Durchführung dieser Schritte finden Sie im [Snowflake Access einrichten OAuth](data-wrangler-import.md#data-wrangler-snowflake-oauth-setup) Abschnitt der Data Wrangler-Dokumentation zum Importieren von Daten aus Snowflake.
Gehen Sie wie folgt vor, OAuth um Snowflake einzurichten:
1. Registrieren Sie Canvas als Anwendung beim Identitätsanbieter. Dazu muss eine Weiterleitungs-URL zu Canvas angegeben werden, die diesem Format folgen sollte: `https://.studio..sagemaker.aws/canvas/default`
1. Erstellen Sie innerhalb des Identitätsanbieters einen Server oder eine API, die OAuth Token an Canvas sendet, damit Canvas auf Snowflake zugreifen kann. Verwenden Sie bei der Einrichtung des Servers die Gewährungstypen Autorisierungscode und Aktualisierungstoken, geben Sie die Gültigkeitsdauer des Zugriffstokens an und legen Sie eine Aktualisierungstoken-Richtlinie fest. Aktivieren Sie zusätzlich in der externen OAuth Sicherheitsintegration für Snowflake die Option. `external_oauth_any_role_mode`
1. Rufen Sie die folgenden Informationen vom Identitätsanbieter ab: Token-URL, Autorisierungs-URL, Client-ID, Client-Geheimnis. Rufen Sie für Azure AD auch die OAuth Bereichsanmeldedaten ab.
1. Speichern Sie die im vorherigen Schritt abgerufenen Informationen AWS Secrets Manager geheim.
1. Für Okta und Ping Federate sollte das Geheimnis wie folgt aussehen:
```
{"token_url":"https://identityprovider.com/oauth2/example-portion-of-URL-path/v2/token",
"client_id":"example-client-id", "client_secret":"example-client-secret", "identity_provider":"OKTA"|"PING_FEDERATE",
"authorization_url":"https://identityprovider.com/oauth2/example-portion-of-URL-path/v2/authorize"}
```
1. Für Azure AD sollte das Geheimnis auch die OAuth Bereichsanmeldedaten als `datasource_oauth_scope` Feld enthalten.
Nachdem Sie den Identitätsanbieter und das Geheimnis konfiguriert haben, müssen Sie ein [AWS Secrets Manager](https://docs.aws.amazon.com/secretsmanager/latest/userguide/intro.html)Geheimnis zum Speichern der Informationen erstellen und es zu Ihrer Amazon SageMaker AI-Domain oder Ihrem Benutzerprofil hinzufügen. Beachten Sie, dass Sie sowohl einer Domain als auch einem Benutzerprofil ein Secret hinzufügen können, Canvas sucht jedoch zuerst im Benutzerprofil nach Geheimnissen.Secrets.
Fügen Sie Ihrer Domain oder Ihrem Benutzerprofil wie folgt ein Secret hinzu:
1. Gehen Sie zur [Amazon SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker).
1. Wählen Sie im Navigationsbereich **Domains** aus.
1. Wählen Sie aus der Liste der **Domains** Ihre Domain aus.
1. Wenn Sie Ihr Secret zu Ihrer Domain hinzufügen, führen Sie die folgenden Schritte aus:
1. Wählen Sie die Domain aus.
1. Wählen Sie auf der Seite mit den **Domaineinstellungen** die Registerkarte **Domaineinstellungen** aus.
1. Wählen Sie **Bearbeiten** aus.
1. Wenn Sie das Geheimnis zu Ihrem Benutzerprofil hinzufügen, gehen Sie wie folgt vor:
1. Wählen Sie die Domain des Benutzers aus.
1. Wählen Sie auf der Seite mit den **Domaineinstellungen** das Benutzerprofil aus.
1. Wählen Sie auf der Seite **Benutzerdetails** die Option **Bearbeiten**.
1. Wählen Sie im Navigationsbereich **Canvas-Einstellungen**.
1. Wählen Sie für **OAuth Einstellungen** die Option ** OAuth Konfiguration hinzufügen**.
1. Wählen Sie als **Datenquelle** **Snowflake** aus.
1. Wählen Sie für **Einrichtung des Geheimnisses** die Option **Neues Geheimnis erstellen** aus. Wenn Sie bereits ein AWS Secrets Manager Geheimnis mit Ihren Anmeldeinformationen erstellt haben, geben Sie alternativ den ARN für das Geheimnis ein. Wenn Sie einen neuen Secret erstellen, gehen Sie wie folgt vor:
1. Wählen Sie für **Identitätsanbieter** **SNOWFLAKE** aus.
1. Geben Sie für **Client ID**, **Client Secret**, **Autorisierungs-URL** **und Token-URL** alle Informationen ein, die Sie im vorherigen Verfahren vom Identitätsanbieter gesammelt haben.
1. Speichern Sie Ihre Domain- oder Benutzerprofileinstellungen.
Sie sollten jetzt in der Lage sein, von Canvas aus eine Verbindung zu Ihren Daten in Snowflake herzustellen.
# Unterstützung mit generativer KI zur Lösung von ML-Problemen in Canvas mit Amazon Q Developer
Während Sie Amazon SageMaker Canvas verwenden, können Sie mit Amazon Q Developer in natürlicher Sprache chatten, um generative KI zu nutzen und Probleme zu lösen. Q Developer ist ein Assistent, der Sie dabei unterstützt, Ihre Ziele in Machine-Learning-Aufgaben (ML) zu übersetzen, und jeden Schritt des ML-Workflows beschreibt. Q Developer unterstützt Canvas-Anwender dabei, den Zeit- und Arbeitsaufwand sowie die erforderlichen Datenwissenschaftskenntnisse zu reduzieren, die für die Nutzung von ML und datengestützte Entscheidungen für ihre Unternehmen erforderlich sind.
Durch eine Interaktion mit Q Developer können Sie in Canvas Aktionen wie die Vorbereitung von Daten, die Erstellung eines ML-Modells, die Erstellung von Vorhersagen und die Bereitstellung eines Modells initiieren. Q Developer unterbreitet Vorschläge für die nächsten Schritte und stellt Ihnen den Kontext zur Verfügung, während Sie die einzelnen Schritte ausführen. Es informiert Sie auch über die Ergebnisse. Beispielsweise kann Canvas Ihren Datensatz gemäß bewährten Verfahren transformieren, und Q Developer kann die verwendeten Transformationen und deren Gründe auflisten.
Amazon Q Developer ist in SageMaker Canvas ohne zusätzliche Kosten sowohl für Nutzer des Amazon Q Developer Pro-Kontingents als auch für Nutzer des kostenlosen Kontingents erhältlich. Für Ressourcen wie die SageMaker Canvas Workspace-Instance und alle Ressourcen, die zum Erstellen oder Bereitstellen von Modellen verwendet werden, fallen jedoch Standardgebühren an. Weitere Informationen zu den Preisen finden Sie unter [Amazon SageMaker Canvas-Preise](https://aws.amazon.com/sagemaker-ai/canvas/pricing/).
Die Nutzung von Amazon Q wird Ihnen unter der [MIT 0-Lizenz](https://github.com/aws/mit-0) gewährt und unterliegt den AWS -Richtlinien für verantwortungsvolle KI. Wenn Sie Q Developer von außerhalb der USA verwenden, verarbeitet Q Developer Daten in allen US-Regionen. Weitere Informationen erhalten Sie unter [Regionsübergreifende Inferenz in Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/cross-region-inference.html).
**Anmerkung**
Amazon Q Developer in SageMaker Canvas verwendet keine Benutzerinhalte, um den Service zu verbessern, unabhängig davon, ob Sie das Free-Tier- oder das Pro-Abonnement verwenden. Zu Zwecken der Servicetelemetrie kann Q Developer Ihre Nutzung verfolgen, beispielsweise die Anzahl der gestellten Fragen und ob Empfehlungen angenommen oder abgelehnt wurden. Diese Telemetriedaten enthalten keine personenbezogenen Daten wie beispielsweise IP-Adressen.
## Funktionsweise
Amazon Q Developer ist ein generativer KI-gestützter Assistent, der in SageMaker Canvas verfügbar ist und den Sie in natürlicher Sprache abfragen können. Q Developer unterbreitet Vorschläge für jeden Schritt des Machine-Learning-Workflows, erläutert Konzepte und stellt Ihnen bei Bedarf Optionen und weitere Details zur Verfügung. Sie können Q Developer für Anwendungsfälle für Regression, binäre Klassifikation und Mehrklassenklassifikation nutzen.
Um beispielsweise die Kundenabwanderung vorherzusagen, laden Sie einen Datensatz mit historischen Informationen zur Kundenabwanderung über Q Developer in Canvas hoch. Q Developer schlägt einen geeigneten ML-Modelltyp und Schritte zur Behebung von Problemen mit dem Datensatz, zur Erstellung eines Modells und zur Erstellung von Vorhersagen vor.
**Wichtig**
Amazon Q Developer ist für Gespräche über Probleme des maschinellen Lernens in SageMaker Canvas vorgesehen. Er führt Benutzer durch die Canvas-Aktionen und beantwortet optional Fragen zu AWS-Services. Q Developer verarbeitet Modelleingaben nur in englischer Sprache. Informationen zum Einrichten von Amazon Q Developer finden Sie unter [Features von Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/features.html) im *Benutzerhandbuch für Amazon Q Developer*.
## Unterstützte -Regionen
Amazon Q Developer ist in SageMaker Canvas wie folgt verfügbar AWS-Regionen:
+ USA Ost (Nord-Virginia)
+ USA Ost (Ohio)
+ USA West (Oregon)
+ Asia Pacific (Mumbai)
+ Asia Pacific (Seoul)
+ Asien-Pazifik (Singapur)
+ Asien-Pazifik (Sydney)
+ Asien-Pazifik (Tokio)
+ Europe (Frankfurt)
+ Europa (Irland)
+ Europa (Paris)
## Funktionen von Amazon Q Developer, die in Canvas verfügbar sind
In der folgenden Liste werden die Canvas-Aufgaben zusammengefasst, bei denen Q Developer Unterstützung bieten kann:
+ **Ihr Ziel beschreiben** – Q Developer kann einen ML-Modelltyp und einen allgemeinen Ansatz zur Lösung Ihres Problems vorschlagen.
+ **Datensätze importieren und analysieren** – Teilen Sie Q Developer mit, wo Ihr Datensatz gespeichert ist, oder laden Sie eine Datei hoch, um sie als Canvas-Datensatz zu speichern. Fordern Sie Q Developer auf, alle Probleme in Ihrem Datensatz zu identifizieren, wie beispielsweise Ausreißer oder fehlende Werte. Q Developer stellt zusammenfassende Statistiken zu Ihrem Datensatz bereit und listet alle identifizierten Probleme auf.
Q Developer unterstützt Abfragen zu den folgenden Statistiken für einzelne Spalten:
+ Numerische Spalten – `number of valid values`, `feature type`, `mean`, `median`, `minimum`, `maximum`, `standard deviation`, `25th percentile`, `75th percentile`, `number of outliers`
+ Kategorische Spalten – `number of missing values`, `number of valid values`, `feature type`, `most frequent`, `most frequent category`, `most frequent category count`, `least frequent`, `least frequent category`, `least frequent category count`, `categories`
+ **Probleme mit Datensätzen beheben** – Fordern Sie Q Developer auf, die Datenumwandlungsfunktionen von Canvas zu nutzen, um eine überarbeitete Version Ihres Datensatzes zu erstellen. Canvas erstellt einen Data-Wrangler-Datenfluss und wendet Transformationen gemäß den bewährten Methoden der Datenwissenschaft an. Weitere Informationen finden Sie unter [Datenaufbereitung](canvas-data-prep.md).
Wenn Sie komplexere Datenanalysen oder Datenaufbereitungsaufgaben durchführen möchten, als dies mit Q Developer möglich ist, empfehlen wir Ihnen, die Datenfluss-Oberfläche Data Wrangler zu verwenden.
+ **Ein Modell trainieren** – Q Developer empfiehlt Ihnen den geeigneten ML-Modelltyp für Ihr Problem und schlägt Ihnen eine Konfiguration für die Modellerstellung vor. Sie können die vorgeschlagenen Standardeinstellungen für einen schnellen Build verwenden oder die Konfiguration anpassen und einen Standard-Build durchführen. Wenn Sie bereit sind, fordern Sie Q Developer auf, Ihr Canvas-Modell zu erstellen.
Alle benutzerdefinierten Modelltypen werden unterstützt. Weitere Informationen zu Modelltypen und Quick- gegenüber Standard-Builds finden Sie unter [So funktionieren benutzerdefinierte Modelle](canvas-build-model.md).
+ **Modellgenauigkeit bewerten** – Nach der Erstellung eines Modells bietet Q Developer eine Zusammenfassung der Modellbewertung anhand verschiedener Metriken. Anhand dieser Metriken können Sie den Nutzen und die Genauigkeit Ihres Modells bestimmen. Q Developer kann jedes Konzept oder jede Metrik detailliert erklären.
Um alle Details und Visualisierungen zu sehen, öffnen Sie das Modell im Chat oder auf der Seite **Meine Modelle** von Canvas. Weitere Informationen finden Sie unter [Bewertung des Modells](canvas-evaluate-model.md).
+ **Vorhersagen für neue Daten abrufen** – Sie können einen neuen Datensatz hochladen und Q Developer auffordern, Ihnen beim Öffnen der Vorhersagefunktion von Canvas zu helfen.
Q Developer öffnet ein neues Fenster in der Anwendung, in dem Sie entweder eine einzelne Vorhersage oder mehrere Vorhersagen mit einem neuen Datensatz erstellen können. Weitere Informationen finden Sie unter [Vorhersagen mit benutzerdefinierten Modellen](canvas-make-predictions.md).
+ **Modell bereitstellen** – Um Ihr Modell für die Produktion bereitzustellen, fordern Sie Q Developer auf, Ihnen bei der Bereitstellung Ihres Modells über Canvas behilflich zu sein. Q Developer öffnet ein neues Fenster, in dem Sie Ihre Bereitstellung konfigurieren können.
Nach der Bereitstellung können Sie die Details Ihrer Bereitstellung entweder 1) auf der Seite **Meine Modelle** von Canvas auf der Registerkarte **Bereitstellung** des Modells oder 2) auf der Seite **ML Ops** auf der Registerkarte **Bereitstellungen** einsehen. Weitere Informationen finden Sie unter [Stellen Sie Ihre Modelle auf einem Endpunkt bereit](canvas-deploy-model.md).
## Voraussetzungen
Um Amazon Q Developer zum Erstellen von ML-Modellen in SageMaker Canvas zu verwenden, müssen Sie die folgenden Voraussetzungen erfüllen:
**Einrichten einer Canvas-Anwendung**
Stellen Sie sicher, dass Sie eine Canvas-Anwendung eingerichtet haben. Informationen zum Einrichten einer Canvas-Anwendung finden Sie unter [Erste Schritte mit der Verwendung von Amazon SageMaker Canvas](canvas-getting-started.md).
**Erteilen von Q-Developer-Berechtigungen**
Um auf Q Developer zuzugreifen, während Sie Canvas verwenden, müssen Sie der AWS IAM-Rolle, die für Ihre SageMaker AI-Domain oder Ihr Benutzerprofil verwendet wird, die erforderlichen Berechtigungen zuordnen. Sie können dazu die in diesem Abschnitt beschriebene Konsole verwenden. Wenn Sie aufgrund der Verwendung der Konsolenmethode auf Probleme mit den Berechtigungen stoßen, fügen Sie die AWS verwaltete Richtlinie manuell der IAM-Rolle [ AmazonSageMakerCanvasSMDataScienceAssistantAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasSMDataScienceAssistantAccess)hinzu.
Auf Domainebene zugewiesene Berechtigungen gelten für alle Benutzerprofile in der Domain, es sei denn, einzelne Berechtigungen werden auf Benutzerprofilebene erteilt oder widerrufen.
------
#### [ SageMaker AI console method ]
Sie können Berechtigungen gewähren, indem Sie die SageMaker AI-Domäne oder die Benutzerprofileinstellungen bearbeiten.
Gehen Sie wie folgt vor, um Berechtigungen über die Domäneneinstellungen in der SageMaker AI-Konsole zu erteilen:
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains Ihre Domain aus.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **App-Konfigurationen** aus.
1. Klicken Sie im Abschnitt **Canvas** auf **Bearbeiten**.
1. Gehen Sie auf der Seite **Canvas-Einstellungen bearbeiten** zum Bereich **Amazon Q Developer** und gehen Sie wie folgt vor:
1. **Aktivieren Sie Amazon Q Developer in SageMaker Canvas für maschinelles Lernen in natürlicher Sprache** aktivieren, um die Berechtigungen zum Chatten mit Q Developer in Canvas zur Ausführungsrolle Ihrer Domain hinzuzufügen.
1. (Optional) **Aktivieren Sie die Option Amazon Q Developer Chat für allgemeine AWS Fragen** aktivieren, wenn Sie Q Developer Fragen zu verschiedenen Themen stellen möchten AWS-Services (zum Beispiel: Beschreiben Sie, wie Athena funktioniert).
**Anmerkung**
Wenn Sie allgemeine AWS Fragen an Q Developer richten, werden Ihre Anfragen über den Osten der USA (Nord-Virginia) AWS-Region weitergeleitet. Um zu verhindern, dass Ihre Daten durch USA Ost (Nord-Virginia) weitergeleitet werden, deaktivieren Sie die Option **Chat von Amazon Q Developer für allgemeine AWS -Fragen aktivieren**.
------
#### [ Manual method ]
Ordnen Sie die [ AmazonSageMakerCanvasSMDataScienceAssistantAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasSMDataScienceAssistantAccess)Richtlinie der AWS IAM-Rolle zu, die für Ihre Domain oder Ihr Benutzerprofil verwendet wird. Weitere Informationen finden Sie im Abschnitt [Hinzufügen und Entfernen von IAM-Identitätsberechtigungen](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) im *AWS -IAM-Benutzerhandbuch*.
------
**(Optional) Konfigurieren des Zugriffs auf Q Developer von Ihrer VPC aus**
Wenn Sie über eine VPC verfügen, die ohne öffentlichen Internetzugang konfiguriert ist, können Sie einen VPC-Endpunkt für Q Developer hinzufügen. Weitere Informationen finden Sie unter [Amazon SageMaker Canvas in einer VPC ohne Internetzugang konfigurieren](canvas-vpc.md).
## Erste Schritte
Gehen Sie wie folgt vor, um Amazon Q Developer zum Erstellen von ML-Modellen in SageMaker Canvas zu verwenden:
1. Öffnen Sie Ihre SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich die Option **Amazon Q** aus.
1. Wählen Sie **Neue Konversation starten** aus, um einen neuen Chat zu öffnen.
Wenn Sie einen neuen Chat starten, fordert Q Developer Sie auf, Ihr Problem zu schildern oder einen Datensatz bereitzustellen.
![\[Die Begrüßung, die Q Developer Ihnen beim Starten eines neuen Chats gibt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/amazon-q-greeting.png)
Nach dem Import Ihrer Daten können Sie Q Developer bitten, Ihnen zusammenfassende Statistiken zu Ihrem Datensatz zu liefern, oder Sie können Fragen zu bestimmten Spalten stellen. Eine Liste der verschiedenen Statistiken, die Q Developer unterstützt, finden Sie im vorherigen Abschnitt [Funktionen von Amazon Q Developer, die in Canvas verfügbar sind](#canvas-q-capabilities). Der folgende Screenshot veranschaulicht ein Beispiel für die Abfrage von Datensatzstatistiken und der häufigsten Kategorie in einer Produktkategoriespalte.
![\[Chat-Dialog, in dem Q Developer gebeten wird, Datenstatistiken und die häufigste Kategorie-Statistik bereitzustellen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/amazon-q-dataset-statistics.png)
Q Developer verfolgt alle Canvas-Artefakte, die Sie während der Konversation importieren oder erstellen, wie beispielsweise transformierte Datensätze und Modelle. Sie können über den Chat oder andere Registerkarten der Canvas-Anwendung darauf zugreifen. Wenn beispielsweise Q Developer Probleme in Ihrem Datensatz behebt, können Sie an folgenden Stellen auf den neuen, transformierten Datensatz zugreifen:
+ Die Seitenleiste mit Artefakten in der Chat-Oberfläche von Q Developer
+ Die Seite **Datensätze** von Canvas, auf der Sie sowohl Ihre ursprünglichen als auch Ihre transformierten Datensätze anzeigen können. Dem transformierten Datensatz wurde das Label **Built by Amazon Q** hinzugefügt.
+ Die Seite **Data Wrangler** von Canvas, auf der Q Developer einen neuen Datenfluss für Ihren Datensatz erstellt
Der folgende Screenshot zeigt den ursprünglichen Datensatz und den transformierten Datensatz in der Seitenleiste eines Chats.
![\[Die Artefakte, bei denen es sich um einen Datensatz und einen transformierten Datensatz handelt, werden in der Seitenleiste eines Q-Developer-Chats angezeigt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/amazon-q-artifacts.png)
Wenn Ihre Daten fertig sind, bitten Sie Q Developer, Ihnen bei der Erstellung eines Canvas-Modells zu helfen. Q Developer fordert Sie möglicherweise auf, einige Felder zu bestätigen und die Build-Konfiguration zu überprüfen. Wenn Sie die Standard-Build-Konfiguration verwenden, wird Ihr Modell mit einem Quick-Build erstellt. Wenn Sie einen Teil Ihrer Build-Konfiguration anpassen möchten, beispielsweise die Auswahl der verwendeten Algorithmen oder die Änderung der Zielmetrik, wird Ihr Modell mit einem Standard-Build erstellt.
Der folgende Screenshot veranschaulicht, wie Sie Q Developer dazu auffordern können, mit nur wenigen Eingaben einen Canvas-Modellaufbau zu initiieren. In diesem Beispiel wird die Standardkonfiguration verwendet, um einen Quick-Build zu starten.
![\[Ein Gespräch mit Q Developer, in dem der Benutzer aufgefordert wurde, mit der Erstellung eines Canvas-Modells zu beginnen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/amazon-q-training-chat.png)
Nachdem Sie Ihr Modell erstellt haben, können Sie zusätzliche Aktionen durchführen, indem Sie entweder natürliche Sprache im Chat oder das Menü der Artefakt-Seitenleiste verwenden. Beispielsweise können Sie Modelldetails und Metriken anzeigen, Vorhersagen treffen oder das Modell bereitstellen. Der folgende Screenshot zeigt die Seitenleiste, in der Sie diese zusätzlichen Optionen auswählen können.
![\[Das Ellipsenmenü für Gespräche von Q Developer wurde erweitert und zeigt nun Optionen zum Anzeigen von Modelldetails, Vorhersagen und Bereitstellungen an.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/amazon-q-ellipsis-menu.png)
Sie können auch jede dieser Aktionen ausführen, indem Sie auf der Seite **Meine Modelle** von Canvas Ihr Modell auswählen. Auf der Seite Ihres Modells können Sie zu den Registerkarten **Analysieren**, **Prognostizieren** und **Bereitstellen** navigieren, um Modellmetriken und Visualisierungen anzuzeigen, Vorhersagen zu treffen und Bereitstellungen zu verwalten.
# Protokollierung von Q Developer-Konversationen mit AWS CloudTrail
AWS CloudTrail ist ein Service, der Aktionen aufzeichnet, die von Benutzern, Rollen oder AWS-Services in Amazon SageMaker AI ausgeführt wurden. CloudTrail erfasst API-Aufrufe, die sich aus Ihren Interaktionen mit Amazon Q Developer (einem KI-Konversationsassistenten) ergeben, während Sie SageMaker Canvas (eine ML-Schnittstelle ohne Code) verwenden. CloudTrail Die Daten zeigen Anforderungsdetails, die IP-Adresse des Anfragenden, wer die Anfrage gestellt hat und wann.
Ihre Interaktionen mit Q Developer werden als `SendConversation` API-Aufrufe an den SageMaker AI Data Science Assistant-Dienst gesendet, einen internen Dienst, den Canvas im Backend nutzt. Die Ereignisquelle für `SendConversation`-API-Aufrufe ist `sagemaker-data-science-assistant.amazonaws.com`.
**Anmerkung**
Aus Datenschutz- und Sicherheitsgründen werden die Inhalte Ihrer Konversationen in den Protokollen ausgeblendet und erscheinen als `HIDDEN_DUE_TO_SECURITY_REASONS` und Antwortelemente.
Weitere Informationen CloudTrail finden Sie im [https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-user-guide.html](https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-user-guide.html). Weitere Informationen zu CloudTrail SageMaker KI finden Sie unter[Protokollieren von Amazon SageMaker AI-API-Aufrufen mit AWS CloudTrail](logging-using-cloudtrail.md).
Im Folgenden ein Beispiel eines Protokolleintrags für die `SendConversation`-API:
```
{
"eventVersion":"1.10",
"userIdentity": {
"type":"AssumedRole",
"principalId":"AROA123456789EXAMPLE:user-Isengard",
"arn":"arn:aws:sts::111122223333:assumed-role/Admin/user",
"accountId":"111122223333",
"accessKeyId":"ASIAIOSFODNN7EXAMPLE",
"sessionContext": {
"sessionIssuer": {
"type":"Role",
"principalId":"AROA123456789EXAMPLE",
"arn":"arn:aws:iam::111122223333:role/Admin",
"accountId":"111122223333",
"userName":"Admin"
},
"attributes": {
"creationDate":"2024-11-11T22:04:37Z",
"mfaAuthenticated":"false"
}
}
},
"eventTime":"2024-11-11T22:09:22Z",
"eventSource":"sagemaker-data-science-assistant.amazonaws.com",
"eventName":"SendConversation",
"awsRegion":"us-west-2",
"sourceIPAddress":"192.0.2.0",
"userAgent":"Boto3/1.33.13 md/Botocore#1.33.13 ua/2.0 os/linux#5.10.227-198.884.amzn2int.x86_64 md/arch#x86_64 lang/python#3.7.16 md/pyimpl#CPython cfg/retry-mode#legacy Botocore/1.33.13",
"requestParameters": {
"conversation": [
{
"utteranceId":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"utterance":"HIDDEN_DUE_TO_SECURITY_REASONS",
"timestamp":"Feb 4, 2020, 7:46:29 AM",
"utteranceType":"User"
}
],
"utteranceId":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111"
},
"responseElements": {
"responseCode":"CHAT_RESPONSE",
"conversationId":"1234567890abcdef0",
"response": {
"chat": {
"body":"HIDDEN_DUE_TO_SECURITY_REASONS"
}
}
},
"requestID":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"eventID":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"readOnly":false,
"eventType":"AwsApiCall",
"managementEvent":true,
"recipientAccountId":"123456789012",
"eventCategory":"Management",
"tlsDetails": {
"tlsVersion":"TLSv1.2",
"cipherSuite":"ECDHE-RSA-AES128-GCM-SHA256",
"clientProvidedHostHeader":"gamma.us-west-2.data-science-assistant.sagemaker.aws.dev"
}
}
```
# Datenimport
Amazon SageMaker Canvas unterstützt den Import von Tabellen-, Bild- und Dokumentdaten. Sie können Datensätze von Ihrem lokalen Computer, Amazon-Services wie Amazon S3 und Amazon Redshift sowie externen Datenquellen importieren. Wenn Sie Datensätze aus Amazon S3 importieren, können Sie einen Datensatz beliebiger Größe einspielen. Verwenden Sie die Datensätze, die Sie importieren, um Modelle zu erstellen und Vorhersagen für andere Datensätze zu treffen.
Jeder Anwendungsfall, für den Sie ein benutzerdefiniertes Modell erstellen können, akzeptiert unterschiedliche Arten von Eingaben. Wenn Sie beispielsweise ein Modell zur Bildklassifizierung mit einer einzigen Bezeichnung erstellen möchten, sollten Sie Bilddaten importieren. Weitere Hinweise zu den unterschiedlichen Modelltypen und den von ihnen akzeptierten Daten finden Sie unter [So funktionieren benutzerdefinierte Modelle](canvas-build-model.md). Sie können in SageMaker Canvas Daten importieren und benutzerdefinierte Modelle für die folgenden Datentypen erstellen:
+ **Tabellarisch** (CSV, Parquet oder Tabellen)
+ Kategorisch – Verwenden Sie kategoriale Daten, um benutzerdefinierte kategoriale Vorhersagemodelle für Vorhersagen der Kategorien 2 und 3 zu erstellen.
+ Numerisch – Verwenden Sie numerische Daten, um benutzerdefinierte numerische Vorhersagemodelle zu erstellen.
+ Text – Verwenden Sie Textdaten, um benutzerdefinierte Textvorhersagemodelle für mehrere Kategorien zu erstellen.
+ Zeitreihen – Verwenden Sie Zeitreihendaten, um benutzerdefinierte Prognosemodelle für Zeitreihen zu erstellen.
+ **Bild** (JPG oder PNG) – Verwenden Sie Bilddaten, um benutzerdefinierte Modelle zur Vorhersage von Bildern mit nur einem Etikett zu erstellen.
+ **Dokument** (PDF, JPG, PNG, TIFF) — Dokumentdaten werden nur für SageMaker Ready-to-use Canvas-Modelle unterstützt. Weitere Informationen über Ready-to-use Modelle, die Vorhersagen für Dokumentdaten treffen können, finden Sie unter[Ready-to-use Modelle](canvas-ready-to-use-models.md).
Sie können Daten aus den folgenden Datenquellen in Canvas importieren:
+ Lokale Dateien auf Ihrem Computer
+ Amazon-S3-Buckets
+ Von Amazon Redshift bereitgestellte Cluster (nicht Amazon Redshift Serverless)
+ AWS Glue Data Catalog über Amazon Athena
+ Amazon Aurora
+ Amazon Relational Database Service (Amazon RDS)
+ Salesforce-Datenwolke
+ Snowflake
+ Databricks SQLServer, MariaDB und andere beliebte Datenbanken über JDBC-Konnektoren
+ Über 40 externe SaaS-Plattformen wie SAP OData
Eine vollständige Liste der Datenquellen, aus denen Sie importieren können, finden Sie in der folgenden Tabelle:
| Quelle | Typ | Unterstützte Datentypen |
| --- | --- | --- |
| Lokaler Datei-Upload | Local | Tabellarisch, Bild, Dokument |
| Amazon Aurora | Amazon intern | Tabellarisch |
| Amazon-S3-Bucket | Amazon intern | Tabellarisch, Bild, Dokument |
| Amazon RDS | Amazon intern | Tabellarisch |
| Von Amazon Redshift bereitgestellte Cluster (nicht Redshift Serverless) | Amazon intern | Tabellarisch |
| AWS Glue Data Catalog (über Amazon Athena) | Amazon intern | Tabellarisch |
| [Databricks](https://www.databricks.com/) | Extern | Tabellarisch |
| Snowflake | Extern | Tabellarisch |
| [Salesforce-Datenwolke](https://www.salesforce.com/products/genie/overview/) | Extern | Tabellarisch |
| SQLServer | Extern | Tabellarisch |
| MySQL | Extern | Tabellarisch |
| PostgreSQL | Extern | Tabellarisch |
| MariaDB | Extern | Tabellarisch |
| [Amplitude](https://docs.aws.amazon.com/appflow/latest/userguide/amplitude.html) | Externe SaaS Plattform | Tabellarisch |
| [CircleCI](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-circleci.html) | Externe SaaS Plattform | Tabellarisch |
| [DocuSign Monitor](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-docusign-monitor.html) | Externe SaaS Plattform | Tabellarisch |
| [Domo](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-domo.html) | Externe SaaS Plattform | Tabellarisch |
| [Datadog](https://docs.aws.amazon.com/appflow/latest/userguide/datadog.html) | Externe SaaS Plattform | Tabellarisch |
| [Dynatrace](https://docs.aws.amazon.com/appflow/latest/userguide/dynatrace.html) | Externe SaaS Plattform | Tabellarisch |
| [Facebook-Werbung](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-facebook-ads.html) | Externe SaaS Plattform | Tabellarisch |
| [Einblicke in die Facebook-Seite](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-facebook-page-insights.html) | Externe SaaS Plattform | Tabellarisch |
| [Google-Anzeigen](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-ads.html) | Externe SaaS Plattform | Tabellarisch |
| [Google Analytics 4](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-analytics-4.html) | Externe SaaS Plattform | Tabellarisch |
| [Google-Suchkonsole](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-search-console.html) | Externe SaaS Plattform | Tabellarisch |
| [GitHub](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-github.html) | Externe SaaS Plattform | Tabellarisch |
| [GitLab](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-gitlab.html) | Externe SaaS Plattform | Tabellarisch |
| [Infor Nexus](https://docs.aws.amazon.com/appflow/latest/userguide/infor-nexus.html) | Externe SaaS Plattform | Tabellarisch |
| [Instagram-Werbung](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-instagram-ads.html) | Externe SaaS Plattform | Tabellarisch |
| [Jira Cloud](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-jira-cloud.html) | Externe SaaS Plattform | Tabellarisch |
| [LinkedIn Werbeanzeigen](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-linkedin-ads.html) | Externe SaaS Plattform | Tabellarisch |
| [LinkedIn Werbung](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-linkedin-ads.html) | Externe SaaS Plattform | Tabellarisch |
| [Mailchimp](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-mailchimp.html) | Externe SaaS Plattform | Tabellarisch |
| [Marketo](https://docs.aws.amazon.com/appflow/latest/userguide/marketo.html) | Externe SaaS Plattform | Tabellarisch |
| [Microsoft Teams](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-microsoft-teams.html) | Externe SaaS Plattform | Tabellarisch |
| [Mischpult](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-mixpanel.html) | Externe SaaS Plattform | Tabellarisch |
| [Okta](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-okta.html) | Externe SaaS Plattform | Tabellarisch |
| [Salesforce](https://docs.aws.amazon.com/appflow/latest/userguide/salesforce.html) | Externe SaaS Plattform | Tabellarisch |
| [Salesforce Marketing Cloud](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-salesforce-marketing-cloud.html) | Externe SaaS Plattform | Tabellarisch |
| [Salesforce Pardot](https://docs.aws.amazon.com/appflow/latest/userguide/pardot.html) | Externe SaaS Plattform | Tabellarisch |
| [SAP OData](https://docs.aws.amazon.com/appflow/latest/userguide/sapodata.html) | Externe SaaS Plattform | Tabellarisch |
| [SendGrid](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-sendgrid.html) | Externe SaaS Plattform | Tabellarisch |
| [ServiceNow](https://docs.aws.amazon.com/appflow/latest/userguide/servicenow.html) | Externe SaaS Plattform | Tabellarisch |
| [Singular](https://docs.aws.amazon.com/appflow/latest/userguide/singular.html) | Externe SaaS Plattform | Tabellarisch |
| [Slack](https://docs.aws.amazon.com/appflow/latest/userguide/slack.html) | Externe SaaS Plattform | Tabellarisch |
| [Stripe](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-stripe.html) | Externe SaaS Plattform | Tabellarisch |
| [Trend Micro](https://docs.aws.amazon.com/appflow/latest/userguide/trend-micro.html) | Externe SaaS Plattform | Tabellarisch |
| [Typform](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-typeform.html) | Externe SaaS Plattform | Tabellarisch |
| [Veeva](https://docs.aws.amazon.com/appflow/latest/userguide/veeva.html) | Externe SaaS Plattform | Tabellarisch |
| [Zendesk](https://docs.aws.amazon.com/appflow/latest/userguide/zendesk.html) | Externe SaaS Plattform | Tabellarisch |
| [Zendesk Chat](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-chat.html) | Externe SaaS Plattform | Tabellarisch |
| [Zendesk Sell](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-sell.html) | Externe SaaS Plattform | Tabellarisch |
| [Zendesk Sunshine](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-sunshine.html) | Externe SaaS Plattform | Tabellarisch |
| [Zoom-Meetings](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zoom.html) | Externe SaaS Plattform | Tabellarisch |
Anweisungen zum Importieren von Daten und Informationen zu den Anforderungen an Eingabedaten, wie z. B. der maximalen Dateigröße für Bilder, finden Sie unter [Erstellen eines Datensatzes](canvas-import-dataset.md).
Canvas bietet in Ihrer Anwendung auch mehrere Beispieldatensätze, um Ihnen den Einstieg zu erleichtern. Weitere Informationen zu den von SageMaker KI bereitgestellten Beispieldatensätzen, mit denen Sie experimentieren können, finden Sie unter [Verwenden von Beispieldatensätzen](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-sample-datasets.html).
Nachdem Sie einen Datensatz in Canvas importiert haben, können Sie den Datensatz jederzeit aktualisieren. Sie können eine manuelle Aktualisierung durchführen oder einen Zeitplan für automatische Datensatzaktualisierungen einrichten. Weitere Informationen finden Sie unter [Aktualisieren eines Datensatzes](canvas-update-dataset.md).
Weitere Informationen zu jedem Datensatztyp finden Sie in den folgenden Abschnitten:
**Tabellarisch**
Um Daten aus einer externen Datenquelle (z. B. einer Snowflake-Datenbank oder einer SaaS-Plattform) zu importieren, müssen Sie sich in der Canvas-Anwendung authentifizieren und eine Verbindung mit der Datenquelle herstellen. Weitere Informationen finden Sie unter [Verbinden zu Datenquellen](canvas-connecting-external.md).
Wenn Sie Datensätze mit einer Größe von mehr als 5 GB aus Amazon S3 in Canvas importieren möchten, können Sie eine schnellere Stichprobenentnahme erzielen, indem Sie Amazon Athena verwenden, um die Daten aus Amazon S3 abzufragen und zu entnehmen.
Nachdem Sie Datensätze in Canvas erstellt haben, können Sie Ihre Daten mithilfe der Datenaufbereitungsfunktion von Data Wrangler vorbereiten und transformieren. Mit Data Wrangler können Sie fehlende Werte bearbeiten, Ihre Merkmale transformieren, mehrere Datensätze zu einem einzigen Datensatz zusammenführen und vieles mehr. Weitere Informationen finden Sie unter [Datenaufbereitung](canvas-data-prep.md).
**Tipp**
Solange Ihre Daten in Tabellen angeordnet sind, können Sie Datensätze aus verschiedenen Quellen wie Amazon Redshift, Amazon Athena oder Snowflake zusammenfügen.
**Abbild**
Informationen darüber, wie Sie einen Bilddatensatz bearbeiten und Aufgaben wie das Zuweisen oder Neuzuweisen von Beschriftungen, das Hinzufügen von Bildern oder das Löschen von Bildern ausführen, finden Sie unter [Bearbeiten Sie einen Bilddatensatz](canvas-edit-image.md).
# Erstellen eines Datensatzes
**Anmerkung**
Wenn Sie Datensätze mit mehr als 5 GB in Amazon SageMaker Canvas importieren, empfehlen wir Ihnen, die [Data Wrangler-Funktion](canvas-data-prep.md) in Canvas zu verwenden, um einen Datenfluss zu erstellen. Data Wrangler unterstützt erweiterte Funktionen zur Datenaufbereitung, wie beispielsweise das [Zusammenführen](canvas-transform.md#canvas-transform-join) und [Verknüpfen](canvas-transform.md#canvas-transform-concatenate) von Daten. Nachdem Sie einen Datenfluss erstellt haben, können Sie diesen als Canvas-Datensatz exportieren und mit der Erstellung eines Modells beginnen. Weitere Informationen finden Sie unter [Exportieren, um ein Modell zu erstellen](canvas-processing-export-model.md).
In den folgenden Abschnitten wird beschrieben, wie Sie einen Datensatz in Amazon SageMaker Canvas erstellen. Für benutzerdefinierte Modelle können Sie Datensätze für Tabellen- und Bilddaten erstellen. Für Ready-to-use Modelle können Sie Tabellen- und Bilddatensätze sowie Dokumentdatensätze verwenden. Wählen Sie Ihren Arbeitsablauf anhand der folgenden Informationen aus:
+ Informationen zu kategorialen, numerischen, Text- und Zeitreihendaten finden Sie unter [Importieren von Tabellendaten](#canvas-import-dataset-tabular).
+ Informationen zu Bilddaten finden Sie unter [Importieren von Bilddaten](#canvas-import-dataset-image).
+ Informationen zu Dokumentdaten finden Sie unter [Importieren von Dokumentdaten](#canvas-ready-to-use-import-document).
Ein Datensatz kann aus mehreren Dateien bestehen. Beispielsweise könnten Sie über mehrere Dateien mit Inventardaten im CSV-Format verfügen. Sie können diese Dateien zusammen als Datensatz hochladen, sofern das Schema (oder die Spaltennamen und Datentypen) der Dateien übereinstimmen.
Canvas unterstützt auch die Verwaltung mehrerer Versionen Ihres Datensatzes. Wenn Sie einen Datensatz erstellen, wird die erste Version als `V1` bezeichnet. Sie können eine neue Version Ihres Datensatzes erstellen, indem Sie Ihren Datensatz aktualisieren. Sie können eine manuelle Aktualisierung durchführen oder einen automatisierten Zeitplan für die Aktualisierung Ihres Datensatzes mit neuen Daten einrichten. Weitere Informationen finden Sie unter [Aktualisieren eines Datensatzes](canvas-update-dataset.md).
Wenn Sie Ihre Daten in Canvas importieren, stellen Sie sicher, dass sie die Anforderungen in der folgenden Tabelle erfüllen. Die Einschränkungen hängen vom Modelltyp ab, den Sie erstellen.
| Limit | 2-Kategorie-, 3\$1-Kategorie-, numerische und Zeitreihenmodelle | Modelle zur Textvorhersage | Modelle zur Bildvorhersage | \$1Dokumentdaten für Modelle Ready-to-use |
| --- | --- | --- | --- | --- |
| Unterstützte Dateitypen | CSV und Parquet (lokaler Upload, Amazon S3 oder Datenbanken) JSON (Datenbanken) | CSV und Parquet (lokaler Upload, Amazon S3 oder Datenbanken) JSON (Datenbanken) | JPG, PNG | PDF, JPG, PNG, TIFF |
| Maximale Dateigröße | Lokaler Upload: 5 GB Datenquellen: PBs | Lokaler Upload: 5 GB Datenquellen: PBs | 30 MB pro Image | 5 MB pro Dokument |
| Maximale Anzahl von Dateien, die Sie gleichzeitig hochladen können | 30 | 30 | – | – |
| Maximale Anzahl von Spalten | 1.000 | 1.000 | – | – |
| Maximale Anzahl von Einträgen (Zeilen, Bilder oder Dokumente) für **Schnellaufbau** | – | 7500 Zeilen | 5000 Bilder | – |
| Maximale Anzahl von Einträgen (Zeilen, Bilder oder Dokumente) für **Standardaufbau** | – | 150.000 Zeilen | 180.000 Bilder | – |
| Mindestanzahl von Einträgen (Zeilen) für **Schnellaufbau** | Kategorie 2: 500 Zeilen Kategorie 3\$1, numerisch, Zeitreihen: N/A | – | – | – |
| Mindestanzahl von Einträgen (Zeilen, Bilder oder Dokumente) für **Standardaufbau** | 250 Zeilen | 50 Reihen | 50 Bilder | – |
| Mindestanzahl von Einträgen (Zeilen oder Bilder) pro Etikett | – | 25 Reihen | 25 Reihen | – |
| Minimale Anzahl von Beschriftungen | Kategorie 2: 2 Kategorie 3\$1: 3 Numerisch, Zeitreihen: N/A | 2 | 2 | – |
| Mindeststichprobengröße für Zufallsstichproben | 500 | – | – | – |
| Maximaler Stichprobenumfang für Zufallsstichproben | 200 000 | – | – | – |
| Maximale Anzahl von Beschriftungen | Kategorie 2: 2 Kategorie 3\$1, numerisch, Zeitreihen: N/A | 1000 | 1000 | – |
\$1Dokumentdaten werden derzeit nur für [Ready-to-use Modelle](canvas-ready-to-use-models.md) unterstützt, die Dokumentdaten akzeptieren. Sie können kein benutzerdefiniertes Modell mit Dokumentdaten erstellen.
Beachten Sie auch die folgenden Einschränkungen:
+ Wenn Sie Daten aus einem Amazon-S3-Bucket importieren, stellen Sie sicher, dass der Name es Amazon-S3-Bucket keinen `.` enthält. Wenn Ihr Bucket-Name einen `.` enthält, können Fehler auftreten, wenn Sie versuchen, Daten in Canvas zu importieren.
+ Für tabellarische Daten erlaubt Canvas nicht die Auswahl von Dateien mit anderen Erweiterungen als .csv, .parquet, .parq und .pqt sowohl für den lokalen Upload als auch für den Amazon S3-Import. CSV-Dateien können beliebige gängige oder benutzerdefinierte Trennzeichen verwenden und dürfen keine Zeilenumbruchzeichen enthalten, außer wenn sie eine neue Zeile kennzeichnen.
+ Beachten Sie bei tabellarischen Daten, die Parquet-Dateien verwenden, Folgendes:
+ Parquet-Dateien können keine komplexen Typen wie Karten und Listen enthalten.
+ Die Spaltennamen von Parquet-Dateien dürfen keine Leerzeichen enthalten.
+ Wenn Sie die Komprimierung verwenden, müssen Parquet-Dateien entweder den Komprimierungstyp Gzip oder Snappy verwenden. Weitere Informationen zu den oben genannten Komprimierungstypen finden Sie in der [gzip-Dokumentation](https://www.gzip.org/) und der [Snappy-Dokumentation](https://github.com/google/snappy).
+ Wenn Sie über Bilder ohne Beschriftung verfügen, müssen Sie diese beschriften, bevor Sie Ihr Modell erstellen. Informationen zum Zuweisen von Beschriftungen zu Bildern in der Canvas-Anwendung finden Sie unter[Bearbeiten Sie einen Bilddatensatz](canvas-edit-image.md).
+ Wenn Sie automatische Datensatzaktualisierungen oder automatische Konfigurationen für Batch-Vorhersagen einrichten, können Sie in Ihrer Canvas-Anwendung insgesamt nur 20 Konfigurationen erstellen. Weitere Informationen finden Sie unter [So verwalten Sie Automatisierungen](canvas-manage-automations.md).
Nachdem Sie einen Datensatz importiert haben, können Sie Ihre Datensätze jederzeit auf der Seite **Datensätze** anzeigen.
## Importieren von Tabellendaten
Mit tabellarischen Datensätzen können Sie Modelle für kategoriale, numerische Prognosen, Zeitreihenprognosen und Textvorhersagen erstellen. Lesen Sie sich die Tabelle mit den Einschränkungen im vorherigen Abschnitt **Datensatz importieren** durch, um sicherzustellen, dass Ihre Daten die Anforderungen für Tabellendaten erfüllt.
Gehen Sie wie folgt vor, um einen tabellarischen Datensatz in Canvas zu importieren:
1. Öffnen Sie Ihre SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich die Option **Datensätze** aus.
1. Wählen Sie **Daten importieren**.
1. Wählen Sie im Dropdown-Menü **Tabellen** aus.
1. Geben Sie im Popup-Dialogfeld im Feld **Datensatzname** einen Namen für den Datensatz ein und wählen Sie **Erstellen** aus.
1. Öffnen Sie auf der Seite **Tabellarischen Datensatz erstellen** das Dropdown-Menü **Datenquelle** aus.
1. Wählen Sie Ihre Datenquelle aus:
+ Um Dateien von Ihrem Computer hochzuladen, wählen Sie **Lokaler Upload**.
+ Um Daten aus einer anderen Quelle zu importieren, z. B. einem Amazon-S3-Bucket oder einer Snowflake-Datenbank, suchen Sie in der **Suchdatenquellenleiste** nach Ihrer Datenquelle. Wählen Sie dann die Kachel für die gewünschte Datenquelle aus.
**Anmerkung**
Sie können nur Daten aus den Kacheln importieren, die über eine aktive Verbindung verfügen. Wenn Sie eine Verbindung zu einer Datenquelle herstellen möchten, die für Sie nicht verfügbar ist, wenden Sie sich an Ihren Administrator. Wenn Sie Administrator sind, finden Sie weitere Informationen unter [Verbinden zu Datenquellen](canvas-connecting-external.md).
Das folgende Bildschirmfoto zeigt das Dropdown-Menü **Datenquelle**.
![\[Screenshot, der das Dropdown-Menü Datenquelle und eine Suche nach einer Datenquelle in der Suchleiste zeigt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/import-data-choose-source.png)
1. (Optional) Wenn Sie zum ersten Mal eine Verbindung zu einer Amazon Redshift- oder Snowflake-Datenbank herstellen, wird ein Dialogfeld zum Herstellen einer Verbindung angezeigt. Füllen Sie das Dialogfeld mit Ihren Anmeldeinformationen aus und wählen Sie **Verbindung erstellen**. Wenn Sie bereits über eine Verbindung verfügen, wählen Sie Ihre Verbindung aus.
1. Wählen Sie aus Ihrer Datenquelle die zu importierenden Dateien aus. Für den lokalen Upload und Import aus Amazon S3 können Sie Dateien auswählen. Nur für Amazon S3 haben Sie auch die Möglichkeit, die S3-URI, den Alias oder die ARN Ihres Buckets oder S3-Zugangspunkts direkt in das Feld **S3-Endpunkt** eingeben einzugeben und anschließend die zu importierenden Dateien auszuwählen. Für Datenbankquellen können Sie drag-and-drop Datentabellen im linken Navigationsbereich aufrufen.
1. (Optional) Für tabellarische Datenquellen, die SQL-Abfragen unterstützen (wie Amazon Redshift, Amazon Athena oder Snowflake), können Sie **In SQL bearbeiten** auswählen, um vor dem Import SQL-Abfragen zu machen.
Der folgende Screenshot zeigt die Ansicht **SQL bearbeiten** für eine Amazon Athena-Datenquelle.
![\[Screenshot, der eine SQL-Abfrage in der Ansicht SQL bearbeiten für Amazon Athena-Daten zeigt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/import-data-edit-sql.png)
1. Wählen Sie **Datensatzvorschau** aus, um vor dem Import eine Vorschau Ihrer Daten anzuzeigen.
1. Geben Sie in den **Importeinstellungen** einen **Datensatznamen** ein oder verwenden Sie den Standard-Datensatznamen.
1. (Optional) Für Daten, die Sie aus Amazon S3 importieren, werden Ihnen die **erweiterten** Einstellungen angezeigt und Sie können die folgenden Felder ausfüllen:
1. Aktivieren Sie die Option **Erste Zeile als Kopfzeile verwenden**, wenn Sie die erste Zeile Ihres Datensatzes als Spaltennamen verwenden möchten. Wenn Sie mehrere Dateien ausgewählt haben, gilt dies für jede Datei.
1. Wenn Sie eine CSV-Datei importieren, wählen Sie in der Dropdown-Liste **Dateikodierung (CSV)** die Kodierung Ihrer Datensatzdatei aus. `UTF-8`ist die Standardeinstellung.
1. Wählen Sie in der Dropdown-Liste **Trennzeichen** das Trennzeichen aus, das die einzelnen Zellen in Ihren Daten voneinander trennt. Das Standardtrennzeichen ist `,`. Sie können auch ein benutzerdefiniertes Trennzeichen angeben.
1. Wählen Sie **Mehrzeilige Erkennung** aus, wenn Sie möchten, dass Canvas Ihren gesamten Datensatz manuell nach mehrzeiligen Zellen durchsucht. Standardmäßig ist diese Option nicht ausgewählt und Canvas entscheidet anhand einer Stichprobe Ihrer Daten, ob die Mehrzeilenunterstützung verwendet wird oder nicht. Canvas erkennt jedoch möglicherweise keine mehrzeiligen Zellen in der Stichprobe. Wenn Sie mehrzeilige Zellen haben, empfehlen wir Ihnen, die Option **Mehrzeilige Erkennung** auszuwählen, um Canvas zu zwingen, Ihren gesamten Datensatz auf mehrzeilige Zellen zu überprüfen.
1. Wenn Sie bereit sind, Ihre Daten zu importieren, wählen Sie **Datensatz erzeugen** aus.
Während Ihr Datensatz in Canvas importiert wird, können Sie sehen, dass Ihre Datensätze auf der Seite **Datensätze** aufgelistet sind. Auf dieser Seite können Sie [Anzeigen Ihrer Datensatzdaten](#canvas-view-dataset-details).
Wenn der **Status** Ihres Datensatzes als `Ready` angezeigt wird, hat Canvas Ihre Daten erfolgreich importiert und Sie können mit der [Erstellung eines Modells](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) fortfahren.
Wenn Sie eine Verbindung zu einer Datenquelle haben, z. B. zu einer Amazon Redshift-Datenbank oder einem SaaS-Connector, können Sie zu dieser Verbindung zurückkehren. Für Amazon Redshift und Snowflake können Sie eine weitere Verbindung hinzufügen, indem Sie einen weiteren Datensatz erstellen, zur Seite **Daten importieren** zurückkehren und die **Datenquellen**-Kachel für diese Verbindung auswählen. Im Dropdown-Menü können Sie die vorherige Verbindung öffnen oder **Verbindung hinzufügen** wählen.
**Anmerkung**
Für SaaS-Plattformen können Sie nur eine Verbindung pro Datenquelle haben.
## Importieren von Bilddaten
Mit Bilddatensätzen können Sie benutzerdefinierte Modelle zur Bildvorhersage mit einer einzigen Beschriftung erstellen, die eine Beschriftung für ein Bild vorhersagen. Lesen Sie sich die Einschränkungen im vorherigen Abschnitt **Datensatz importieren** durch, um sicherzustellen, dass Ihr Bilddatensatz die Anforderungen für Bilddaten erfüllt.
**Anmerkung**
Sie können nur Bilddatensätze aus einem lokalen Datei-Upload oder einem Amazon-S3-Bucket importieren. Außerdem müssen Sie für Bilddatensätze mindestens 25 Bilder pro Beschriftung haben.
Gehen Sie wie folgt vor, um einen Bilddatensatz in Canvas zu importieren:
1. Öffnen Sie Ihre SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich die Option **Datensätze** aus.
1. Wählen Sie **Daten importieren**.
1. Wählen Sie im Dropdown-Menü **Bild** aus.
1. Geben Sie im Popup-Dialogfeld im Feld **Datensatzname** einen Namen für den Datensatz ein und wählen Sie **Erstellen** aus.
1. Öffnen Sie auf der **Importseite** das Dropdown-Menü **Datenquelle**.
1. Wählen Sie Ihre -Datenquelle aus. Um eine Datei vom Computer hochzuladen, wählen Sie **Lokales Hochladen**. Um Dateien aus Amazon S3 zu importieren, wählen Sie **Amazon S3** aus.
1. Wählen Sie auf Ihrem Computer oder Amazon-S3-Bucket die Bilder oder Ordner mit Bildern aus, die Sie hochladen möchten.
1. Wenn Sie bereit sind, Ihre Daten zu importieren, wählen Sie **Daten importieren**.
Während Ihr Datensatz in Canvas importiert wird, können Sie sehen, dass Ihre Datensätze auf der Seite **Datensätze** aufgelistet sind. Auf dieser Seite können Sie [Anzeigen Ihrer Datensatzdaten](#canvas-view-dataset-details).
Wenn der **Status** Ihres Datensatzes als `Ready` angezeigt wird, hat Canvas Ihre Daten erfolgreich importiert und Sie können mit der [Erstellung eines Modells](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) fortfahren.
Wenn Sie Ihr Modell erstellen, können Sie Ihren Bilddatensatz bearbeiten und Beschriftungen zuweisen oder neu zuweisen, Bilder hinzufügen oder Bilder aus Ihrem Datensatz löschen. Weitere Informationen zum Bearbeiten Ihres Bilddatensatzes finden Sie unter [Bearbeiten Sie einen Bilddatensatz](canvas-edit-image.md).
## Importieren von Dokumentdaten
Die Ready-to-use Modelle für die Kostenanalyse, die Analyse von Ausweisdokumenten, die Dokumentenanalyse und die Dokumentenabfrage unterstützen Dokumentendaten. Sie können kein benutzerdefiniertes Modell mit Dokumentdaten erstellen.
Mit Dokumentdatensätzen können Sie Prognosen für Ready-to-use Modelle zur Kostenanalyse, Ausweisanalyse, Dokumentenanalyse und Dokumentenabfrage generieren. Sehen Sie sich die Tabelle mit den Einschränkungen in [Erstellen eines Datensatzes](#canvas-import-dataset) diesem Abschnitt an, um sicherzustellen, dass Ihr Dokumentdatensatz die Anforderungen für Dokumentdaten erfüllt.
**Anmerkung**
Sie können nur Dokumentdatensätze aus einem lokalen Datei-Upload oder einem Amazon-S3-Bucket importieren.
Gehen Sie wie folgt vor, um einen Dokumentdatenbestand in Canvas zu importieren:
1. Öffnen Sie Ihre SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich die Option **Datensätze** aus.
1. Wählen Sie **Daten importieren**.
1. Wählen Sie im Dropdown-Menü **Dokument** aus.
1. Geben Sie im Popup-Dialogfeld im Feld **Datensatzname** einen Namen für den Datensatz ein und wählen Sie **Erstellen** aus.
1. Öffnen Sie auf der **Importseite** das Dropdown-Menü **Datenquelle**.
1. Wählen Sie Ihre -Datenquelle aus. Um eine Datei vom Computer hochzuladen, wählen Sie **Lokales Hochladen**. Um Dateien aus Amazon S3 zu importieren, wählen Sie **Amazon S3** aus.
1. Wählen Sie auf Ihrem Computer oder Amazon-S3-Bucket die Dokumentdateien aus, die Sie hochladen möchten.
1. Wenn Sie bereit sind, Ihre Daten zu importieren, wählen Sie **Daten importieren**.
Während Ihr Datensatz in Canvas importiert wird, können Sie sehen, dass Ihre Datensätze auf der Seite **Datensätze** aufgelistet sind. Auf dieser Seite können Sie [Anzeigen Ihrer Datensatzdaten](#canvas-view-dataset-details).
Wenn der **Status** Ihres Datensatzes als `Ready` angezeigt wird, hat Canvas Ihre Daten erfolgreich importiert.
Auf der Seite **Datensätze** können Sie Ihren Datensatz auswählen, um ihn in der Vorschau anzuzeigen. Dabei werden Ihnen bis zu den ersten 100 Dokumente Ihres Datensatzes angezeigt.
## Anzeigen Ihrer Datensatzdaten
Für jeden Ihrer Datensätze können Sie alle Dateien in einem Datensatz, den Versionsverlauf des Datensatzes und alle Konfigurationen für die auto Aktualisierung des Datensatzes anzeigen. Auf der Seite **Datensätze** können Sie auch Aktionen wie [Aktualisieren eines Datensatzes](canvas-update-dataset.md) oder [So funktionieren benutzerdefinierte Modelle](canvas-build-model.md) initiieren.
Um die Details für einen Datensatz anzuzeigen, führen Sie die folgenden Schritte aus:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich die Option **Datensätze** aus.
1. Wählen Sie Ihren Datensatz aus der Liste der Datensätze aus.
Auf der Registerkarte **Daten** können Sie eine Vorschau Ihrer Daten sehen. Wenn Sie **Datensatzdetails** wählen, können Sie alle Dateien sehen, die Teil Ihres Datensatzes sind. Wählen Sie eine Datei aus, um nur die Daten aus dieser Datei in der Vorschau zu sehen. Bei Bilddatensätzen zeigt Ihnen die Vorschau nur die ersten 100 Bilder Ihres Datensatzes.
Auf der Registerkarte **Versionsverlauf** sehen Sie eine Liste aller Versionen Ihres Datensatzes. Bei jeder Aktualisierung eines Datensatzes wird eine neue Version erstellt. Weitere Informationen zum Aktualisieren eines Datensatzes finden Sie unter [Aktualisieren eines Datensatzes](canvas-update-dataset.md). Der folgende Screenshot zeigt die Registerkarte **Versionsverlauf** in der Canvas-Anwendung.
![\[Screenshot der Registerkarte Versionsverlauf für einen Datensatz mit einer Liste der Datensatzversionen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-version-history.png)
Auf der Registerkarte **Automatische Updates** können Sie automatische Updates für den Datensatz aktivieren und eine Konfiguration einrichten, um Ihren Datensatz regelmäßig zu aktualisieren. Weitere Informationen zum Einrichten von automatischen Updates für einen Datensatz finden Sie unter [Konfigurieren Sie automatische Updates für einen Datensatz](canvas-update-dataset-auto.md). Der folgende Screenshot zeigt die Registerkarte **Automatische Updates** mit aktivierten auto Updates und einer Liste der automatischen Aktualisierungsaufträge, die für den Datensatz ausgeführt wurden.
![\[Die Registerkarte Automatische Updates für einen Datensatz zeigt die aktivierten automatische Updates und eine Liste von Autoaktualisierungsaufträgen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-auto-updates.png)
# Aktualisieren eines Datensatzes
Nach dem Import Ihres ersten Datensatzes in Amazon SageMaker Canvas haben Sie möglicherweise zusätzliche Daten, die Sie Ihrem Datensatz hinzufügen möchten. Beispielsweise erhalten Sie möglicherweise am Ende jeder Woche Inventardaten, die Sie Ihrem Datensatz hinzufügen möchten. Anstatt Ihre Daten mehrmals zu importieren, können Sie Ihren vorhandenen Datensatz aktualisieren und Dateien hinzufügen oder daraus entfernen.
**Anmerkung**
Sie können nur Datensätze aktualisieren, die Sie durch lokalen Upload oder Amazon S3 importiert haben.
Sie können Ihren Datensatz entweder manuell oder automatisch aktualisieren. Weitere Informationen zu automatischen Datensatz-Updates finden Sie unter [Konfigurieren Sie automatische Updates für einen Datensatz](canvas-update-dataset-auto.md).
Jedes Mal, wenn Sie Ihren Datensatz aktualisieren, erstellt Canvas eine neue Version Ihres Datensatzes. Sie können nur die neueste Version Ihres Datensatzes verwenden, um ein Modell zu erstellen oder Vorhersagen zu generieren. Weitere Hinweise zum Anzeigen des Versionsverlaufs Ihres Datensatzes finden Sie unter [Anzeigen Ihrer Datensatzdaten](canvas-import-dataset.md#canvas-view-dataset-details).
Sie können Datensatzaktualisierungen auch mit automatisierten Batch-Vorhersagen verwenden, wodurch bei jeder Aktualisierung Ihres Datensatzes ein Batch-Vorhersageauftrag gestartet wird. Weitere Informationen finden Sie unter [Batch-Vorhersagen in SageMaker Canvas](canvas-make-predictions-batch.md).
Der folgende Abschnitt beschreibt, wie Sie manuelle Updates an Ihrem Datensatz vornehmen können.
## Aktualisieren eines Datensatzes
Gehen Sie wie folgt vor, um eine manuelle Aktualisierung durchzuführen:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich die Option **Datensätze** aus.
1. Wählen Sie aus der Liste der Datensätze den Datensatz aus, den Sie aktualisieren möchten.
1. Wählen Sie das Dropdown-Menü **Datensatz aktualisieren** und wählen Sie **Manuelles Update** aus. Sie werden zum Importieren von Daten umgeleitet.
1. Wählen Sie im Dropdown-Menü **Datenquelle** entweder **Lokaler Upload** oder **Amazon S3** aus.
1. Die Seite zeigt Ihnen eine Vorschau Ihrer Daten. Von hier aus können Sie Dateien zum Datensatz hinzufügen oder daraus entfernen. Wenn Sie Tabellendaten importieren, muss das Schema der neuen Dateien (Spaltennamen und Datentypen) mit dem Schema der vorhandenen Dateien übereinstimmen. Darüber hinaus dürfen Ihre neuen Dateien die maximale Datensatzgröße oder Dateigröße nicht überschreiten. Weitere Informationen zu diesen Einschränkungen finden Sie unter [ Importieren eines Datensatzes](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html).
**Anmerkung**
Wenn Sie eine Datei mit demselben Namen wie eine bestehende Datei in Ihrem Datensatz hinzufügen, überschreibt die neue Datei die alte Version der Datei.
1. Wenn Sie bereit sind, Ihre Änderungen zu speichern, wählen Sie **Datensatz aktualisieren** aus.
Sie sollten nun über eine neue Version Ihres Datensatzes verfügen.
Auf der Seite **Datensätze** können Sie die Registerkarte **Versionsverlauf** auswählen, um alle Versionen Ihres Datensatzes sowie den Verlauf der von Ihnen vorgenommenen manuellen und automatischen Aktualisierungen anzuzeigen.
# Konfigurieren Sie automatische Updates für einen Datensatz
Nach dem Import Ihres ersten Datensatzes in Amazon SageMaker Canvas haben Sie möglicherweise zusätzliche Daten, die Sie Ihrem Datensatz hinzufügen möchten. Beispielsweise erhalten Sie möglicherweise am Ende jeder Woche Inventardaten, die Sie Ihrem Datensatz hinzufügen möchten. Anstatt Ihre Daten mehrmals zu importieren, können Sie Ihren vorhandenen Datensatz aktualisieren und Dateien hinzufügen oder daraus entfernen.
**Anmerkung**
Sie können nur Datensätze aktualisieren, die Sie durch lokalen Upload oder Amazon S3 importiert haben.
Bei automatischen Datensatz-Updates legen Sie einen Speicherort fest, an dem Canvas in von Ihnen festgelegten Intervallen nach Dateien sucht. Wenn Sie während der Aktualisierung neue Dateien importieren, muss das Schema der Dateien exakt mit dem vorhandenen Datensatz übereinstimmen.
Jedes Mal, wenn Sie Ihren Datensatz aktualisieren, erstellt Canvas eine neue Version Ihres Datensatzes. Sie können nur die neueste Version Ihres Datensatzes verwenden, um ein Modell zu erstellen oder Vorhersagen zu generieren. Weitere Hinweise zum Anzeigen des Versionsverlaufs Ihres Datensatzes finden Sie unter [Anzeigen Ihrer Datensatzdaten](canvas-import-dataset.md#canvas-view-dataset-details).
Sie können Datensatzaktualisierungen auch mit automatisierten Batch-Vorhersagen verwenden, wodurch bei jeder Aktualisierung Ihres Datensatzes ein Batch-Vorhersageauftrag gestartet wird. Weitere Informationen finden Sie unter [Batch-Vorhersagen in SageMaker Canvas](canvas-make-predictions-batch.md).
Der folgende Abschnitt beschreibt, wie Sie automatische Updates an Ihrem Datensatz vornehmen können.
Bei einer automatischen Aktualisierung richten Sie eine Konfiguration für Canvas ein, um Ihren Datensatz mit einer bestimmten Häufigkeit zu aktualisieren. Wir empfehlen Ihnen, diese Option zu verwenden, wenn Sie regelmäßig neue Dateien mit Daten erhalten, die Sie Ihrem Datensatz hinzufügen möchten.
Wenn Sie die Konfiguration für auto Updates einrichten, geben Sie einen Amazon S3-Speicherort an, an den Sie Ihre Dateien hochladen, und eine Häufigkeit, mit der Canvas den Speicherort überprüft und Dateien importiert. Jede Instance, in der Canvas Ihren Datensatz aktualisiert, wird als *Auftrag* bezeichnet. Für jeden Auftrag importiert Canvas alle Dateien am Amazon S3-Speicherort. Wenn Sie neue Dateien mit denselben Namen wie bestehende Dateien in Ihrem Datensatz haben, überschreibt Canvas die alten Dateien mit den neuen Dateien.
Bei automatischen Datensatzaktualisierungen führt Canvas keine Schemavalidierung durch. Wenn das Schema der während einer automatischen Aktualisierung importierten Dateien nicht mit dem Schema der vorhandenen Dateien übereinstimmt oder die Größenbeschränkungen überschreitet (eine Tabelle mit Dateigrößenbeschränkungen finden Sie unter [Importieren eines Datensatzes](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html)), werden bei der Ausführung Ihrer Aufträge Fehler angezeigt.
**Anmerkung**
Sie können in Ihrer Canvas-Anwendung nur maximal 20 automatische Konfigurationen einrichten. Darüber hinaus führt Canvas nur automatische Updates durch, wenn Sie bei Ihrer Canvas-Anwendung angemeldet sind. Wenn Sie sich von Ihrer Canvas-Anwendung abmelden, werden automatische Updates angehalten, bis Sie sich wieder anmelden.
Um automatische Updates für Ihren Datensatz zu konfigurieren, gehen Sie wie folgt vor:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich die Option **Datensätze** aus.
1. Wählen Sie aus der Liste der Datensätze den Datensatz aus, den Sie aktualisieren möchten.
1. Wählen Sie das Dropdown-Menü **Datensatz aktualisieren** und wählen Sie **Automatisches Update**. Sie werden zur Registerkarte **Automatische Updates** für den Datensatz weitergeleitet.
1. Aktivieren Sie den Schalter **Automatische Aktualisierung aktiviert**.
1. Geben Sie unter **Datenquelle angeben** den Amazon S3-Pfad zu einem Ordner ein, in den Sie regelmäßig Dateien hochladen möchten.
1. Wählen Sie für **Häufigkeit wählen** die Option **Stündlich**, **Wöchentlich** oder **Täglich** aus.
1. Verwenden Sie für **Startzeit angeben** den Kalender und die Zeitauswahl, um auszuwählen, wann der erste Auftrag für die auto Aktualisierung gestartet werden soll.
1. Wenn Sie bereit sind, die Konfiguration für das auto Update zu erstellen, wählen Sie **Speichern** aus.
Canvas beginnt den ersten Auftrag Ihrer auto Aktualisierungsfrequenz zur angegebenen Startzeit.
# Sehen Sie sich Ihre Aufträge zur automatischen Datensatz-Aktualisierung an
Um den Auftragsverlauf für Ihre automatischen Datensatzaktualisierungen in Amazon SageMaker Canvas einzusehen, wählen Sie auf Ihrer Datensatz-Detailseite den Tab **Automatische Updates**.
Jede automatische Aktualisierung eines Datensatzes wird auf der Registerkarte **Automatische Updates** im Abschnitt **Auftragsverlauf** als Auftrag angezeigt. Für jeden Auftrag können Sie Folgendes sehen:
+ **Auftrag erstellt** – Der Zeitstempel, zu dem Canvas mit der Aktualisierung des Datensatzes begonnen hat.
+ **Dateien** – Die Anzahl der Dateien im Datensatz.
+ **Zellen (Spalten x Zeilen)** – Die Anzahl der Spalten und Zeilen im Datensatz.
+ **Status** – Der Status des Datensatzes nach der Aktualisierung. Wenn der Status **Bereit** lautet, war der Auftrag erfolgreich. Wenn der Job aus irgendeinem Grund fehlgeschlagen ist, lautet der Status **Fehlgeschlagen**, und Sie können den Mauszeiger über den Status bewegen, um weitere Informationen zu erhalten.
# Bearbeiten Sie Ihre Konfiguration für die automatische Aktualisierung von Datensätzen
Möglicherweise möchten Sie Änderungen an der Konfiguration für die auto Aktualisierung eines Datensatzes vornehmen, z. B. die Häufigkeit der Aktualisierungen ändern. Möglicherweise möchten Sie auch die Konfiguration für automatische Updates deaktivieren, um die Aktualisierungen Ihres Datensatzes zu unterbrechen.
Um Änderungen an Ihrer Konfiguration für automtische Updates für einen Datensatz vorzunehmen, wechseln Sie zur Registerkarte **Automatische Updates** Ihres Datensatzes und wählen Sie **Bearbeiten**, um Änderungen an der Konfiguration vorzunehmen.
Um Ihre Datensatzaktualisierungen zu unterbrechen, schalten Sie Ihre automatische Konfiguration aus. Sie können auto Updates deaktivieren, indem Sie zur Registerkarte **Automatische Updates** Ihres Datensatzes wechseln und den Schalter **Automatische Updates aktivieren** deaktivieren. Sie können diesen Schalter jederzeit wieder einschalten, um den Aktualisierungszeitplan fortzusetzen.
Wie Sie Ihre Konfiguration löschen können, erfahren Sie unter [Löschen einer automatischen Konfiguration](canvas-manage-automations-delete.md).
# Verbinden zu Datenquellen
In Amazon SageMaker Canvas können Sie Daten von einem Speicherort außerhalb Ihres lokalen Dateisystems über einen AWS Service, eine SaaS-Plattform oder andere Datenbanken mithilfe von JDBC-Konnektoren importieren. So könnte es beispielsweise sein, dass Sie Tabellen aus einem Data Warehouse in Amazon Redshift importieren möchten, oder Sie möchten möglicherweise Google Analytics-Daten importieren.
Wenn Sie den **Import-Workflow** zum Importieren von Daten in der Canvas-Anwendung durchlaufen, können Sie Ihre Datenquelle und dann die Daten auswählen, die Sie importieren möchten. Für bestimmte Datenquellen, wie Snowflake und Amazon Redshift, müssen Sie Ihre Anmeldeinformationen angeben und eine Verbindung zur Datenquelle hinzufügen.
Der folgende Screenshot zeigt die Datenquellen-Symbolleiste im **Import-Workflow**, wobei alle verfügbaren Datenquellen hervorgehoben sind. Sie können nur Daten aus den Datenquellen importieren, die Ihnen zur Verfügung stehen. Wenden Sie sich an Ihren Administrator, wenn Ihre gewünschte Datenquelle nicht verfügbar ist.
![\[Das Dropdown-Menü Datenquelle auf der Seite Daten importieren in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/data-sources.png)
Die folgenden Abschnitte enthalten Informationen zum Herstellen von Verbindungen zu externen Datenquellen und zum Importieren von Daten aus diesen. Lesen Sie zunächst den folgenden Abschnitt, um festzustellen, welche Berechtigungen Sie zum Importieren von Daten aus Ihrer Datenquelle benötigen.
## Berechtigungen
Überprüfen Sie die folgenden Informationen, um sicherzustellen, dass Sie über die erforderlichen Berechtigungen zum Importieren von Daten aus Ihrer Datenquelle verfügen:
+ **Amazon S3:** Sie können Daten aus jedem Amazon S3 Bucket importieren, sofern Ihr Benutzer über Zugriffserlaubnis auf den Bucket verfügt. Weitere Informationen zur Verwendung von AWS IAM zur Steuerung des Zugriffs auf Amazon S3-Buckets finden Sie unter [Identitäts- und Zugriffsmanagement in Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-access-control.html) im *Amazon S3 S3-Benutzerhandbuch*.
+ **Amazon Athena:** Wenn Sie die [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)Richtlinie und die Richtlinie mit der [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)Ausführungsrolle Ihres Benutzers verknüpft haben, können Sie Ihre Anfrage AWS Glue Data Catalog bei Amazon Athena abfragen. Wenn Sie Teil einer Athena-Arbeitsgruppe sind, stellen Sie sicher, dass der Canvas-Benutzer berechtigt ist, Athena-Abfragen für die Daten auszuführen. Weitere Informationen finden Sie unter [Verwendung von Arbeitsgruppen für die Ausführung von Abfragen](https://docs.aws.amazon.com/athena/latest/ug/workgroups.html) im *Amazon Athena-Benutzerhandbuch*.
+ **Amazon DocumentDB:** Sie können Daten aus jeder Amazon-DocumentDB-Datenbank importieren, sofern Sie über die Anmeldeinformationen (Benutzername und Kennwort) für die Verbindung mit der Datenbank verfügen und die Mindestberechtigungen für Canvas mit der Ausführungsrolle Ihres Benutzers verknüpft sind. Weitere Informationen zu Canvas-Berechtigung finden Sie unter [Voraussetzungen für die Einrichtung von Amazon SageMaker Canvas](canvas-getting-started.md#canvas-prerequisites).
+ **Amazon Redshift:** Informationen dazu, wie Sie sich die erforderlichen Berechtigungen zum Importieren von Daten aus Amazon Redshift erteilen können, finden Sie unter [Benutzerberechtigungen für den Import von Amazon Redshift-Daten gewähren](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-redshift-permissions.html).
+ **Amazon RDS:** Wenn Sie die [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)Richtlinie mit der Ausführungsrolle Ihres Benutzers verknüpft haben, können Sie von Canvas aus auf Ihre Amazon RDS-Datenbanken zugreifen.
+ **SaaS-Plattformen:** Wenn Sie die [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)Richtlinie und die [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)Richtlinie mit der Ausführungsrolle Ihres Benutzers verknüpft haben, verfügen Sie über die erforderlichen Berechtigungen, um Daten von SaaS-Plattformen zu importieren. Weitere Informationen zum Herstellen einer Verbindung zu einem bestimmten SaaS-Konnektor finden Sie unter [Verwenden Sie SaaS-Konnektoren mit Canvas](#canvas-connecting-external-appflow).
+ **JDBC-Konnektoren:** Für Datenbankquellen wie Databricks, MySQL oder MariaDB müssen Sie die Authentifizierung mit Benutzername und Passwort in der Quelldatenbank aktivieren, bevor Sie versuchen, eine Verbindung von Canvas aus herzustellen. Wenn Sie eine Verbindung zu einer Databricks-Datenbank herstellen, benötigen Sie die JDBC-URL, die die erforderlichen Anmeldeinformationen enthält.
## Stellen Sie eine Connect zu einer Datenbank her, die in gespeichert ist AWS
Möglicherweise möchten Sie Daten importieren, die Sie gespeichert haben AWS. Sie können Daten aus Amazon S3 importieren, Amazon Athena verwenden, um eine Datenbank im abzufragen AWS Glue Data Catalog, Daten aus [Amazon RDS](https://docs.aws.amazon.com/AmazonRDS/latest/UserGuide/Welcome.html) importieren oder eine Verbindung zu einer bereitgestellten Amazon Redshift Redshift-Datenbank (nicht Redshift Serverless) herstellen.
Sie können mehrere Verbindungen zu Amazon Redshift erstellen. Für Amazon Athena können Sie auf alle Datenbanken zugreifen, die Sie in Ihrem [AWS Glue Data Catalog](https://docs.aws.amazon.com/prescriptive-guidance/latest/serverless-etl-aws-glue/aws-glue-data-catalog.html) haben. Für Amazon S3 können Sie Daten aus einem Bucket importieren, sofern Sie über die erforderlichen Berechtigungen verfügen.
In den folgenden Abschnitten finden Sie weitere Informationen.
### Connect zu Daten in Amazon S3, Amazon Athena oder Amazon RDS her
Für Amazon S3 können Sie Daten aus einem Amazon-S3-Bucket importieren, sofern Sie über Zugriffsberechtigungen für den Bucket verfügen.
Für Amazon Athena können Sie auf Datenbanken in Ihrem zugreifen, AWS Glue Data Catalog sofern Sie über die entsprechenden Berechtigungen Ihrer [Amazon Athena Athena-Arbeitsgruppe](https://docs.aws.amazon.com/athena/latest/ug/manage-queries-control-costs-with-workgroups.html) verfügen.
Wenn Sie für Amazon RDS die [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)Richtlinie an die Rolle Ihres Benutzers angehängt haben, können Sie Daten aus Ihren Amazon RDS-Datenbanken in Canvas importieren.
Informationen zum Importieren von Daten aus einem Amazon-S3-Bucket oder zum Ausführen von Abfragen und Importieren von Datentabellen mit Amazon Athena finden Sie unter [Erstellen eines Datensatzes](canvas-import-dataset.md). Sie können nur Tabellendaten aus Amazon Athena importieren, und Sie können Tabellen- und Bilddaten aus Amazon S3 importieren.
### Verbinden mit einer Amazon-DocumentDB-Datenbank
Amazon DocumentDB ist ein vollständig verwalteter Serverless-Dokumentdatenbankservice. Sie können unstrukturierte Dokumentdaten, die in einer Amazon DocumentDB DocumentDB-Datenbank gespeichert sind, als tabellarischen Datensatz in SageMaker Canvas importieren und anschließend Modelle für maschinelles Lernen mit den Daten erstellen.
**Wichtig**
Ihre SageMaker AI-Domain muss im Modus **Nur VPC** konfiguriert sein, um Verbindungen zu Amazon DocumentDB hinzuzufügen. Sie können nur in derselben Amazon-VPC wie Ihre Canvas-Anwendung auf Amazon-DocumentDB-Cluster zugreifen. Darüber hinaus kann Canvas nur eine Verbindung zu TLS-fähigen Amazon-DocumentDB-Clustern herstellen. Weitere Informationen zum Einrichten von Canvas im Modus **Nur VPC** finden Sie unter [Amazon SageMaker Canvas in einer VPC ohne Internetzugang konfigurieren](canvas-vpc.md).
Um Daten aus Amazon-DocumentDB-Datenbanken zu importieren, benötigen Sie Zugangsdaten für den Zugriff auf die Amazon-DocumentDB-Datenbank und müssen bei der Erstellung einer Datenbankverbindung den Benutzernamen und das Kennwort angeben. Sie können detailliertere Berechtigungen konfigurieren und den Zugriff einschränken, indem Sie die Benutzerberechtigungen für Amazon DocumentDB anpassen. Weitere Informationen zur Zugriffskontrolle in Amazon DocumentDB finden Sie unter [Datenbankzugriffs mithilfe der rollenbasierten Zugriffssteuerung](https://docs.aws.amazon.com/documentdb/latest/developerguide/role_based_access_control.html) im *Entwicklerhandbuch für Amazon DocumentDB*.
Wenn Sie Daten aus Amazon DocumentDB importieren, wandelt Canvas Ihre unstrukturierten Daten in einen tabellarischen Datensatz um, indem die Felder den Spalten in einer Tabelle zugeordnet werden. Für jedes komplexe Feld (oder jede verschachtelte Struktur) in den Daten werden zusätzliche Tabellen erstellt, wobei die Spalten den Unterfeldern des komplexen Feldes entsprechen. Ausführlichere Informationen zu diesem Prozess und Beispiele für Schemakonvertierung finden Sie auf der Seite [Amazon DocumentDB JDBC Driver Schema Discovery](https://github.com/aws/amazon-documentdb-jdbc-driver/blob/develop/src/markdown/schema/schema-discovery.md). GitHub
Canvas kann nur eine Verbindung zu einer einzigen Datenbank in Amazon DocumentDB herstellen. Um Daten aus einer anderen Datenbank zu importieren, müssen Sie eine neue Verbindung herstellen.
Sie können mithilfe der folgenden Methoden Daten aus Amazon DocumentDB in Canvas importieren:
+ [Erstellen eines Datensatzes](canvas-import-dataset.md). Sie können Ihre Amazon-DocumentDB-Daten importieren und einen tabellarischen Datensatz in Canvas erstellen. Wenn Sie diese Methode auswählen, stellen Sie sicher, dass Sie das Verfahren zum [Importieren von Tabellendaten](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html#canvas-import-dataset-tabular) befolgen.
+ [Erstellen eines Datenablaufs](canvas-data-flow.md). Sie können in Canvas eine Pipeline zur Datenaufbereitung erstellen und Ihre Amazon-DocumentDB-Datenbank als Datenquelle hinzufügen.
Um mit dem Import Ihrer Daten fortzufahren, befolgen Sie bitte die Vorgehensweise für eine der Methoden, die in der vorstehenden Liste aufgeführt sind.
Wenn Sie in einem der beiden Arbeitsabläufe zu dem Schritt gelangen, in dem Sie eine Datenquelle auswählen müssen (Schritt 6 beim Erstellen eines Datensatzes oder Schritt 8 beim Erstellen eines Datenflusses), gehen Sie bitte wie folgt vor:
1. Öffnen Sie für **Datenquelle** das Dropdown-Menü und wählen Sie **DocumentDB** aus.
1. Wählen Sie **Add connection** (Verbindung hinzufügen).
1. Geben Sie im Dialogfeld Ihre Anmeldeinformationen für Amazon DocumentDB ein:
1. Geben Sie einen **Verbindungsnamen** ein. Dies ist ein Name, der von Canvas verwendet wird, um diese Verbindung zu identifizieren.
1. Wählen Sie für **Cluster** den Cluster in Amazon DocumentDB aus, der Ihre Daten speichert. Canvas füllt das Dropdown-Menü automatisch mit Amazon-DocumentDB-Clustern in derselben VPC wie Ihre Canvas-Anwendung.
1. Geben Sie den **Benutzernamen** für Ihren Amazon-DocumentDB-Cluster ein.
1. Geben Sie das **Kennwort** für Ihren Amazon-DocumentDB-Cluster ein.
1. Geben Sie den Namen der **Datenbank** ein, mit der Sie sich verbinden möchten.
1. Die Option **Leseeinstellung** bestimmt, von welchen Arten von Instances auf Ihrem Cluster-Canvas die Daten gelesen werden. Wählen Sie eine der folgenden Optionen:
+ **Sekundär bevorzugt** – Canvas liest standardmäßig von den sekundären Instances des Clusters. Wenn jedoch keine sekundäre Instance verfügbar ist, liest Canvas von einer primären Instance.
+ **Sekundär** – Canvas liest nur von den sekundären Instances des Clusters, wodurch verhindert wird, dass die Lesevorgänge die regulären Lese- und Schreibvorgänge des Clusters beeinträchtigen.
1. Wählen Sie **Add connection** (Verbindung hinzufügen). Die folgende Abbildung zeigt das Dialogfeld mit den vorherigen Feldern für eine Amazon-DocumentDB-Verbindung.
![\[Screenshot des Dialogfelds Neue DocumentDB-Verbindung hinzufügen in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/add-docdb-connection.png)
Sie sollten nun über eine Amazon-DocumentDB-Verbindung verfügen und können Ihre Amazon-DocumentDB-Daten in Canvas verwenden, um entweder einen Datensatz oder einen Datenfluss zu erstellen.
### Verbindung zu einer Amazon Redshift-Datenbank
Sie können Daten aus Amazon Redshift importieren, einem Data Warehouse, in dem Ihre Organisation ihre Daten aufbewahrt. Bevor Sie Daten aus Amazon Redshift importieren können, muss die `AmazonRedshiftFullAccess` verwaltete Richtlinie an die von Ihnen verwendete AWS IAM-Rolle angehängt sein. Anweisungen zum Anfügen der Richtlinie finden Sie unter [Benutzern Berechtigungen zum Importieren von Amazon Redshift-Daten gewähren](canvas-redshift-permissions.md).
Um Daten aus Amazon Redshift zu importieren, führen Sie die folgenden Schritte aus:
1. Erstellen Sie eine Verbindung zu einer Amazon Redshift-Datenbank.
1. Wählen Sie die Daten aus, die Sie importieren möchten.
1. Importieren Sie die Daten.
Sie können den Amazon Redshift Redshift-Editor verwenden, um Datensätze in den Importbereich zu ziehen und sie in SageMaker Canvas zu importieren. Für mehr Kontrolle über die im Datensatz zurückgegebenen Werte können Sie Folgendes verwenden:
+ SQL-Abfragen
+ Joins
Mit SQL-Abfragen können Sie anpassen, wie Sie die Werte in den Datensatz importieren. Sie können beispielsweise die im Datensatz zurückgegebenen Spalten oder den Wertebereich für eine Spalte angeben.
Sie können Joins verwenden, um mehrere Datensätze aus Amazon Redshift zu einem einzigen Datensatz zu kombinieren. Sie können Ihre Datensätze aus Amazon Redshift in das Fenster ziehen, in dem Sie die Datensätze verbinden können.
Sie können den SQL-Editor verwenden, um den Datensatz, den Sie verknüpft haben, zu bearbeiten und den verknüpften Datensatz in einen einzelnen Knoten zu konvertieren. Sie können einen anderen Datensatz mit dem Knoten verbinden. Sie können die ausgewählten Daten in SageMaker Canvas importieren.
Gehen Sie wie folgt vor, um Daten aus Amazon Redshift zu importieren.
1. Gehen Sie in der SageMaker Canvas-Anwendung zur Seite **Datasets**.
1. Wählen Sie **Daten importieren** und dann im Dropdown-Menü **Tabellarisch** aus.
1. Geben Sie einen Namen für den Datensatz ein und wählen Sie dann **Erstellen**.
1. Öffnen Sie für **Datenquell** das Dropdown-Menü und wählen Sie **Redshift**.
1. Wählen Sie **Add connection** (Verbindung hinzufügen).
1. Geben Sie im Dialogfeld Ihre Amazon Redshift-Anmeldeinformationen ein:
1. Wählen Sie als **Authentifizierungsmethode** **IAM** aus.
1. Geben Sie die **Cluster-ID** ein, um anzugeben, mit welchem Cluster Sie eine Verbindung herstellen möchten. Geben Sie nur die Cluster-Kennung und nicht den vollständigen Endpunkt des Amazon-Redshift-Clusters ein.
1. Geben Sie den **Datenbanknamen** der Datenbank ein, mit der Sie eine Verbindung herstellen möchten.
1. Geben Sie einen **Datenbankbenutzer** ein, um den Benutzer zu identifizieren, den Sie für die Verbindung mit der Datenbank verwenden möchten.
1. Geben Sie für **ARN** den IAM-Rollen-ARN der Rolle ein, die der Amazon Redshift-Cluster übernehmen soll, um Daten zu Amazon S3 zu verschieben und zu schreiben. Weitere Informationen zu dieser Rolle finden Sie unter [Authorizing Amazon Redshift to access other AWS services in Ihrem Namen im](https://docs.aws.amazon.com/redshift/latest/mgmt/authorizing-redshift-service.html) *Amazon Redshift* Management Guide.
1. Geben Sie einen **Verbindungsnamen** ein. Dies ist ein Name, der von Canvas verwendet wird, um diese Verbindung zu identifizieren.
1. Ziehen Sie die CSV-Datei, die Sie importieren, von der Registerkarte mit dem Namen Ihrer Verbindung in den Bereich **Drag-and-Drop-Tabelle zum Importieren**.
1. Optional: Ziehen Sie weitere Tabellen in den Importbereich. Sie können die GUI verwenden, um die Tabellen zu verbinden. Um Ihre Verknüpfungen genauer zu gestalten, wählen Sie **In SQL bearbeiten** aus.
1. Optional: Wenn Sie SQL verwenden, um die Daten abzufragen, können Sie **Kontext** wählen, um der Verbindung Kontext hinzuzufügen, indem Sie Werte für Folgendes angeben:
+ **Lager**
+ **Datenbank**
+ **Schema**
1. Wählen Sie **Daten importieren**.
Die folgende Abbildung zeigt ein Beispiel für Felder, die für eine Amazon Redshift-Verbindung angegeben sind.
![\[Screenshot des Dialogfelds Neue Redshift-Verbindung hinzufügen in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-add-connection.png)
Die folgende Abbildung zeigt die Seite, die zum Verbinden von Datensätzen in Amazon Redshift verwendet wird.
![\[Screenshot der Seite Import in Canvas, der das Verbinden von zwei Datensätzen zeigt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-join.png)
Die folgende Abbildung zeigt eine SQL-Abfrage, die verwendet wird, um einen Join in Amazon Redshift zu bearbeiten.
![\[Screenshot einer SQL-Abfrage im Editor SQL bearbeiten auf der Seite Import in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-edit-sql.png)
## Stellen Sie mit JDBC-Konnektoren eine Connect zu Ihren Daten her
Mit JDBC können Sie aus Quellen wie Databricks, MySQL, PostgreSQL, MariaDB SQLServer, Amazon RDS und Amazon Aurora eine Verbindung zu Ihren Datenbanken herstellen.
Sie müssen sicherstellen, dass Sie über die erforderlichen Anmeldeinformationen und Berechtigungen verfügen, um die Verbindung von Canvas aus herzustellen.
+ Für Databricks müssen Sie eine JDBC-URL angeben. Die URL-Formatierung kann zwischen den Databricks-Instances variieren. Informationen zum Auffinden der URL und zur Angabe der darin enthaltenen Parameter finden Sie in der Databricks-Dokumentation unter [JDBC-Konfiguration und Verbindungsparameter](https://docs.databricks.com/integrations/bi/jdbc-odbc-bi.html#jdbc-configuration-and-connection-parameters). Im Folgenden finden Sie ein Beispiel dafür, wie eine URL formatiert werden kann: `jdbc:spark://aws-sagemaker-datawrangler.cloud.databricks.com:443/default;transportMode=http;ssl=1;httpPath=sql/protocolv1/o/3122619508517275/0909-200301-cut318;AuthMech=3;UID=token;PWD=personal-access-token`
+ Für andere Datenbankquellen müssen Sie die Authentifizierung mit Benutzername und Passwort einrichten und diese Anmeldeinformationen dann angeben, wenn Sie von Canvas aus eine Verbindung zur Datenbank herstellen.
Darüber hinaus muss Ihre Datenquelle entweder über das öffentliche Internet zugänglich sein, oder wenn Ihre Canvas-Anwendung im Modus **Nur VPC** ausgeführt wird, muss die Datenquelle in derselben VPC ausgeführt werden. Weitere Informationen zur Konfiguration einer Amazon RDS-Datenbank in einer VPC finden Sie unter [Amazon VPC VPCs und Amazon RDS](https://docs.aws.amazon.com/AmazonRDS/latest/UserGuide/USER_VPC.html) im *Amazon RDS-Benutzerhandbuch*.
Nachdem Sie Ihre Datenquellenanmeldedaten konfiguriert haben, können Sie sich bei der Canvas-Anwendung anmelden und eine Verbindung zur Datenquelle herstellen. Geben Sie Ihre Anmeldeinformationen (oder bei Databricks die URL) an, wenn Sie die Verbindung herstellen.
## Connect zu Datenquellen her mit OAuth
Canvas unterstützt die Verwendung OAuth als Authentifizierungsmethode für die Verbindung zu Ihren Daten in Snowflake und Salesforce Data Cloud. [OAuth](https://oauth.net/2/)ist eine gängige Authentifizierungsplattform, um Zugriff auf Ressourcen zu gewähren, ohne Passwörter weiterzugeben.
**Anmerkung**
Sie können für jede Datenquelle nur eine OAuth Verbindung herstellen.
Um die Verbindung zu autorisieren, müssen Sie die unter [Richten Sie Verbindungen zu Datenquellen ein mit OAuth](canvas-setting-up-oauth.md) beschriebene Ersteinrichtung befolgen.
Nachdem Sie die OAuth Anmeldeinformationen eingerichtet haben, können Sie wie folgt vorgehen, um eine Snowflake- oder Salesforce Data Cloud-Verbindung hinzuzufügen mit: OAuth
1. Melden Sie sich bei der Canvas Anwendung an.
1. Erstellen Sie einen tabellarischen Datensatz. Wenn Sie aufgefordert werden, Daten hochzuladen, wählen Sie Snowflake oder Salesforce Data Cloud als Datenquelle aus.
1. Erstellen Sie eine neue Verbindung zu Ihrer Snowflake- oder Salesforce Data Cloud-Datenquelle. Geben Sie OAuth als Authentifizierungsmethode an und geben Sie Ihre Verbindungsdetails ein.
Sie sollten jetzt in der Lage sein, Daten aus Ihren Datenbanken in Snowflake oder Salesforce Data Cloud zu importieren.
## Stellen Sie eine Connect zu einer SaaS-Plattform her
Sie können Daten von Snowflake und über 40 anderen externen SaaS-Plattformen importieren. Die vollständige Liste der Steckverbinder finden Sie in der Tabelle unter [Datenimport](canvas-importing-data.md).
**Anmerkung**
Sie können nur tabellarische Daten, wie Datentabellen, von SaaS-Plattformen importieren.
### Verwenden Sie Snowflake mit Canvas
Snowflake ist ein Datenspeicher- und Analysedienst, und Sie können Ihre Daten von Snowflake in Canvas importieren. SageMaker Weitere Informationen zu Snowflake finden Sie in der [Snowflake-Dokumentation](https://www.snowflake.com/en/).
Sie können mithilfe der folgenden Verfahren Daten aus Ihrem Snowflake-Konto importieren:
1. Stellen Sie eine Verbindung zur Snowflake-Datenbank her.
1. Wählen Sie die Daten aus, die Sie importieren möchten, indem Sie die Tabelle per Drag-and-Drop aus dem linken Navigationsmenü in den Editor ziehen.
1. Importieren Sie die Daten.
Sie können den Snowflake-Editor verwenden, um Datensätze in den Importbereich zu ziehen und sie in Canvas zu importieren. SageMaker Für mehr Kontrolle über die im Datensatz zurückgegebenen Werte können Sie Folgendes verwenden:
+ SQL-Abfragen
+ Joins
Mit SQL-Abfragen können Sie anpassen, wie Sie die Werte in den Datensatz importieren. Sie können beispielsweise die im Datensatz zurückgegebenen Spalten oder den Wertebereich für eine Spalte angeben.
Sie können mehrere Snowflake-Datensätze zu einem einzigen Datensatz zusammenfügen, bevor Sie sie mithilfe von SQL oder der Canvas-Schnittstelle in Canvas importieren. Sie können Ihre Datensätze aus Snowflake in das Fenster ziehen, in dem Sie die Datensätze verbinden können, oder Sie können die Verknüpfungen in SQL bearbeiten und das SQL in einen einzelnen Knoten konvertieren. Sie können andere Knoten mit dem Knoten verbinden, den Sie konvertiert haben. Anschließend können Sie die Datensätze, die Sie verknüpft haben, zu einem einzigen Knoten kombinieren und die Knoten mit einem anderen Snowflake-Datensatz verbinden. Schließlich können Sie die ausgewählten Daten in Canvas importieren.
Gehen Sie wie folgt vor, um Daten von Snowflake nach Amazon SageMaker Canvas zu importieren.
1. Gehen Sie in der SageMaker Canvas-Anwendung zur Seite **Datasets**.
1. Wählen Sie **Daten importieren** und dann im Dropdown-Menü **Tabellarisch** aus.
1. Geben Sie einen Namen für den Datensatz ein und wählen Sie dann **Erstellen**.
1. Öffnen Sie für **Datenquelle** das Dropdown-Menü und wählen Sie **Snowflake**.
1. Wählen Sie **Add connection** (Verbindung hinzufügen).
1. Geben Sie im Dialogfeld **Neue Snowflake-Verbindung hinzufügen** Ihre Snowflake-Anmeldeinformationen an. Wählen Sie für **Authentifizierungsmethode** eine der folgenden Optionen aus:
+ **Basic – Benutzername, Kennwort** – Bitte geben Sie Ihre Snowflake-Konto-ID, Ihren Benutzernamen und Ihr Kennwort an.
+ **ARN** — Um den Schutz Ihrer Snowflake-Anmeldeinformationen zu verbessern, geben Sie den ARN eines AWS Secrets Manager Geheimnisses an, das Ihre Anmeldeinformationen enthält. Weitere Informationen finden Sie im *AWS Secrets Manager Benutzerhandbuch* unter [Create an AWS Secrets Manager Secret](https://docs.aws.amazon.com/secretsmanager/latest/userguide/create_secret.html).
In Ihrem Secret sollten Ihre Snowflake-Anmeldeinformationen im folgenden JSON-Format gespeichert sein:
```
{"accountid": "ID",
"username": "username",
"password": "password"}
```
+ **OAuth**— OAuth ermöglicht die Authentifizierung ohne Angabe eines Kennworts, erfordert jedoch zusätzliche Einstellungen. Weitere Informationen zum Einrichten von OAuth Anmeldeinformationen für Snowflake finden Sie unter. [Richten Sie Verbindungen zu Datenquellen ein mit OAuth](canvas-setting-up-oauth.md)
1. Wählen Sie **Add connection** (Verbindung hinzufügen).
1. Ziehen Sie die CSV-Datei, die Sie importieren, von der Registerkarte mit dem Namen Ihrer Verbindung in den Bereich **Drag-and-Drop-Tabelle** zum Importieren.
1. Optional: Ziehen Sie weitere Tabellen in den Importbereich. Sie können die Benutzeroberfläche verwenden, um die Tabellen zu verbinden. Wenn Sie Ihre Verknüpfungen genauer gestalten möchten, wählen Sie **In SQL bearbeiten** aus.
1. Optional: Wenn Sie SQL verwenden, um die Daten abzufragen, können Sie **Kontext** wählen, um der Verbindung Kontext hinzuzufügen, indem Sie Werte für Folgendes angeben:
+ **Lager**
+ **Datenbank**
+ **Schema**
Das Hinzufügen von Kontext zu einer Verbindung erleichtert die Spezifizierung zukünftlicher Abfragen.
1. Wählen Sie **Daten importieren**.
Die folgende Abbildung zeigt ein Beispiel für Felder, die für eine Snowflake-Verbindung angegeben wurden.
![\[Screenshot des Dialogfelds Neue Snowflake-Verbindung hinzufügen in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-connection.png)
Die folgende Abbildung zeigt die Seite, die verwendet wird, um einer Verbindung Kontext hinzuzufügen.
![\[Screenshot der Seite Import in Canvas, der das Kontext-Dialogfeld zeigt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-connection-context.png)
Die folgende Abbildung zeigt die Seite, die zum Verbinden von Datensätzen in Snowflake verwendet wird.
![\[Screenshot der Seite Import in Canvas, der das Verbinden von Datensätzen zeigt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-join.png)
Die folgende Abbildung zeigt eine SQL-Abfrage, die zum Bearbeiten einer Verknüpfung in Snowflake verwendet wird.
![\[Screenshot einer SQL-Abfrage im Editor SQL bearbeiten auf der Seite Import in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-edit-sql.png)
### Verwenden Sie SaaS-Konnektoren mit Canvas
**Anmerkung**
Für SaaS-Plattformen außer Snowflake können Sie nur eine Verbindung pro Datenquelle haben.
Bevor Sie Daten von einer SaaS-Plattform importieren können, muss sich Ihr Administrator authentifizieren und eine Verbindung zur Datenquelle herstellen. Weitere Informationen darüber, wie Administratoren eine Verbindung mit einer SaaS-Plattform herstellen können, finden Sie unter [ AppFlow Amazon-Verbindungen verwalten](https://docs.aws.amazon.com/appflow/latest/userguide/connections.html) im * AppFlow Amazon-Benutzerhandbuch*.
Wenn Sie ein Administrator sind, der AppFlow zum ersten Mal mit Amazon anfängt, finden Sie weitere Informationen unter [Erste Schritte](https://docs.aws.amazon.com/appflow/latest/userguide/getting-started.html) im * AppFlow Amazon-Benutzerhandbuch*.
Um Daten von einer SaaS-Plattform zu importieren, können Sie dem [Importieren von Tabellendaten](canvas-import-dataset.md#canvas-import-dataset-tabular) Standardverfahren folgen, das Ihnen zeigt, wie Sie tabellarische Datensätze in Canvas importieren.
# Beispieldatensatz in Canvas
SageMaker Canvas bietet Beispieldatensätze für spezielle Anwendungsfälle, sodass Sie schnell mit dem Erstellen, Trainieren und Validieren von Modellen beginnen können, ohne Code schreiben zu müssen. Die mit diesen Datensätzen verbundenen Anwendungsfälle verdeutlichen die Funktionen von SageMaker Canvas, und Sie können diese Datensätze nutzen, um mit der Erstellung von Modellen zu beginnen. Sie finden die Beispieldatensätze auf der Seite **Datensätze Ihrer Canvas-Anwendung**. SageMaker
Die folgenden Datensätze sind die Beispiele, die SageMaker Canvas standardmäßig bereitstellt. Diese Datensätze decken Anwendungsfälle wie die Vorhersage von Immobilienpreisen, Kreditausfällen und Rückübernahmen von Diabetikern, Umsatzprognosen, Prognosen von Maschinenausfällen zur Optimierung der vorausschauenden Wartung in Produktionseinheiten und Generierung von Lieferkettenprognosen für Transport und Logistik ab. Die Datensätze werden in dem `sample_dataset` Ordner im standardmäßigen Amazon S3 S3-Bucket gespeichert, den SageMaker AI für Ihr Konto in einer Region erstellt.
+ **canvas-sample-diabetic-readmission.csv:** Dieser Datensatz enthält historische Daten, darunter mehr als fünfzehn Merkmale mit Patienten- und Krankenhausergebnissen. Sie können diesen Datensatz verwenden, um vorherzusagen, ob Diabetiker mit hohem Risiko wahrscheinlich innerhalb von 30 Tagen nach der Entlassung, nach 30 Tagen oder gar nicht wieder ins Krankenhaus eingeliefert werden. Verwenden Sie für diesen Datensatz die Spalte mit der **roten Zulassung** als Zielspalte und verwenden Sie für diesen Datensatz das Prognosemodell der Kategorie 3\$1. Weitere Informationen zum Erstellen eines Modells mit diesem Datensatz finden Sie auf der [SageMaker Canvas-Workshop-Seite](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/5-hcls). Dieser Datensatz wurde aus dem [UCI Machine Learning Repository](https://archive.ics.uci.edu/ml/datasets/diabetes+130-us+hospitals+for+years+1999-2008) abgerufen.
+ **canvas-sample-housing.csv:** Dieser Datensatz enthält Daten zu den Merkmalen, die an einen bestimmten Immobilienpreis gebunden sind. Sie können diesen Datensatz verwenden, um die Immobilienpreise vorherzusagen. Verwenden Sie die Spalte **median\$1house\$1value** als Zielspalte und verwenden Sie den Modelltyp „Numerische Prognose“ für diesen Datensatz. Weitere Informationen zum Erstellen eines Modells mit diesem Datensatz finden Sie auf der [SageMaker Canvas-Workshop-Seite.](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/2-real-estate) Dies ist der Datensatz zum Thema Wohnen in Kalifornien, der aus dem [StatLib Repository](https://www.dcc.fc.up.pt/~ltorgo/Regression/cal_housing.html) abgerufen wurde.
+ **canvas-sample-loans.csv:** Dieser Datensatz enthält vollständige Kreditdaten für alle von 2007 bis 2011 ausgegebenen Kredite, einschließlich des aktuellen Kreditstatus und der letzten Zahlungsinformationen. Sie können diesen Datensatz verwenden, um vorherzusagen, ob ein Kunde einen Kredit zurückzahlen wird. Verwenden Sie die Spalte **loan\$1status** als Zielspalte und verwenden Sie für diesen Datensatz den Prognosemodelltyp für Kategorien 3\$1. Weitere Informationen zum Erstellen eines Modells mit diesem Datensatz finden Sie auf der [SageMaker Canvas-Workshop-Seite](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/4-finserv). Diese Daten verwenden die von [Kaggle](https://www.kaggle.com/datasets/wordsforthewise/lending-club) erhaltenen LendingClub Daten.
+ **canvas-sample-maintenance.csv:** Dieser Datensatz enthält Daten zu den Merkmalen eines bestimmten Wartungsausfalls. Sie können diesen Datensatz verwenden, um vorherzusagen, welcher Fehler in future auftreten wird. Verwenden Sie die Spalte **Fehlertyp** als Zielspalte und verwenden Sie für diesen Datensatz den Prognosemodelltyp der Kategorie 3\$1. Weitere Informationen zum Erstellen eines Modells mit diesem Datensatz finden Sie auf der [SageMaker Canvas-Workshop-Seite](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/6-manufacturing). Dieser Datensatz wurde aus dem [UCI Machine Learning Repository](https://archive.ics.uci.edu/ml/datasets/AI4I+2020+Predictive+Maintenance+Dataset) abgerufen.
+ **canvas-sample-shipping-logs.csv:** Dieser Datensatz enthält vollständige Versanddaten für alle gelieferten Produkte, einschließlich voraussichtlicher Versandpriorität, Transporteur und Herkunft. Sie können diesen Datensatz verwenden, um die geschätzte Ankunftszeit der Sendung in Tagen vorherzusagen. Verwenden Sie die **ActualShippingDays**Spalte als Zielspalte und verwenden Sie den numerischen Prognosemodelltyp für diesen Datensatz. Weitere Informationen zum Erstellen eines Modells mit diesen Daten finden Sie auf der [SageMaker Canvas-Workshop-Seite](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/7-supply-chain). Dies ist ein synthetischer Datensatz, der von Amazon erstellt wurde.
+ **canvas-sample-sales-forecasting.csv:** Dieser Datensatz enthält historische Zeitreihen-Verkaufsdaten für Einzelhandelsgeschäfte. Sie können diesen Datensatz verwenden, um Verkäufe für ein bestimmtes Einzelhandelsgeschäft zu prognostizieren. Verwenden Sie die Spalte **sales** als Zielspalte und verwenden Sie den Modelltyp „Zeitreihenprognose“ für diesen Datensatz. Weitere Informationen zum Erstellen eines Modells mit diesem Datensatz finden Sie auf der [SageMaker Canvas-Workshop-Seite](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/3-retail). Dies ist ein synthetischer Datensatz, der von Amazon erstellt wurde.
# Importieren Sie einen gelöschten Beispieldatensatz erneut
Amazon SageMaker Canvas stellt Ihnen Beispieldatensätze für verschiedene Anwendungsfälle zur Verfügung, die die Funktionen von Canvas hervorheben. Weitere Informationen zu den verfügbaren Beispieldatensätzen finden Sie unter [Beispieldatensatz in Canvas](canvas-sample-datasets.md). Wenn Sie die Beispieldatensätze nicht mehr verwenden möchten, können Sie sie von der **Datensatzseite** Ihrer SageMaker Canvas-Anwendung löschen. Diese Datensätze werden jedoch weiterhin in dem Amazon-S3-Bucket gespeichert, den Sie als [Canvas-Speicherort](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-storage-configuration.html) angegeben haben, sodass Sie später jederzeit darauf zugreifen können.
Wenn Sie den standardmäßigen Amazon-S3-Bucket verwendet haben, folgt der Bucket-Name dem Muster `sagemaker-{region}-{account ID}`. Sie finden die Beispieldatensätze im Verzeichnispfad `Canvas/sample_dataset`.
Wenn Sie einen Beispieldatensatz aus Ihrer SageMaker Canvas-Anwendung löschen und erneut auf den Beispieldatensatz zugreifen möchten, gehen Sie wie folgt vor.
1. Navigieren Sie in Ihrer SageMaker Canvas-Anwendung zur Seite „**Datensätze**“.
1. Wählen Sie **Daten importieren**.
1. Wählen Sie aus der Liste der Amazon-S3-Buckets den Bucket aus, der Ihr Canvas-Speicherort ist. Wenn Sie den standardmäßigen, von SageMaker KI erstellten Amazon S3 S3-Bucket verwenden, folgt er dem Benennungsmuster`sagemaker-{region}-{account ID}`.
1. Wählen Sie den Ordner **Canvas** aus.
1. Wählen Sie den Ordner **sample\$1dataset** aus, der alle Beispieldatensätze für Canvas enthält. SageMaker
1. Wählen Sie den Datensatz aus, den Sie importieren möchten, und wählen Sie dann **Daten importieren**.
# Datenaufbereitung
**Anmerkung**
Zuvor war Amazon SageMaker Data Wrangler Teil des SageMaker Studio Classic-Erlebnisses. Wenn Sie jetzt auf das neue Studio-Erlebnis umsteigen, müssen Sie SageMaker Canvas verwenden, um auf Data Wrangler zuzugreifen und die neuesten Funktionsupdates zu erhalten. Wenn Sie bisher Data Wrangler in Studio Classic verwendet haben und zu Data Wrangler in Canvas migrieren möchten, müssen Sie möglicherweise zusätzliche Berechtigungen erteilen, damit Sie eine Canvas-Anwendung erstellen und verwenden können. Weitere Informationen finden Sie unter [(Optional) Migrieren Sie von Data Wrangler in Studio Classic zu Canvas SageMaker](studio-updated-migrate-ui.md#studio-updated-migrate-dw).
Informationen zur Migration Ihrer Datenflüsse von Data Wrangler in Studio Classic finden Sie unter [(Optional) Migrieren von Daten von Studio Classic zu Studio](studio-updated-migrate-data.md).
Verwenden Sie Amazon SageMaker Data Wrangler in Amazon SageMaker Canvas, um Ihre Daten vorzubereiten, zu strukturieren und zu analysieren. Sie können einen Data Wrangler-Datenvorbereitungsablauf in Ihre Workflows für Machine Learning (ML) integrieren, um die Datenvorverarbeitung und das Feature-Engineering mit wenig bis gar keiner Codierung zu vereinfachen und zu optimieren. Sie können auch Ihre eigenen Python-Skripts und -Transformationen hinzufügen, um Workflows anzupassen.
+ **Daten-Flow** – Erstellen Sie einen Daten-Flow, um eine Reihe von Schritten zur ML-Datenvorbereitung zu definieren. Sie können einen Flow verwenden, um Datensätze aus verschiedenen Datenquellen zu kombinieren, die Anzahl und die Typen von Transformationen zu ermitteln, die Sie auf Datensätze anwenden möchten, und einen Datenvorbereitungsworkflow zu definieren, der in eine ML-Pipeline integriert werden kann.
+ **Transformieren** – Bereinigen und transformieren Sie Ihren Datensatz mithilfe von Standard*transformationen* wie String-, Vektor- und numerischen Datenformatierungstools. Präsentieren Sie Ihre Daten mithilfe von Transformationen wie Text und Einbettung sowie kategorischer Kodierung. date/time
+ **Dateneinblicke generieren** – Überprüfen Sie automatisch die Datenqualität und erkennen Sie Anomalien in Ihren Daten mit dem Datenqualitäts- und Insights-Bericht von Data Wrangler.
+ **Analysieren** – Analysieren Sie Features in Ihrem Datensatz an jedem beliebigen Punkt Ihres Daten-Flows. Data Wrangler umfasst integrierte Tools zur Datenvisualisierung wie Streudiagramme und Histogramme sowie Datenanalysetools wie Target Leakage Analysis und Schnellmodellierung, um die Merkmalskorrelation zu verstehen.
+ **Export** – Exportieren Sie Ihren Datenvorbereitungs-Workflow an einen anderen Ort. Im Folgenden finden Sie Beispiele für Standorte:
+ Amazon Simple Storage Service (Amazon S3)-Bucket
+ Amazon SageMaker Feature Store — Speichern Sie die Funktionen und ihre Daten in einem zentralen Speicher.
+ **Datenvorbereitung automatisieren** – Erstellen Sie anhand Ihres Datenflusses Workflows für Machine Learning.
+ Amazon SageMaker Pipelines — Erstellen Sie Workflows, die Ihre SageMaker KI-Datenvorbereitung, das Modelltraining und die Modellbereitstellung verwalten.
+ Serielle Inferenz-Pipeline – Erstellen Sie eine serielle Inferenz-Pipeline aus Ihrem Datenfluss. Verwenden Sie sie, um Vorhersagen für neue Daten zu treffen.
+ Python-Skript – Speichern Sie die Daten und ihre Transformationen in einem Python-Skript für Ihre benutzerdefinierten Workflows.
# Erstellen eines Datenablaufs
Verwenden Sie einen Data Wrangler-Fluss in SageMaker Canvas oder einen *Datenfluss, um eine Datenvorbereitungspipeline* zu erstellen und zu ändern. Wir empfehlen, Data Wrangler für Datensätze zu verwenden, die größer als 5 GB sind.
Führen Sie zunächst die folgenden Schritte aus, um Ihre Daten in einen Datenfluss zu importieren.
1. Öffnen Sie Canvas SageMaker .
1. Wählen Sie im linken Navigationsbereich die Option **Data Wrangler** aus.
1. Wählen Sie **Importieren und vorbereiten** aus.
1. Wählen Sie im Dropdown-Menü entweder **Tabellarisch** oder **Bild** aus.
1. Wählen Sie unter **Datenquelle auswählen** Ihre Datenquelle aus und wählen Sie die Daten, die Sie importieren möchten. Sie haben die Möglichkeit, bis zu 30 Dateien oder einen Ordner auszuwählen. Wenn Sie bereits einen Datensatz in Canvas importiert haben, wählen Sie **Canvas-Datensatz** als Quelle aus. Stellen Sie andernfalls eine Verbindung zu einer Datenquelle wie Amazon S3 oder Snowflake her und durchsuchen Sie Ihre Daten. Informationen zum Herstellen einer Verbindung mit einer Datenquelle oder zum Importieren von Daten finden Sie auf den folgenden Seiten:
+ [Datenimport](canvas-importing-data.md)
+ [Verbinden zu Datenquellen](canvas-connecting-external.md)
1. Nachdem Sie die Daten ausgewählt haben, die Sie importieren möchten, wählen Sie **Weiter** aus.
1. (Optional) Öffnen Sie beim Importieren eines tabellarischen Datensatzes im Abschnitt **Importeinstellungen** das Dropdown-Menü **Erweitert**. Sie können die folgenden erweiterten Einstellungen für Datenflussimporte festlegen:
+ **Stichprobenmethode** – Wählen Sie die Stichprobenmethode und den Stichprobenumfang aus, die Sie verwenden möchten. Weitere Informationen zum Ändern Ihrer Stichprobe finden Sie im Abschnitt [Bearbeiten der Konfiguration der Datenflussstichprobe](canvas-data-flow-edit-sampling.md).
+ **Dateikodierung (CSV)** – Wählen Sie die Kodierung Ihrer Datensatzdatei aus. `UTF-8` ist die Standardeinstellung.
+ **Erste Zeilen überspringen** – Geben Sie die Anzahl der Zeilen ein, die Sie überspringen möchten, wenn Sie am Anfang Ihres Datensatzes redundante Zeilen haben.
+ **Trennzeichen** – Wählen Sie das Trennzeichen aus, das die einzelnen Zellen in Ihren Daten voneinander trennt. Sie können auch ein benutzerdefiniertes Trennzeichen angeben.
+ **Mehrzeilige Erkennung**, Wählen Sie diese Option aus, wenn Sie möchten, dass Canvas Ihren gesamten Datensatz manuell nach mehrzeiligen Zellen durchsucht. Canvas ermittelt anhand einer Stichprobe Ihrer Daten, ob die Mehrzeilenunterstützung verwendet werden soll. Es ist jedoch möglich, dass Canvas in der Stichprobe keine mehrzeiligen Zellen erkennt. In diesem Fall empfehlen wir Ihnen, die Option **Mehrzeilige Erkennung** auszuwählen, um Canvas zu zwingen, Ihren gesamten Datensatz auf mehrzeilige Zellen zu überprüfen.
1. Wählen Sie **Importieren** aus.
Sie sollten nun über einen neuen Datenfluss verfügen und können mit dem Hinzufügen von Transformationsschritten und Analysen beginnen.
# So funktioniert die Datenfluss-Benutzeroberfläche
Um Ihnen die Navigation in Ihrem Datenfluss zu erleichtern, verfügt Data Wrangler über die folgenden Registerkarten im oberen Navigationsbereich:
+ **Datenfluss** – Diese Registerkarte bietet Ihnen eine visuelle Ansicht Ihres Datenflussschritts, in der Sie Transformationen hinzufügen oder entfernen und Daten exportieren können.
+ **Daten** – Auf dieser Registerkarte erhalten Sie eine Vorschau Ihrer Daten, sodass Sie die Ergebnisse Ihrer Transformationen überprüfen können. Sie können sich auch eine geordnete Liste Ihrer Datenflussschritte anzeigen lassen und die Schritte bearbeiten oder neu anordnen.
**Anmerkung**
Auf dieser Registerkarte können Sie nur Datenvisualisierungen (wie die Verteilung der Werte pro Spalte) für Amazon-S3-Datenquellen in der Vorschau anzeigen. Visualisierungen für andere Datenquellen, wie Amazon Athena, werden nicht unterstützt.
+ **Analysen** – Auf dieser Registerkarte sehen Sie separate Unterregisterkarten für jede Analyse, die Sie erstellen. Wenn Sie beispielsweise ein Histogramm und einen DQI-Bericht (Data Quality and Insights) erstellen, erstellt Canvas jeweils eine Registerkarte.
**Wenn Sie einen Datensatz importieren, wird der ursprüngliche Datensatz im Datenfluss angezeigt und trägt den Namen Source.** SageMaker **Canvas leitet automatisch die Typen der einzelnen Spalten in Ihrem Datensatz ab und erstellt einen neuen Datenrahmen mit dem Namen Datentypen.** Sie können diesen Frame auswählen, um die abgeleiteten Datentypen zu aktualisieren.
Die Datensätze, Transformationen und Analysen, die Sie im Datenfluss verwenden, werden als *Schritte* dargestellt. Mit jedem Hinzufügen eines Transformationschritts erstellen Sie einen neuen Datenrahmen. Wenn mehrere Transformationsschritte (außer **Join** oder **Concatenate**) zu demselben Datensatz hinzugefügt werden, werden sie gestapelt.
Unter der Option **Daten kombinieren** erstellen **Verknüpfen** und **Verketten** eigenständige Schritte, die den neuen verbundenen oder verknüpften Datensatz enthalten.
# Bearbeiten der Konfiguration der Datenflussstichprobe
Beim Importieren von Tabellendaten in einen Data Wrangler-Datenfluss können Sie sich dafür entscheiden, eine Stichprobe Ihres Datensatzes zu nehmen, um die Datenexploration und -bereinigung zu beschleunigen. Die Ausführung von explorativen Transformationen an einer Stichprobe Ihres Datensatzes ist häufig schneller als die Ausführung von Transformationen am gesamten Datensatz. Wenn Sie bereit sind, Ihren Datensatz zu exportieren und ein Modell zu erstellen, können Sie die Transformationen auf den vollständigen Datensatz anwenden.
Canvas unterstützt die folgenden Sampling-Methoden:
+ **FirstK** – Canvas wählt die ersten *K* Elemente aus Ihrem Datensatz aus, wobei *K* eine von Ihnen angegebene Zahl ist. Diese Sampling-Methode ist einfach, kann jedoch zu Verzerrungen führen, wenn Ihr Datensatz nicht zufällig angeordnet ist.
+ **Zufällig** – Canvas wählt Elemente aus dem Datensatz nach dem Zufallsprinzip aus, wobei für jedes Element die gleiche Wahrscheinlichkeit besteht, ausgewählt zu werden. Diese Sampling-Methode trägt dazu bei, dass die Stichprobe für den gesamten Datensatz repräsentativ ist.
+ **Stratifiziert** – Canvas unterteilt den Datensatz anhand eines oder mehrerer Attribute (z. B. Alter und Einkommensniveau) in Gruppen (oder *Schichten*). Anschließend wird eine proportionale Anzahl von Elementen nach dem Zufallsprinzip aus jeder Gruppe ausgewählt. Diese Methode stellt sicher, dass alle relevanten Untergruppen in der Stichprobe angemessen vertreten sind.
Sie können Ihre Sampling-Konfiguration jederzeit bearbeiten, um die Größe der für die Datenexploration verwendeten Stichprobe zu ändern.
Um Änderungen an Ihrer Sampling-Konfiguration vorzunehmen, gehen Sie wie folgt vor:
1. Wählen Sie in Ihrem Datenflussdiagramm Ihren Datenquellenknoten aus.
1. Wählen Sie in der unteren Navigationsleiste **Sampling** aus.
1. Das Dialogfeld **Sampling** wird geöffnet. Wählen Sie in der Dropdown-Liste **Sampling-Methode** die gewünschte Sampling-Methode aus.
1. Geben Sie unter **Maximaler Stichprobenumfang** die Anzahl der Zeilen ein, für die Sie eine Stichprobe erstellen möchten.
1. Wählen Sie **Aktualisieren** aus, um Ihre Änderungen zu speichern.
Die Änderungen an Ihrer Sampling-Konfiguration sollten jetzt übernommen werden.
# Hinzufügen eines Schritts zu Ihrem Datenfluss
In Ihren Data-Wrangler-Datenflüssen können Sie Schritte hinzufügen, die Datenumwandlungen und -analysen darstellen.
Wählen Sie **\$1** neben einem Datensatzknoten oder einem zuvor hinzugefügten Schritt aus, um zu Ihrem Datenablauf einen Schritt hinzuzufügen. Wählen Sie dann eine der folgenden Optionen aus:
+ **Datentypen bearbeiten** (nur für einen **Datentypen**-Schritt): Wenn Sie keine Transformationen zu einem **Datentypen**-Schritt hinzugefügt haben, können Sie in Ihrem Schema auf den **Datentypen**-Schritt doppelklicken, um die Registerkarte **Daten** zu öffnen und die Datentypen zu bearbeiten, die Data Wrangler beim Import Ihres Datensatzes abgeleitet hat.
+ **Transformation hinzufügen**: Fügt einen neuen Transformationsschritt hinzu. Weitere Informationen zu den Datentransformationen, die Sie hinzufügen können, finden Sie unter [Transformieren von Daten](canvas-transform.md).
+ **Daten-Insights erhalten**: Fügen Sie Analysen wie Histogramme oder benutzerdefinierte Visualisierungen hinzu. Sie können diese Option verwenden, um Ihre Daten an einem beliebigen Punkt im Datenfluss zu analysieren. Weitere Informationen zu den Analysen, die Sie hinzufügen können, finden Sie unter [Durchführen einer explorativen Datenanalyse (EDA)](canvas-analyses.md).
+ **Verknüpfen**: Suchen Sie diese Option unter **Daten kombinieren**, um zwei Datensätze zu verknüpfen und den resultierenden Datensatz dem Datenfluss hinzuzufügen. Weitere Informationen hierzu finden Sie unter [Datensätze verknüpfen](canvas-transform.md#canvas-transform-join).
+ **Verketten**: Suchen Sie diese Option unter **Daten kombinieren**, um zwei Datensätze zu verketten und den resultierenden Datensatz dem Datenfluss hinzuzufügen. Weitere Informationen hierzu finden Sie unter [Datensätze verketten](canvas-transform.md#canvas-transform-concatenate).
# Bearbeiten von Datenflussschritten
In Amazon SageMaker Canvas können Sie einzelne Schritte in Ihren Datenflüssen bearbeiten, um Ihren Datensatz zu transformieren, ohne einen neuen Datenfluss erstellen zu müssen. Auf der folgenden Seite wird beschrieben, wie Sie die Schritte zum Verknüpfen und Verketten sowie die Schritte zur Datenquelle bearbeiten.
## Bearbeiten der Schritte zum Verknüpfen und Verketten
Innerhalb Ihrer Datenflüsse haben Sie die Flexibilität, Ihre Schritte zum Verknüpfen und Verketten zu bearbeiten. Sie können die erforderlichen Anpassungen an Ihrem Datenverarbeitungs-Workflow vornehmen und sicherstellen, dass Ihre Daten ordnungsgemäß kombiniert und transformiert werden, ohne den gesamten Datenfluss neu erstellen zu müssen.
Um einen Verknüpfungs- oder Verkettungsschritt in Ihrem Datenfluss zu bearbeiten, gehen Sie wie folgt vor:
1. Öffnen Sie Ihren Datenfluss.
1. Wählen Sie das Plussymbol (**\$1**) neben dem Verknüpfungs- oder Verkettungsknoten aus, den Sie bearbeiten möchten.
1. Klicken Sie im Kontextmenü auf **Edit** (Bearbeiten).
1. Ein Seitenbereich wird geöffnet, in dem Sie die Details Ihrer Verknüpfung oder Verkettung bearbeiten können. Ändern Sie Ihre Schrittfelder, z. B. die Art der Verknüpfung. Um einen Datenknoten auszutauschen und einen anderen zum Verbinden oder Verketten auszuwählen, klicken Sie auf das Löschsymbol neben dem Knoten und wählen Sie dann in der Datenflussansicht den neuen Knoten aus, den Sie in Ihre Transformation einbeziehen möchten.
**Anmerkung**
Wenn Sie während des Bearbeitungsvorgangs einen Knoten austauschen, können Sie nur Schritte auswählen, die vor dem Verknüpfen oder Verketten ausgeführt wurden. Sie können entweder den linken oder den rechten Knoten austauschen, jedoch immer nur einen Knoten gleichzeitig. Außerdem können Sie keinen Quellknoten als Ersatz auswählen.
1. Wählen Sie **Vorschau** aus, um das Ergebnis des Kombinationsvorgangs anzuzeigen.
1. Wählen Sie **Aktualisieren** aus, um Ihre Änderungen zu speichern.
Ihr Datenfluss sollte nun aktualisiert sein.
## Bearbeiten oder Ersetzen eines Datenquellenschritts
Möglicherweise müssen Sie Änderungen an Ihrer Datenquelle oder Ihrem Datensatz vornehmen, ohne die auf Ihre Originaldaten angewendeten Transformationen und Datenflussschritte zu löschen. In Data Wrangler können Sie Ihre Datenquellenkonfiguration bearbeiten oder ersetzen, während die Schritte Ihres Datenflusses beibehalten werden. Beim Bearbeiten einer Datenquelle können Sie die Importeinstellungen ändern, beispielsweise die Sampling-Größe oder -Methode sowie alle erweiterten Einstellungen. Sie können auch weitere Dateien mit demselben Schema hinzufügen oder bei abfragebasierten Datenquellen wie Amazon Athena die Abfrage bearbeiten. Beim Ersetzen einer Datenquelle haben Sie die Möglichkeit, einen anderen Datensatz auszuwählen oder sogar Daten aus einer völlig anderen Datenquelle zu importieren, sofern das Schema der neuen Daten mit den Originaldaten übereinstimmt.
Um eine Datenquellenkonfiguration zu bearbeiten, gehen Sie wie folgt vor:
1. Rufen Sie in der Canvas-Anwendung die Seite **Data Wrangler** auf.
1. Wählen Sie Ihren Datenfluss aus, um ihn anzuzeigen.
1. Suchen Sie auf der Registerkarte **Datenfluss**, auf der Ihre Datenflussschritte angezeigt werden, den **Quellknoten**, den Sie bearbeiten möchten.
1. Wählen Sie das Ellipsensymbol neben dem **Quellknoten** aus.
1. Klicken Sie im Kontextmenü auf **Edit** (Bearbeiten).
1. Für Amazon-S3-Datenquellen und lokale Uploads haben Sie die Möglichkeit, weitere Dateien mit dem gleichen Schema wie Ihre Originaldaten auszuwählen oder hochzuladen. Bei abfragebasierten Datenquellen wie Amazon Athena können Sie im visuellen Abfrage-Builder verschiedene Tabellen entfernen und auswählen oder die SQL-Abfrage direkt bearbeiten. Wählen Sie abschließend **Weiter**.
1. Nehmen Sie für die **Importeinstellungen** die gewünschten Änderungen vor.
1. Wenn Sie fertig sind, wählen Sie **Änderungen speichern** aus.
Ihre Datenquelle sollte nun aktualisiert sein.
Um eine Datenquelle zu ersetzen, führen Sie die folgenden Schritte aus:
1. Rufen Sie in der Canvas-Anwendung die Seite **Data Wrangler** auf.
1. Wählen Sie Ihren Datenfluss aus, um ihn anzuzeigen.
1. Suchen Sie auf der Registerkarte **Datenfluss**, auf der Ihre Datenflussschritte angezeigt werden, den **Quellknoten**, den Sie bearbeiten möchten.
1. Wählen Sie das Ellipsensymbol neben dem **Quellknoten** aus.
1. Wählen Sie im Kontextmenü die Option **Ersetzen** aus.
1. Führen Sie die Schritte zum [Erstellen eines Datenflusses](canvas-data-flow.md) durch, um eine andere Datenquelle und andere Daten auszuwählen.
1. Wenn Sie Ihre Daten ausgewählt haben und bereit sind, den Quellknoten zu aktualisieren, wählen Sie **Speichern** aus.
Der **Quellknoten** sollte nun in Ihrem Datenfluss aktualisiert worden sein.
# Neuanordnen der Schritte in Ihrem Datenfluss
Nachdem Sie Schritte zu Ihrem Datenfluss hinzugefügt haben, haben Sie die Möglichkeit, die Schritte neu anzuordnen, anstatt sie zu löschen und in der richtigen Reihenfolge erneut hinzuzufügen. Beispielsweise könnten Sie beschließen, eine Transformation zu verschieben, um fehlende Werte vor einem Schritt zur Formatierung von Zeichenfolgen zu imputieren.
**Anmerkung**
Die Reihenfolge bestimmter Schritttypen, wie beispielsweise das Definieren Ihrer Datenquelle, das Ändern von Datentypen, das Verknüpfen, das Zusammenfügen oder das Aufteilen, kann nicht geändert werden. Schritte, die nicht neu angeordnet werden können, werden in der Benutzeroberfläche der Canvas-Anwendung ausgegraut dargestellt.
Um die Reihenfolge Ihrer Datenflussschritte zu ändern, gehen Sie bitte wie folgt vor:
1. Wählen Sie bei der Bearbeitung eines Datenflusses in Data Wrangler die Registerkarte **Daten** aus. In einem Seitenbereich namens **Schritte** werden Ihre Datenflussschritte der Reihe nach aufgelistet.
1. Zeigen Sie mit der Maus auf einen Transformationsschritt und wählen Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) neben diesem Schritt aus.
1. Wählen Sie im Kontextmenü die Option **Neu anordnen** aus.
1. Ziehen Sie Ihre Datenflussschritte per Drag & Drop in die gewünschte Reihenfolge.
1. Klicken Sie auf **Speichern**, sobald Sie fertig sind.
Ihre Datenflussschritte und Ihr Diagramm sollten nun die von Ihnen vorgenommenen Änderungen widerspiegeln.
# Löschen eines Schritts aus Ihrem Datenfluss
Innerhalb Ihrer Datenflüsse haben Sie die Möglichkeit, Ihre Verknüpfungs- und Verkettungsschritte zu löschen und zu entscheiden, ob Sie nachfolgende Transformationen weiterhin auf Ihre Daten anwenden möchten.
Um einen Verknüpfungs- oder Verkettungsschritt aus Ihrem Datenfluss zu löschen, gehen Sie wie folgt vor:
1. Öffnen Sie Ihren Datenfluss.
1. Wählen Sie das Plussymbol (**\$1**) neben dem Verknüpfungs- oder Verkettungsknoten aus, den Sie löschen möchten.
1. Wählen Sie im Kontextmenü die Option **Delete (Löschen)** aus.
1. (Optional) Wenn Sie nach dem Schritt „Verknüpfen“ oder „Verketten“ weitere Transformationsschritte haben, können Sie entscheiden, ob Sie die nachfolgenden Transformationsschritte beibehalten und separat zu jedem Datenknoten hinzufügen möchten. Wählen Sie im Seitenbereich **Verknüpfung löschen** einen Knoten aus, um die Auswahl aufzuheben und alle nachfolgenden Transformationsschritte zu entfernen. Sie können beide Knoten ausgewählt lassen, um alle Transformationsschritte beizubehalten, oder Sie können die Auswahl beider Knoten aufheben, um alle Transformationsschritte zu verwerfen.
Der folgende Screenshot zeigt diesen Schritt, wobei nur der zweite von zwei Datenknoten ausgewählt ist. Wenn die Verknüpfung erfolgreich gelöscht wurde, wird die nachfolgende Transformation **Spalten umbenennen** nur vom zweiten Datenknoten beibehalten.
![\[Screenshot eines Datenflusses in Data Wrangler, der die Ansicht „Verknüpfung löschen“ zeigt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-data-flow-delete-step.png)
1. Wählen Sie **Löschen** aus.
Der Schritt „Verknüpfen“ oder „Verketten“ sollte jetzt aus Ihrem Datenfluss entfernt sein.
# Durchführen einer explorativen Datenanalyse (EDA)
Data Wrangler enthält integrierte Analysen, mit denen Sie mit wenigen Klicks Visualisierungen und Datenanalysen erstellen können. Sie können auch benutzerdefinierte Analysen mit Ihrem eigenen Code erstellen.
Sie fügen einem Datenrahmen eine Analyse hinzu, indem Sie einen Schritt in Ihrem Datenfluss auswählen und dann **Analyse hinzufügen** auswählen. Um auf eine von Ihnen erstellte Analyse zuzugreifen, wählen Sie den Schritt aus, der die Analyse enthält, und wählen Sie die Analyse aus.
Die Analysen werden anhand einer Stichprobe von bis zu 200 000 Zeilen Ihres Datensatzes erstellt, wobei Sie die Stichprobengröße konfigurieren können. Weitere Informationen zum Ändern des Stichprobenumfangs Ihres Datenflusses finden Sie unter [Bearbeiten der Konfiguration der Datenflussstichprobe](canvas-data-flow-edit-sampling.md).
**Anmerkung**
Analysen sind für Daten mit 1 000 oder weniger Spalten optimiert. Beim Generieren von Analysen für Daten mit zusätzlichen Spalten kann es zu einer gewissen Latenz kommen.
Sie können die folgende Analyse zu einem Datenrahmen hinzufügen:
+ Datenvisualisierungen, einschließlich Histogrammen und Streudiagrammen.
+ Eine kurze Zusammenfassung Ihres Datensatzes, einschließlich der Anzahl der Einträge, der Mindest- und Höchstwerte (für numerische Daten) sowie der am häufigsten und seltensten Kategorien (für kategoriale Daten).
+ Ein schnelles Modell des Datensatzes, das verwendet werden kann, um eine Wichtigkeitsbewertung für jedes Feature zu generieren.
+ Ein Ziel-Leckagebericht, anhand dessen Sie feststellen können, ob ein oder mehrere Merkmale stark mit Ihrem Zielmerkmal korrelieren.
+ Eine benutzerdefinierte Visualisierung mit Ihrem eigenen Code.
In den folgenden Abschnitten erfahren Sie mehr über diese Optionen.
## Einblicke in Daten und Datenqualität
Verwenden Sie den **Datenqualitäts- und Insights-Bericht**, um eine Analyse der Daten durchzuführen, die Sie in Data Wrangler importiert haben. Wir empfehlen, dass Sie den Bericht erstellen, nachdem Sie Ihren Datensatz importiert haben. Sie können den Bericht verwenden, um Ihre Daten zu bereinigen und zu verarbeiten. Er gibt Ihnen Informationen wie die Anzahl der fehlenden Werte und die Anzahl der Ausreißer. Wenn Sie Probleme mit Ihren Daten haben, wie z. B. undichte Zielstellen oder Ungleichgewichte, können Sie mithilfe des Insights-Berichts auf diese Probleme aufmerksam gemacht werden.
Gehen Sie wie folgt vor, um einen Datenqualitäts- und Insights-Bericht zu erstellen. Es wird davon ausgegangen, dass Sie bereits einen Datensatz in Ihren Data Wrangler-Flow importiert haben.
**So erstellen Sie einen Datenqualitäts- und Insights-Bericht:**
1. Wählen Sie das Ellipsensymbol neben einem Knoten in Ihrem Data-Wrangler-Fluss aus.
1. Wählen Sie **Dateneinblicke abrufen** aus.
1. Wählen Sie als **Analysetyp** die Option **Datenqualitäts- und Insights-Bericht** aus.
1. Geben Sie unter **Analysename** einen Namen für den Insights-Bericht an.
1. Geben Sie als **Problemtyp** **Regression** oder **Klassifizierung** an.
1. Geben Sie für **Zielspalte** die Zielspalte an.
1. Geben Sie für **Datengröße** einen der folgenden Werte an:
+ **Datensatz mit Stichproben** – verwendet die interaktive Stichprobe aus Ihrem Datenfluss, die bis zu 200 000 Zeilen Ihres Datensatzes enthalten kann. Informationen zum Bearbeiten der Stichprobengröße finden Sie unter [Bearbeiten der Konfiguration der Datenflussstichprobe](canvas-data-flow-edit-sampling.md).
+ **Vollständiger Datensatz** – verwendet den vollständigen Datensatz aus Ihrer Datenquelle, um den Bericht zu erstellen.
**Anmerkung**
Für die Erstellung eines Datenqualitäts- und Insights-Berichts für den gesamten Datensatz wird ein SageMaker Amazon-Verarbeitungsjob verwendet. Ein SageMaker Verarbeitungsjob stellt die zusätzlichen Rechenressourcen bereit, die erforderlich sind, um Einblicke in all Ihre Daten zu erhalten. Weitere Informationen zur SageMaker Verarbeitung von Aufträgen finden Sie unter[Workloads zur Datentransformation mit SageMaker Verarbeitung](processing-job.md).
1. Wählen Sie **Erstellen** aus.
Die folgenden Themen zeigen die Abschnitte des Berichts:
**Topics**
+ [Zusammenfassung](#canvas-data-insights-summary)
+ [Zielspalte](#canvas-data-insights-target-column)
+ [Quick-Modell](#canvas-data-insights-quick-model)
+ [Übersicht der Funktionen](#canvas-data-insights-feature-summary)
+ [Beispiele](#canvas-data-insights-samples)
+ [Definitionen](#canvas-data-insights-definitions)
Sie können den Bericht entweder herunterladen oder online ansehen. Um den Bericht herunterzuladen, wählen Sie die Download-Schaltfläche in der oberen rechten Ecke des Bildschirms.
### Zusammenfassung
Der Insights-Bericht enthält eine kurze Zusammenfassung der Daten, die allgemeine Informationen wie fehlende Werte, ungültige Werte, Merkmalstypen, Anzahl von Ausreißern und mehr enthält. Er kann auch Warnungen mit hohem Schweregrad enthalten, die auf wahrscheinliche Probleme mit den Daten hinweisen. Wir empfehlen Ihnen, die Warnungen zu überprüfen.
### Zielspalte
Wenn Sie den Datenqualitäts- und Insights-Bericht erstellen, bietet Ihnen Data Wrangler die Möglichkeit, eine Zielspalte auszuwählen. Eine Zielspalte ist eine Spalte, die Sie voraussagen möchten. Wenn Sie eine Zielspalte auswählen, erstellt Data Wrangler automatisch eine Zielspaltenanalyse. Außerdem werden die Merkmale in der Reihenfolge ihrer Voraussagekraft eingestuft. Wenn Sie eine Zielspalte auswählen, müssen Sie angeben, ob Sie versuchen, ein Regressions- oder ein Klassifizierungsproblem zu lösen.
Zur Klassifizierung zeigt Data Wrangler eine Tabelle und ein Histogramm der gängigsten Klassen. Eine Klasse ist eine Kategorie. Sie enthält auch Beobachtungen oder Zeilen mit einem fehlenden oder ungültigen Zielwert.
Für die Regression zeigt Data Wrangler ein Histogramm aller Werte in der Zielspalte. Sie enthält auch Beobachtungen oder Zeilen mit einem fehlenden, ungültigen oder einem Ausreißer-Zielwert.
### Quick-Modell
Das **Quick-Modell** bietet eine Schätzung der erwarteten vorausgesagten Qualität eines Modells, das Sie anhand Ihrer Daten trainieren.
Data Wrangler teilt Ihren Datensatz in Trainings- und Validierungsbereiche auf. Es verwendet 80 % der Stichproben für das Training und 20 % der Werte für die Validierung. Zur Klassifizierung wird die Stichprobe stratifiziert und aufgeteilt. Bei einer stratifizierten Aufteilung hat jede Datenpartition das gleiche Verhältnis von Beschriftungen. Bei Klassifikationsproblemen ist es wichtig, dass das gleiche Verhältnis der Beschriftungen zwischen den Kategorien Training und Klassifikationsbereiche eingehalten wird. Data Wrangler trainiert das XGBoost Modell mit den Standard-Hyperparametern. Es stoppt die Validierungsdaten frühzeitig und führt nur eine minimale Vorverarbeitung der Merkmale durch.
Bei Klassifikationsmodellen gibt Data Wrangler sowohl eine Modellzusammenfassung als auch eine Konfusionsmatrix zurück.
Weitere Informationen zu den Informationen, die die Zusammenfassung des Klassifikationsmodells zurückgibt, finden Sie unter [Definitionen](#canvas-data-insights-definitions).
Eine Konfusionsmatrix enthält die folgenden Informationen:
+ Gibt an, wie oft die vorausgesagte Beschriftung mit der wahren Beschriftung übereinstimmt.
+ Gibt an, wie oft die vorausgesagte Beschriftung mit der wahren Beschriftung nicht übereinstimmt.
Die wahre Beschriftung stellt eine tatsächliche Beobachtung in Ihren Daten dar. Wenn Sie beispielsweise ein Modell zur Erkennung betrügerischer Transaktionen verwenden, steht das True Label für eine Transaktion, die tatsächlich betrügerisch oder nicht betrügerisch ist. Das vorausgesagte Beschriftung steht für die Beschriftung, das Ihr Modell den Daten zuweist.
Anhand der Konfusionsmatrix können Sie ermitteln, wie gut das Modell das Vorliegen oder Nichtvorliegen einer Bedingung voraussagt. Wenn Sie betrügerische Transaktionen voraussagen, können Sie die Konfusionsmatrix verwenden, um sich ein Bild von der Sensibilität und Spezifität des Modells zu machen. Die Sensibilität bezieht sich auf die Fähigkeit des Modells, betrügerische Transaktionen zu erkennen. Die Spezifität bezieht sich auf die Fähigkeit des Modells, zu verhindern, dass nicht betrügerische Transaktionen als betrügerisch erkannt werden.
### Übersicht der Funktionen
Wenn Sie eine Zielspalte angeben, ordnet Data Wrangler die Funktionen nach ihrer Voraussagekraft. Die Voraussagekraft wird anhand der Daten gemessen, nachdem sie zu 80 % in Trainingseinheiten und zu 20 % in Validierungsstufen aufgeteilt ist. Data Wrangler passt ein Modell für jedes Merkmal separat im Trainingsbereich an. Es wendet nur eine minimale Merkmalsvorverarbeitung an und misst die Voraussageleistung anhand der Validierungsdaten.
Es normalisiert die Werte auf den Bereich [0,1]. Höhere Voraussagewerte weisen auf Spalten hin, die für die Voraussage des Ziels allein nützlicher sind. Niedrigere Werte weisen auf Spalten hin, die keine Voraussage für die Zielspalte bieten.
Es ist ungewöhnlich, dass eine Spalte, die für sich genommen nicht prädiktiv ist, prädiktiv ist, wenn sie zusammen mit anderen Spalten verwendet wird. Sie können die Voraussagewerte getrost verwenden, um zu bestimmen, ob eine Funktion in Ihrem Datensatz prädiktiv ist.
Ein niedriger Wert weist normalerweise darauf hin, dass die Funktion überflüssig ist. Ein Wert von 1 impliziert perfekte Voraussagefähigkeiten, was häufig auf undichte Zielstellen hindeutet. Undichte Zielstellen treten normalerweise auf, wenn der Datensatz eine Spalte enthält, die zum Voraussagezeitpunkt nicht verfügbar ist. Es könnte sich beispielsweise um ein Duplikat der Zielspalte handeln.
### Beispiele
Data Wrangler liefert Informationen darüber, ob Ihre Stichproben anomal sind oder ob Ihr Datensatz Duplikate enthält.
Data Wrangler erkennt anomale Proben mithilfe des *Isolation-Forest-Algorithmus*. Der Isolation Forest ordnet jeder Stichprobe (Zeile) des Datensatzes einen Anomaliewert zu. Niedrige Anomaliewerte deuten auf anomale Proben hin. Hohe Werte stehen im Zusammenhang mit Proben, die nicht anomale Werte aufweisen. Proben mit einem negativen Anomaliewert gelten in der Regel als anomal und Proben mit einem positiven Anomaliewert gelten als nicht anomal.
Wenn Sie sich eine Probe ansehen, die möglicherweise anomal ist, empfehlen wir Ihnen, auf ungewöhnliche Werte zu achten. Beispielsweise könnten Sie ungewöhnliche Werte haben, die auf Fehler bei der Erfassung und Verarbeitung der Daten zurückzuführen sind. Im Folgenden finden Sie ein Beispiel für die anomalsten Stichproben gemäß der Implementierung des Isolation-Forest-Algorithmus durch Data Wrangler. Wir empfehlen, bei der Untersuchung der anomalen Stichproben Fachwissen und Geschäftslogik zu verwenden.
Data Wrangler erkennt doppelte Zeilen und berechnet das Verhältnis doppelter Zeilen in Ihren Daten. Einige Datenquellen könnten gültige Duplikate enthalten. Andere Datenquellen könnten Duplikate enthalten, die auf Probleme bei der Datensammlung hinweisen. Doppelte Stichproben, die aus einer fehlerhaften Datensammlung resultieren, könnten Machine-Learning-Prozesse beeinträchtigen, die auf der Aufteilung der Daten in unabhängige Trainings- und Validierungsbereiche beruhen.
Im Folgenden sind Elemente des Insights-Berichts aufgeführt, die durch doppelte Stichproben beeinträchtigt werden können:
+ Quick-Modell
+ Schätzung der Voraussageleistung
+ Automatische Hyperparameteroptimierung
Mithilfe der Transformation **Drop-Duplikat** unter **Zeilen verwalten** können Sie doppelte Stichproben aus dem Datensatz entfernen. Data Wrangler zeigt Ihnen die am häufigsten duplizierten Zeilen.
### Definitionen
Im Folgenden finden Sie Definitionen für die Fachbegriffe, die im Data Insights-Bericht verwendet werden.
------
#### [ Feature types ]
Im Folgenden finden Sie die Definitionen für die einzelnen Funktionstypen:
+ **Numerisch** – Numerische Werte können entweder Gleitkommazahlen oder ganze Zahlen sein, z. B. Alter oder Einkommen. Bei Machine-Learning-Modellen wird davon ausgegangen, dass numerische Werte geordnet sind und eine Entfernung zwischen ihnen definiert ist. Zum Beispiel ist 3 näher an 4 als an 10 und 3 < 4 < 10.
+ **Kategorisch** – Die Spalteneinträge gehören zu einer Gruppe eindeutiger Werte, die normalerweise viel kleiner ist als die Anzahl der Einträge in der Spalte. Eine Spalte mit der Länge 100 könnte beispielsweise die eindeutigen Werte `Dog`, `Cat` und `Mouse` enthalten. Die Werte können numerisch, Text oder eine Kombination aus beidem sein. `Horse`, `House`, `8`, `Love` und `3.1` wären alle gültige Werte und könnten in derselben kategorischen Spalte gefunden werden. Beim Machine-Learning-Modell wird im Gegensatz zu numerischen Features nicht von der Reihenfolge oder Entfernung der Werte kategorischer Features ausgegangen, selbst wenn es sich bei allen Werten um Zahlen handelt.
+ **Binär** – Binäre Funktionen sind ein besonderer kategorischer Featuretyp, bei dem die Kardinalität der Menge von eindeutigen Werten 2 ist.
+ **Text** – Eine Textspalte enthält viele nicht numerische eindeutige Werte. In extremen Fällen sind alle Elemente der Spalte eindeutig. Im Extremfall sind keine zwei Einträge identisch.
+ **DateTime** – Eine DateTime-Spalte enthält Informationen über das Datum oder die Uhrzeit. Es kann sowohl Informationen zum Datum als auch zur Uhrzeit enthalten.
------
#### [ Feature statistics ]
Im Folgenden finden Sie die Definitionen für die einzelnen Funktionsstatistiken:
+ **Vorhersagekraft** – Die Voraussagestärke gibt an, wie nützlich die Spalte für die Voraussage des Ziels ist.
+ **Ausreißer** (in numerischen Spalten) – Data Wrangler erkennt Ausreißer anhand von zwei Statistiken, die robust gegenüber Ausreißern sind: Median und robuste Standardabweichung (RSTD). RSTD wird abgeleitet, indem die Feature-Werte auf den Bereich [5 Perzentil, 95 Perzentil] zugeschnitten und die Standardabweichung des beschnittenen Vektors berechnet wird. Alle Werte, die größer als Median \$1 5 \$1 RSTD oder kleiner als Median - 5 \$1 RSTD sind, gelten als Ausreißer.
+ **Schief** (in numerischen Spalten) – Die Schiefe misst die Symmetrie der Verteilung und ist definiert als das dritte Moment der Verteilung geteilt durch die dritte Potenz der Standardabweichung. Die Schiefe der Normalverteilung oder einer anderen symmetrischen Verteilung ist Null. Positive Werte bedeuten, dass das rechte Ende der Verteilung länger ist als das linke Ende. Positive Werte bedeuten, dass das rechte Ende der Verteilung länger ist als das linke Ende. Als Faustregel gilt, dass eine Verteilung als schief betrachtet wird, wenn der absolute Wert der Schräglage größer als 3 ist.
+ **Kurtosis** (in numerischen Spalten) – Die Kurtosis nach Pearson gibt an, wie schwer das Ende der Verteilung ist. Sie ist definiert als der vierte Moment der Verteilung geteilt durch das Quadrat des zweiten Moments. Die Kurtosis der Normalverteilung ist 3. Kurtosis-Werte unter 3 bedeuten, dass sich die Verteilung um den Mittelwert herum konzentriert und die Randbereiche schwächer sind als die Randbereiche der Normalverteilung. Kurtosis-Werte über 3 deuten auf stärkere Randbereiche oder Ausreißer hin.
+ **Fehlende Werte** – Nullähnliche Objekte, leere Zeichenketten und Zeichenketten, die nur aus Leerzeichen bestehen, werden als fehlend betrachtet.
+ **Gültige Werte für numerische Features oder Regressionsziele** – Alle Werte, die Sie in endliche Gleitkommazahlen umwandeln können, sind gültig. Fehlende Werte sind nicht gültig.
+ **Gültige Werte für kategorische, binäre oder Textmerkmale oder für Klassifizierungsziele** – Alle Werte, die nicht fehlen, sind gültig.
+ **DateTime-Funktionen** – Alle Werte, die Sie in ein DateTime-Objekt umwandeln können, sind gültig. Fehlende Werte sind nicht gültig.
+ **Ungültige Werte** – Werte, die entweder fehlen oder die Sie nicht richtig umwandeln können. In einer numerischen Spalte können Sie beispielsweise die Zeichenfolge `"six"` oder einen Nullwert nicht umwandeln.
------
#### [ Quick model metrics for regression ]
Im Folgenden finden Sie die Definitionen für die Quick-Modellmetriken:
+ R2 (oder Bestimmtheitskoeffizient) – R2 ist der Anteil der Variation im Zielwert, der vom Modell vorausgesagt wird. R2 liegt im Bereich von [-infty, 1]. 1 ist der Wert des Modells, das den Sollwert perfekt voraussagt, und 0 ist der Wert des trivialen Modells, das immer den Zielmittelwert voraussagt.
+ MSE oder mittlerer quadratischer Fehler – MSE liegt im Bereich [0, infty]. 0 ist der Wert des Modells, das das Ziel perfekt voraussagt.
+ MAE oder mittlerer absoluter Fehler – MAE liegt im Bereich [0, infty], wobei 0 der Wert des Modells ist, das das Ziel perfekt voraussagt.
+ RMSE oder Root Mean Square Error, die Standardabweichung – MSE liegt im Bereich [0, infty]. 0 ist der Wert des Modells, das das Ziel perfekt voraussagt.
+ Maximaler Fehler – Der maximale Absolutwert des Fehlers im Datensatz. Der maximale Fehler liegt im Bereich [0, infty]. 0 ist der Wert des Modells, das das Ziel perfekt voraussagt.
+ Mittlerer absoluter Fehler – Der mittlere absolute Fehler liegt im Bereich [0, infty], wobei 0 der Wert des Modells ist, das das Ziel perfekt voraussagt.
------
#### [ Quick model metrics for classification ]
Im Folgenden finden Sie die Definitionen für die Quick-Modellmetriken:
+ **Genauigkeit** – Genauigkeit ist das Verhältnis der Stichproben, die genau vorausgesagt wurden. Die Genauigkeit liegt im Bereich [0, 1]. 0 ist der Wert des Modells, das alle Stichproben falsch voraussagt, und 1 ist der Wert des perfekten Modells.
+ **Ausgewogene Genauigkeit** – Ausgewogene Genauigkeit ist das Verhältnis der Stichproben, die genau vorausgesagt werden, wenn die Klassengewichtungen angepasst werden, um die Daten auszugleichen. Allen Klassen wird unabhängig von ihrer Häufigkeit die gleiche Bedeutung beigemessen. Die ausgewogene Genauigkeit liegt im Bereich [0, 1]. 0 ist der Wert des Modells, das alle Stichproben falsch voraussagt, und 1 ist der Wert des perfekten Modells.
+ **AUC (binäre Klassifikation)** – Dies ist der Bereich unter der Betriebskennlinie des Empfängers. AUC liegt im Bereich [0, 1], in dem ein Zufallsmodell einen Wert von 0,5 und das perfekte Modell einen Wert von 1 zurückgibt.
+ **AUC (OVR)** – Bei der Mehrklassen-Klassifizierung ist dies der Bereich unter der Betriebskennlinie des Empfängers, der für jede Beschriftung separat berechnet wird, wobei eins im Vergleich zum Rest verwendet wird. Data Wrangler gibt den Durchschnitt der Flächen an. AUC liegt im Bereich [0, 1], in dem ein Zufallsmodell einen Wert von 0,5 und das perfekte Modell einen Wert von 1 zurückgibt.
+ **Präzision** – Die Präzision ist für eine bestimmte Klasse definiert. Präzision ist der Anteil der wirklich positiven Ergebnisse aller Instances, die das Modell als diese Klasse klassifiziert hat. Die Präzision liegt im Bereich [0, 1]. 1 ist der Wert des Modells, das keine falsch positiven Ergebnisse für die Klasse aufweist. Für die binäre Klassifikation gibt Data Wrangler die Präzision der positiven Klasse an.
+ **Erinnerungswert** – Der Erinnerungswert ist für eine bestimmte Klasse definiert. Der Erinnerungswert ist der Bruchteil der relevanten Klassen-Instances, die erfolgreich abgerufen wurden. Erinnerungswert liegt im Bereich [0, 1]. 1 ist der Wert des Modells, das alle Instances der Klasse korrekt klassifiziert. Für die binäre Klassifikation gibt Data Wrangler den Erinnerungswert der positiven Klasse an.
+ **F1** – F1 ist für eine bestimmte Klasse definiert. Sie ist das harmonische Mittel zwischen Präzision und Erinnerungswert. F1 liegt im Bereich [0, 1]. 1 ist der Wert des perfekten Modells. Für die binäre Klassifikation gibt Data Wrangler den F1-Wert für Klassen mit positiven Werten an.
------
#### [ Textual patterns ]
**Muster** beschreiben das Textformat einer Zeichenfolge in einem leicht lesbaren Format. Es folgen Beispiele für Textmuster:
+ „\$1digits:4-7\$1“ beschreibt eine Folge von Ziffern mit einer Länge zwischen 4 und 7.
+ „\$1alnum:5\$1“ beschreibt eine alphanumerische Zeichenfolge mit einer Länge von genau 5.
Data Wrangler leitet die Muster ab, indem es Stichproben von nicht leeren Zeichenketten aus Ihren Daten betrachtet. Es kann viele der häufig verwendeten Muster beschreiben. Das als Prozentsatz ausgedrückte **Vertrauen** gibt an, wie viele der Daten schätzungsweise mit dem Muster übereinstimmen. Anhand des Textmusters können Sie erkennen, welche Zeilen in Ihren Daten Sie korrigieren oder löschen müssen.
Im Folgenden werden die Muster beschrieben, die Data Wrangler erkennen kann:
| Muster | Textformat |
| --- | --- |
| \$1alnum\$1 | Alphanumerische Zeichenfolge |
| \$1any\$1 | Beliebige Zeichenfolge aus Wörtern |
| \$1digits\$1 | Eine Ziffernfolge |
| \$1lower\$1 | Ein kleingeschriebenes Wort |
| \$1mixed\$1 | Ein Wort mit gemischter Groß- und Kleinschreibung |
| \$1name\$1 | Ein Wort, das mit einem Großbuchstaben beginnt |
| \$1upper\$1 | Ein Wort in Großbuchstaben |
| \$1whitespace\$1 | Whitespace-Zeichen |
Ein Wortzeichen ist entweder ein Unterstrich oder ein Zeichen, das in einem Wort in einer beliebigen Sprache vorkommen kann. Beispielsweise bestehen die Zeichenfolgen `'Hello_word'` und `'écoute'` beide aus Wortzeichen. „H“ und „é“ sind beide Beispiele für Wortzeichen.
------
## Bericht über Verzerrungen
SageMaker Canvas stellt den Bias-Bericht in Data Wrangler bereit, mit dem Sie potenzielle Verzerrungen in Ihren Daten aufdecken können. Der Bias-Bericht analysiert die Beziehung zwischen der Zielspalte (Label) und einer Spalte, von der Sie vermuten, dass sie Voreingenommenheit enthält (Facettenvariable). Wenn Sie beispielsweise versuchen, die Kundenkonversion vorherzusagen, könnte Ihre Facettenvariable das Alter des Kunden sein. Der Bias-Bericht kann Ihnen dabei helfen, festzustellen, ob Ihre Daten in Bezug auf eine bestimmte Altersgruppe verzerrt sind.
Um einen Bias-Bericht in Canvas zu erstellen, gehen Sie wie folgt vor:
1. Wählen Sie in Ihrem Datenfluss in Data Wrangler das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) neben einem Knoten im Flow aus.
1. Wählen Sie im Kontextmenü die Option **Daten-Insights erhalten** aus.
1. Der Seitenbereich **Analyse erstellen** wird geöffnet. Wählen Sie im Dropdown-Menü **Analysetyp** die Option **Bias-Bericht** aus.
1. Geben Sie im Feld **Analysename** einen Namen für den Bias-Bericht ein.
1. Wählen Sie im Dropdown-Menü **Spalte auswählen, die Ihr Modell vorhersagt (Ziel)** Ihre Zielspalte aus.
1. Wählen Sie für **Ist Ihre vorhergesagte Spalte ein Wert oder ein Schwellenwert?** die Option **Wert** aus, wenn Ihre Zielspalte kategoriale Werte enthält, oder **Schwellenwert**, wenn sie numerische Werte enthält.
1. Geben Sie für **Prognostizierter Wert** (oder **Prognostizierter Schwellenwert**, abhängig von Ihrer Auswahl im vorherigen Schritt) den oder die Zielspaltenwerte ein, die einem positiven Ergebnis entsprechen. Wenn Sie beispielsweise die Kundenkonversion prognostizieren, könnte Ihr Wert `yes` lauten, um anzuzeigen, dass ein Kunde konvertiert wurde.
1. Wählen Sie im Dropdown-Menü **Spalte zur Analyse der Verzerrung auswählen** die Spalte aus, von der Sie vermuten, dass sie eine Verzerrung enthält, auch bekannt als Facettenvariable.
1. Wählen Sie für **Ist Ihre Spalte ein Wert oder ein Schwellenwert?** die Option **Wert** aus, wenn die Facettenvariable kategoriale Werte enthält, oder **Schwellenwert**, wenn sie numerische Werte enthält.
1. Geben Sie für die **Spaltenwerte, die auf Verzerrung analysiert werden sollen** (oder den **Spaltenschwellenwert, der auf Verzerrung analysiert werden soll**, je nach Ihrer Auswahl im vorherigen Schritt), den Wert oder die Werte ein, die Sie auf mögliche Voreingenommenheit analysieren möchten. Wenn Sie beispielsweise nach einer Verzerrung gegenüber Kunden ab einem bestimmten Alter suchen, verwenden Sie den Anfang dieses Altersbereichs als Schwellenwert.
1. Wählen Sie unter **Verzerrungsmetriken** auswählen die Messwerte aus, die Sie in Ihren Bias-Bericht aufnehmen möchten. Bewegen Sie den Mauszeiger über die Info-Symbole, um weitere Informationen zu den einzelnen Metriken zu erhalten.
1. (Optional) Wenn Sie gefragt werden: **Möchten Sie zusätzliche Metriken analysieren?**, wählen Sie **Ja** aus, um weitere Verzerrungsmetriken anzuzeigen und einzubeziehen.
1. Wenn Sie bereit sind, den Bias-Bericht zu erstellen, klicken Sie auf **Hinzufügen**.
Nach der Generierung bietet Ihnen der Bericht einen Überblick über die ausgewählten Verzerrungsmetriken. Sie können den Bias-Bericht jederzeit auf der Registerkarte **Analysen** Ihres Datenflusses einsehen.
## Histogramm
Verwenden Sie Histogramme, um die Anzahl der Feature-Werte für ein bestimmtes Feature zu ermitteln. Mit der Option **Farbe nach** können Sie die Beziehungen zwischen Features überprüfen.
Sie können die Funktion **Facette nach** verwenden, um Histogramme einer Spalte für jeden Wert in einer anderen Spalte zu erstellen.
## Streudiagramm
Verwenden Sie die **Streudiagramm**, um die Beziehung zwischen Features zu untersuchen. Um ein Streudiagramm zu erstellen, wählen Sie ein Feature aus, das auf der **X-Achse** und **Y-Achse** dargestellt werden soll. Bei beiden Spalten muss es sich um numerische Spalten handeln.
Sie können Streudiaramme anhand einer zusätzlichen Spalte einfärben.
Darüber hinaus können Sie Streudiagramme nach Merkmalen facettieren.
## Tabellenzusammenfassung
Verwenden Sie die Analyse mit der **Tabellenzusammenfassung**, um Ihre Daten schnell zusammenzufassen.
Für Spalten mit numerischen Daten, einschließlich Logarithmus- und Float-Daten, gibt eine Tabellenzusammenfassung die Anzahl der Einträge (Anzahl), Minimum (min), Maximum (max), Mittelwert und Standardabweichung (stddev) für jede Spalte an.
Für Spalten mit nicht numerischen Daten, einschließlich Spalten mit Zeichenfolgen, Booleschen Werten oder date/time Daten, gibt eine Tabellenzusammenfassung die Anzahl der Einträge (Anzahl), den seltensten Wert (min) und den häufigsten Wert (max.) an.
## Quick-Modell
Verwenden Sie die **Schnellmodell**-Visualisierung, um Ihre Daten schnell auszuwerten und Wichtigkeitswerte für jedes Feature zu erstellen. Ein [Wert für die Wichtigkeit eines Merkmals](http://spark.apache.org/docs/2.1.0/api/python/pyspark.ml.html#pyspark.ml.classification.DecisionTreeClassificationModel.featureImportances) gibt an, wie nützlich ein Feature bei der Vorhersage einer Zielbezeichnung ist. Der Wert für die Wichtigkeit eines Merkmals liegt zwischen [0, 1] und eine höhere Zahl gibt an, dass das Merkmal für den gesamten Datensatz wichtiger ist. Oben im Schnellmodelldiagramm befindet sich eine Modellbewertung. Ein Klassifizierungsproblem zeigt einen F1-Wert. Ein Regressionsproblem hat einen mittleren quadratischen Fehler (MSE).
Wenn Sie ein Schnellmodelldiagramm erstellen, wählen Sie einen Datensatz aus, den Sie auswerten möchten, und eine Zielbezeichnung, mit der die Bedeutung der Merkmale verglichen werden soll. Data Wrangler führt Folgendes aus:
+ Leitet die Datentypen für die Zielbeschriftung und jedes Feature im ausgewählten Datensatz ab.
+ Bestimmt den Problemtyp. Basierend auf der Anzahl der unterschiedlichen Werte in der Beschriftungsspalte bestimmt Data Wrangler, ob es sich um einen Regressions- oder Klassifikationsproblemtyp handelt. Data Wrangler legt einen kategorialen Schwellenwert auf 100 fest. Wenn die Beschriftungsspalte mehr als 100 unterschiedliche Werte enthält, klassifiziert Data Wrangler dies als Regressionsproblem. Andernfalls wird es als Klassifikationsproblem klassifiziert.
+ Verarbeitet Merkmale vor und kennzeichnet Daten für das Training. Der verwendete Algorithmus erfordert die Kodierung von Merkmalen nach Vektortyp und die Kodierung von Beschriftungen nach doppeltem Typ.
+ Trainiert einen Random-Forest-Algorithmus mit 70% der Daten. Spark's [RandomForestRegressor](https://spark.apache.org/docs/latest/ml-classification-regression.html#random-forest-regression)wird verwendet, um ein Modell für Regressionsprobleme zu trainieren. Das [RandomForestClassifier](https://spark.apache.org/docs/latest/ml-classification-regression.html#random-forest-classifier)wird verwendet, um ein Modell für Klassifikationsprobleme zu trainieren.
+ Wertet ein Random-Forest-Modell mit den verbleibenden 30% der Daten aus. Data Wrangler bewertet Klassifikationsmodelle anhand eines F1-Scores und Regressionsmodelle anhand eines MSE-Scores.
+ Berechnet die Merkmalsbedeutung für jedes Merkmal mithilfe der Gini-Wichtigkeitsmethode.
## Target Leakage
Eine Zielleckage tritt auf, wenn ein Trainingsdatensatz für Machine Learning Daten enthält, die stark mit der Zielbeschriftung korrelieren, aber in realen Daten nicht verfügbar sind. Beispielsweise können Sie eine Spalte in Ihrem Datensatz haben, die als Proxy für die Spalte dient, die Sie mit Ihrem Modell vorhersagen möchten.
Wenn Sie die **Zielleckageanalyse** verwenden, geben Sie Folgendes an:
+ **Ziel**: Dies ist die Funktion, für die Ihr ML-Modell Vorhersagen treffen soll.
+ **Problemtyp**: Dies ist der ML-Problemtyp, an dem Sie gerade arbeiten. Der Problemtyp kann entweder **Klassifikation** oder **Regression** sein.
+ (Optional) **Maximale Anzahl an Features**: Dies ist die maximale Anzahl von Features, die in der Visualisierung dargestellt werden sollen. Dabei werden die Features nach ihrem Risiko, dass es sich um eine Zielleckage handelt, sortiert dargestellt.
Für die Klassifizierung verwendet die Analyse der Zielleckage die Fläche unter der Betriebseigenschaft des Empfängers oder die AUC-ROC-Kurve für jede Spalte, bis hin zu **Max. Merkmalen**. Für die Regression wird ein Bestimmtheitskoeffizient oder eine R2-Metrik verwendet.
Die AUC-ROC-Kurve bietet eine prädiktive Metrik, die anhand einer Stichprobe von bis zu etwa 1000 Zeilen für jede Spalte mithilfe einer Kreuzvalidierung einzeln berechnet wird. Ein Wert von 1 weist auf perfekte Vorhersagefähigkeiten hin, was häufig auf eine Zielleckage hindeutet. Ein Wert von 0,5 oder weniger bedeutet, dass die Informationen in der Spalte für sich genommen keine nützlichen Informationen für die Vorhersage des Ziels liefern konnten. Es kann zwar vorkommen, dass eine Spalte für sich genommen nicht aussagekräftig ist, aber bei der Vorhersage des Ziels nützlich ist, wenn sie zusammen mit anderen Merkmalen verwendet wird, könnte ein niedriger Wert darauf hindeuten, dass das Merkmal überflüssig ist.
## Multikollinearität
Multikollinearität ist ein Umstand, bei dem zwei oder mehr Prädiktorvariablen miteinander in Beziehung stehen. Die Prädiktorvariablen sind die Features in Ihrem Datensatz, die Sie zur Vorhersage einer Zielvariablen verwenden. Wenn Sie über Multikollinearität verfügen, können die Prädiktorvariablen nicht nur die Zielvariable vorhersagen, sondern sich auch gegenseitig vorhersagen.
Sie können den **Varianzinflationsfaktor (VIF)**, die **Hauptkomponentenanalyse (PCA)** oder die **Lasso-Feature-Auswahl** als Messgrößen für die Multikollinearität in Ihren Daten verwenden. Weitere Informationen finden Sie unter den folgenden Topics.
------
#### [ Variance Inflation Factor (VIF) ]
Der Varianzinflationsfaktor (VIF) ist ein Maß für die Kollinearität zwischen Variablenpaaren. Data Wrangler gibt einen VIF-Score als Maß dafür zurück, wie eng die Variablen miteinander verwandt sind. Ein VIF-Score ist eine positive Zahl, die größer oder gleich 1 ist.
Ein Wert von 1 bedeutet, dass die Variable nicht mit den anderen Variablen korreliert. Werte über 1 weisen auf eine höhere Korrelation hin.
Theoretisch können Sie einen VIF-Wert mit dem Wert unendlich haben. Data Wrangler kürzt Highscores auf 50. Wenn Sie einen VIF-Wert von mehr als 50 haben, setzt Data Wrangler den Wert auf 50.
Sie können die folgenden Richtlinien verwenden, um Ihre VIF-Ergebnisse zu interpretieren:
+ Ein VIF-Wert von weniger als oder gleich 5 bedeutet, dass die Variablen moderat mit den anderen Variablen korrelieren.
+ Ein VIF-Wert größer oder gleich 5 weist darauf hin, dass die Variablen stark mit den anderen Variablen korreliert sind.
------
#### [ Principle Component Analysis (PCA) ]
Die Hauptkomponentenanalyse (PCA) misst die Varianz der Daten entlang verschiedener Richtungen im Feature-Raum. Der Feature-Raum besteht aus allen Prädiktorvariablen, die Sie zur Vorhersage der Zielvariablen in Ihrem Datensatz verwenden.
Wenn Sie beispielsweise versuchen, vorherzusagen, wer auf der *RMS Titanic* überlebt hat, nachdem sie auf einen Eisberg gestoßen ist, kann Ihr Feature-Raum das Alter, das Geschlecht und den von ihnen bezahlten Fahrpreis der Passagiere enthalten.
Aus dem Feature-Raum generiert PCA eine geordnete Varianzliste. Diese Varianzen werden auch als singuläre Werte bezeichnet. Die Werte in der Varianzliste sind größer oder gleich 0. Wir können sie verwenden, um zu bestimmen, wie viel Multikollinearität in unseren Daten enthalten ist.
Wenn die Zahlen ungefähr einheitlich sind, weisen die Daten nur sehr wenige Fälle von Multikollinearität auf. Wenn es eine große Variabilität zwischen den Werten gibt, haben wir viele Fälle von Multikollinearität. Bevor Data Wrangler die PCA durchführt, normalisiert es jedes Feature so, dass es einen Mittelwert von 0 und eine Standardabweichung von 1 hat.
**Anmerkung**
PCA kann unter diesen Umständen auch als Singulärwert-Zerlegung (SVD) bezeichnet werden.
------
#### [ Lasso feature selection ]
Die Lasso-Feature-Auswahl verwendet die L1-Regularisierungstechnik, um nur die prädiktivsten Feature in Ihren Datensatz aufzunehmen.
Sowohl für die Klassifikation als auch für die Regression generiert die Regularisierungstechnik einen Koeffizienten für jedes Feature. Der absolute Wert des Koeffizienten liefert eine Wichtigkeitsbewertung für das Feature. Ein höherer Wichtigkeitswert bedeutet, dass er die Zielvariable besser vorhersagt. Eine gängige Methode zur Feature-Auswahl besteht darin, alle Merkmale zu verwenden, deren Lassokoeffizient ungleich Null ist.
------
## Erkennen von Anomalien in Zeitreihendaten
Sie können die Visualisierung zur Erkennung von Anomalien verwenden, um Ausreißer in Ihren Zeitreihendaten zu erkennen. Um zu verstehen, was eine Anomalie ausmacht, müssen Sie verstehen, dass wir die Zeitreihe in einen prognostizierten Term und einen Fehlerterm zerlegen. Wir behandeln die Saisonalität und den Trend der Zeitreihe als den vorhergesagten Term. Wir behandeln die Residuen als Fehlerterm.
Für den Fehlerterm geben Sie einen Schwellenwert als Anzahl der Standardabweichungen an, bei denen das Residuum vom Mittelwert abweichen kann, sodass es als Anomalie betrachtet wird. Sie können beispielsweise einen Schwellenwert mit 3 Standardabweichungen festlegen. Jedes Residuum, das mehr als 3 Standardabweichungen vom Mittelwert entfernt ist, ist eine Anomalie.
Sie können das folgende Verfahren verwenden, um eine Analyse zur **Erkennung von Anomalien** durchzuführen.
1. Öffnen Sie Ihren Data Wrangler-Datenfluss.
1. Wählen Sie in Ihrem Datenfluss unter **Datentypen** das **\$1** und dann **Analyse hinzufügen** aus.
1. Wählen Sie als **Analysetyp** die Option **Zeitreihe** aus.
1. Wählen Sie für **Visualisierung** die Option **Anomalieerkennung** aus.
1. Wählen Sie für **Schwellenwert für Anomalien** den Schwellenwert aus, ab dem ein Wert als Anomalie betrachtet wird.
1. Wählen Sie **Vorschau**, um eine Vorschau der Analyse zu erstellen.
1. Wählen Sie **Hinzufügen**, um die Transformation zum Data Wrangler-Datenfluss hinzuzufügen.
## Zerlegung saisonaler Trends in Zeitreihendaten
Mithilfe der Visualisierung der saisonalen Trendzerlegung können Sie feststellen, ob Ihre Zeitreihendaten saisonabhängig sind. Wir verwenden die STL-Methode (Seasonal Trend Decomposition using LOESS), um die Zerlegung durchzuführen. Wir zerlegen die Zeitreihe in ihre Saison-, Trend- und Restkomponenten. Der Trend spiegelt den langfristigen Verlauf der Reihe wider. Die saisonale Komponente ist ein Signal, das sich in einem bestimmten Zeitraum wiederholt. Nachdem Sie den Trend und die saisonalen Komponenten aus der Zeitreihe entfernt haben, haben Sie das Residuum.
Sie können das folgende Verfahren verwenden, um eine **saisonale Trendanalyse der Zerlegung** durchzuführen.
1. Öffnen Sie Ihren Data Wrangler-Datenfluss.
1. Wählen Sie in Ihrem Datenfluss unter **Datentypen** das **\$1** und dann **Analyse hinzufügen** aus.
1. Wählen Sie als **Analysetyp** die Option **Zeitreihe** aus.
1. Wählen Sie für **Visualisierung** die Option **Saisonale Trendzerlegung** aus.
1. Wählen Sie für Schwellenwert für **Anomalien den Schwellenwert** aus, ab dem ein Wert als Anomalie betrachtet wird.
1. Wählen Sie **Vorschau**, um eine Vorschau der Analyse zu erstellen.
1. Wählen Sie **Hinzufügen**, um die Transformation zum Data Wrangler-Datenfluss hinzuzufügen.
## Erstellen benutzerdefinierter Visualisierungen
Sie können Ihrem Data Wrangler-Flow eine Analyse hinzufügen, um eine benutzerdefinierte Visualisierung zu erstellen. Ihr Datensatz mit allen Transformationen, die Sie angewendet haben, ist als [ DataFramePandas](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.html) verfügbar. Data Wrangler verwendet die `df` Variable, um den Datenrahmen zu speichern. Sie greifen auf den Datenrahmen zu, indem Sie die Variable aufrufen.
Sie müssen die Ausgabevariable, `chart`, angeben um ein [Altair](https://altair-viz.github.io/)-Ausgabediagramm zu speichern. Sie können beispielsweise den folgenden Codeblock verwenden, um mithilfe des Titanic-Datensatzes ein benutzerdefiniertes Histogramm zu erstellen.
```
import altair as alt
df = df.iloc[:30]
df = df.rename(columns={"Age": "value"})
df = df.assign(count=df.groupby('value').value.transform('count'))
df = df[["value", "count"]]
base = alt.Chart(df)
bar = base.mark_bar().encode(x=alt.X('value', bin=True, axis=None), y=alt.Y('count'))
rule = base.mark_rule(color='red').encode(
x='mean(value):Q',
size=alt.value(5))
chart = bar + rule
```
**So erstellen Sie eine benutzerdefinierte Visualisierung:**
1. Wählen Sie neben dem Knoten, der die Transformation enthält, die Sie visualisieren möchten, das **\$1** aus.
1. Wählen Sie **Analyse hinzufügen** aus.
1. Wählen Sie als **Analysetyp** die Option **Benutzerdefinierte Visualisierung** aus.
1. Geben Sie unter **Analysename** einen Namen ein.
1. Geben Sie Ihren Code in das Codefeld ein.
1. Wählen Sie **Vorschau**, um eine Vorschau Ihrer Visualisierung anzuzeigen.
1. Wählen Sie **Speichern**, um Ihre Visualisierung hinzuzufügen.
Wenn Sie nicht wissen, wie das Altair-Visualisierungspaket in Python verwendet wird, können Sie benutzerdefinierte Codefragmente verwenden, um Ihnen den Einstieg zu erleichtern.
Data Wrangler verfügt über eine durchsuchbare Sammlung von Visualisierungsschnipseln. Um ein Visualisierungs-Snippet zu verwenden, wählen Sie **Beispiel-Snippets suchen** und geben Sie eine Abfrage in der Suchleiste an.
Im folgenden Beispiel wird der Codeausschnitt **Binnendifferenzierte Streudiagramme** verwendet. Es zeichnet ein Histogramm für zwei Dimensionen.
Die Codefragmente enthalten Kommentare, die Ihnen helfen sollen, die Änderungen zu verstehen, die Sie am Code vornehmen müssen. Normalerweise müssen Sie die Spaltennamen Ihres Datensatzes im Code angeben.
```
import altair as alt
# Specify the number of top rows for plotting
rows_number = 1000
df = df.head(rows_number)
# You can also choose bottom rows or randomly sampled rows
# df = df.tail(rows_number)
# df = df.sample(rows_number)
chart = (
alt.Chart(df)
.mark_circle()
.encode(
# Specify the column names for binning and number of bins for X and Y axis
x=alt.X("col1:Q", bin=alt.Bin(maxbins=20)),
y=alt.Y("col2:Q", bin=alt.Bin(maxbins=20)),
size="count()",
)
)
# :Q specifies that label column has quantitative type.
# For more details on Altair typing refer to
# https://altair-viz.github.io/user_guide/encoding.html#encoding-data-types
```
# Transformieren von Daten
Amazon SageMaker Data Wrangler bietet zahlreiche ML-Datentransformationen, um die Bereinigung und Bereitstellung Ihrer Daten zu optimieren. Mit den interaktiven Tools zur Datenaufbereitung in Data Wrangler können Sie Datensätze beliebiger Größe mit einer Vielzahl von Sampling-Verfahren auswerten und innerhalb weniger Minuten mit der Analyse Ihrer Daten beginnen. Nachdem Sie Ihre Datentransformationen für die Stichprobendaten abgeschlossen haben, können Sie den Datenfluss skalieren, um diese Transformationen auf den gesamten Datensatz anzuwenden.
Wenn Sie eine Transformation hinzufügen, wird der Datenablauf um einen Schritt erweitert. Jede Transformation, die Sie hinzufügen, ändert Ihren Datensatz und erzeugt einen neuen Datenrahmen. Alle nachfolgenden Transformationen gelten für den resultierenden Datenrahmen.
Data Wrangler enthält integrierte Transformationen, mit denen Sie ohne Code Spalten transformieren können. Wenn Sie wissen, wie Sie Ihre Daten aufbereiten möchten, jedoch nicht wissen, wie Sie beginnen sollen oder welche Transformationen Sie verwenden sollen, können Sie die Chat-Funktion für die Datenaufbereitung nutzen, um mit Data Wrangler zu interagieren und Transformationen mithilfe natürlicher Sprache anzuwenden. Weitere Informationen finden Sie unter [Chat zur Datenvorbereitung](canvas-chat-for-data-prep.md).
Sie können auch benutzerdefinierte Transformationen mit PySpark Python (benutzerdefinierte Funktion), Pandas und SQL hinzufügen. PySpark Manche Transformationen erfolgen vor Ort, während andere in Ihrem Datensatz eine neue Ausgabespalte erstellen.
Sie können Transformationen auf mehrere Spalten gleichzeitig anwenden. Sie können z. B. mehrere Spalten in einem einzigen Schritt löschen.
Sie können die Transformationen **Numerisch verarbeiten** und **Fehlende Werte behandeln** nur auf eine einzelne Spalte anwenden.
Auf dieser Seite erfahren Sie mehr über die integrierten und benutzerdefinierten Transformationen, die Data Wrangler bietet.
## Datensätze verknüpfen
Sie können Datensätze direkt in Ihrem Datenfluss zusammenführen. Wenn Sie zwei Datensätze verknüpfen, wird der daraus resultierende verknüpfte Datensatz in Ihrem Datenablauf angezeigt. Die folgenden Join-Typen werden von Data Wrangler unterstützt.
+ **Links außen** – schließt alle Zeilen aus der linken Tabelle ein. Wenn der Wert für die Spalte, die mit einer Zeile in der linken Tabelle verknüpft ist, keinem Wert in einer Zeile in der rechten Tabelle entspricht, enthält diese Zeile Null-Werte für alle rechten Tabellenspalten in der verknüpften Tabelle.
+ **Links anti** – schließt Zeilen aus der linken Tabelle ein, die keine Werte für die verknüpfte Spalte in der rechten Tabelle enthalten.
+ **Links halb** – Schließt eine einzelne Zeile aus der linken Tabelle für alle identischen Zeilen ein, die die Kriterien in der Verknüpfungsanweisung erfüllen. So werden doppelte Zeilen aus der linken Tabelle ausgeschlossen, die den Verknüpfungskriterien entsprechen.
+ **Rechts außen** – schließt alle Zeilen aus der rechten Tabelle ein. Wenn der Wert für die Join-Spalte in einer rechten Tabellenzeile keinem Wert in der linken Tabellenzeile entspricht, enthält diese Zeile Null-Werte für alle linken Tabellenspalten in der verknüpften Tabelle.
+ **Innen** – Schließt Zeilen aus der linken und rechten Tabelle ein, die übereinstimmende Werte in der Join-Spalte enthalten.
+ **Vollständig außen** – schließt alle Zeilen aus der linken und rechten Tabelle ein. Wenn der Zeilenwert für die Join-Spalte in einer der beiden Tabellen nicht übereinstimmt, werden separate Zeilen in der verknüpften Tabelle erstellt. Wenn eine Zeile keinen Wert für eine Spalte in der verknüpften Tabelle enthält, wird für diese Spalte Null eingefügt.
+ **Kartesisches Kreuzprodukt** – schließt Zeilen ein, die jede Zeile aus der ersten Tabelle mit jeder Zeile aus der zweiten Tabelle kombinieren. Dies ist ein [kartesisches Produkt](https://en.wikipedia.org/wiki/Cartesian_product) von Zeilen aus Tabellen in der Verknüpfung. Das Ergebnis dieses Produkts ist die Größe der linken Tabelle multipliziert mit der Größe der rechten Tabelle. Daher empfehlen wir, bei der Verwendung dieser Verknüpfung zwischen sehr großen Datensätzen Vorsicht walten zu lassen.
Gehen Sie wie folgt vor, um zwei Datensätze zu verknüpfen. Sie sollten bereits zwei Datenquellen in Ihren Datenfluss importiert haben.
1. Wählen Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) neben dem linken Knoten aus, den Sie verknüpfen möchten. Der erste Knoten, den Sie auswählen, ist immer die linke Tabelle in Ihrer Verknüpfung.
1. Bewegen Sie den Mauszeiger über **Daten kombinieren** und wählen Sie dann **Verknüpfen** aus.
1. Wählen Sie den rechten Knoten aus. Der zweite Knoten, den Sie auswählen, ist immer die rechte Tabelle in Ihrer Verknüpfung.
1. Das Feld **Verknüpfungstyp** ist standardmäßig auf **Innerer Join** eingestellt. Wählen Sie das Dropdownmenü aus, um den Verknüpfungstyp zu ändern.
1. Überprüfen Sie für **Join-Schlüssel** die Spalten aus der linken und rechten Tabelle, die Sie für die Verknüpfung der Daten verwenden möchten. Sie können zusätzliche Join-Schlüssel hinzufügen oder entfernen.
1. Geben Sie in **Name der Verknüpfung** einen Namen für die verknüpften Daten ein oder verwenden Sie den Standardnamen.
1. (Optional) Wählen Sie **Vorschau** aus, um eine Vorschau der verknüpften Daten anzuzeigen.
1. Wählen Sie **Hinzufügen** aus, um die Verknüpfung abzuschließen.
**Anmerkung**
Sollten Sie eine Benachrichtigung erhalten, dass Canvas beim Zusammenführen Ihrer Daten keine übereinstimmenden Zeilen identifiziert hat, empfehlen wir Ihnen, entweder zu überprüfen, ob Sie die richtigen Spalten ausgewählt haben, oder Ihr Beispiel zu aktualisieren, um übereinstimmende Zeilen zu finden. Sie können eine andere Sampling-Strategie auswählen oder die Größe der Stichprobe ändern. Informationen zum Bearbeiten der Stichprobe finden Sie unter [Bearbeiten der Konfiguration der Datenflussstichprobe](canvas-data-flow-edit-sampling.md).
Sie sollten nun einen Verknüpfungsknoten in Ihrem Datenfluss sehen.
## Datensätze verketten
Beim Verketten werden zwei Datensätze kombiniert, indem die Zeilen von einem Datensatz an einen anderen angefügt werden.
Gehen Sie wie folgt vor, um zwei Datensätze zu verketten. Sie sollten bereits zwei Datenquellen in Ihren Datenfluss importiert haben.
**So verketten Sie zwei Datensätze:**
1. Wählen Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) neben dem linken Knoten aus, den Sie verketten möchten. Der erste Knoten, den Sie auswählen, ist immer die linke Tabelle in Ihrer Verkettung.
1. Bewegen Sie den Mauszeiger über **Daten kombinieren** und wählen Sie dann **Verketten** aus.
1. Wählen Sie den rechten Knoten aus. Der zweite Knoten, den Sie auswählen, ist immer die rechte Tabelle in Ihrer Verkettung.
1. (Optional) Aktivieren Sie das Kontrollkästchen neben **Duplikate nach Verkettung entfernen**, um doppelte Spalten zu entfernen.
1. (Optional) Aktivieren Sie das Kontrollkästchen neben **Spalte zum Angeben des Quellendatenrahmens hinzufügen**, um dem resultierenden Datenrahmen eine Spalte hinzuzufügen, in der die Quelldatensätze für jeden Datensatz aufgeführt sind.
1. Geben Sie unter **Indikatorspaltenname** einen Namen für die hinzugefügte Spalte ein.
1. Geben Sie für **Erster Datensatz, der eine Zeichenfolge angibt** den Wert ein, mit dem Sie Datensätze aus dem ersten Datensatz (oder dem linken Knoten) kennzeichnen möchten.
1. Geben Sie für **Zweiter Datensatz, der eine Zeichenfolge angibt** den Wert ein, mit dem Sie Datensätze aus dem zweiten Datensatz (oder dem rechten Knoten) kennzeichnen möchten.
1. Geben Sie im Feld **Name der Verkettung** einen Namen für die Verkettung ein.
1. (Optional) Wählen Sie **Vorschau** aus, um eine Vorschau der verketteten Daten anzuzeigen.
1. Wählen Sie **Hinzufügen** aus, um den neuen Datensatz zu Ihrem Datenablauf hinzuzufügen.
Sie sollten nun einen Verkettungsknoten in Ihrem Datenfluss sehen.
## Daten ausgleichen
Sie können die Daten für Datensätze mit einer unterrepräsentierten Kategorie ausgleichen. Wenn Sie einen Datensatz ausgleichen, können Sie bessere Modelle für die binäre Klassifikation erstellen.
**Anmerkung**
Sie können keine Datensätze ausgleichen, die Spaltenvektoren enthalten.
Sie können die Operation **Daten ausgleichen** verwenden, um Ihre Daten mit einem der folgenden Operatoren auszugleichen:
+ *Zufälliges Oversampling* – Dupliziert in der Minderheitenkategorie nach dem Zufallsprinzip. Wenn Sie z. B. versuchen, Betrug aufzudecken, haben Sie ggf. nur bei 10% Ihrer Daten Betrugsfälle. Bei einem gleichen Anteil betrügerischer und nicht betrügerischer Fälle dupliziert dieser Operator Betrugsfälle im Datensatz 8-mal nach dem Zufallsprinzip.
+ *Zufälliges Undersampling* – entspricht in etwa dem zufälligen Oversampling. Entfernt Stichproben aus der überrepräsentierten Kategorie nach dem Zufallsprinzip, um den gewünschten Stichprobenanteil zu erhalten.
+ *Synthetic Minority Oversampling Technique (SMOTE)* – Verwendet Stichproben aus der unterrepräsentierten Kategorie, um synthetische neue Stichproben aus der unterrepräsentierten Kategorie zu interpolieren. Weitere Informationen zu SMOTE finden Sie in der folgenden Beschreibung.
Sie können alle Transformationen für Datensätze verwenden, die sowohl numerische als auch nichtnumerische Funktionen enthalten. SMOTE interpoliert Werte anhand benachbarter Stichproben. Data Wrangler verwendet die R-Quadrat-Entfernung, um die Nachbarschaft für die Interpolation der zusätzlichen Stichproben zu bestimmen. Data Wrangler verwendet nur numerische Features, um die Entfernungen zwischen den Stichproben in der unterrepräsentierten Gruppe zu berechnen.
Für zwei reale Stichproben in der unterrepräsentierten Gruppe interpoliert Data Wrangler die numerischen Funktionen anhand eines gewichteten Durchschnitts. Es weist den Stichproben im Bereich [0, 1] nach dem Zufallsprinzip Gewichtungen zu. Bei numerischen Funktionen interpoliert Data Wrangler Stichproben anhand eines gewichteten Durchschnitts der Stichproben. Den Stichproben A und B könnte Data Wrangler nach dem Zufallsprinzip eine Gewichtung von 0,7 A und 0,3 B zuweisen. Die interpolierte Stichprobe hat einen Wert von 0,7 A \$1 0,3 B.
Data Wrangler interpoliert nichtnumerische Features, indem es eines der beiden interpolierten realen Stichproben kopiert. Es kopiert die Stichproben mit einer Wahrscheinlichkeit, die es jeder Stichprobe nach dem Zufallsprinzip zuweist. Für die Stichproben A und B kann A die Wahrscheinlichkeiten 0,8 und B 0,2 zugewiesen werden. Für die so zugewiesenen Wahrscheinlichkeiten kopiert es A in 80% der Fälle.
## Benutzerdefinierte Transformationen
In der Gruppe **Benutzerdefinierte Transformationen** können Sie Python (benutzerdefinierte Funktion), PySpark Pandas oder PySpark (SQL) verwenden, um benutzerdefinierte Transformationen zu definieren. Bei allen drei Optionen verwenden Sie die Variable, `df` um auf den Datenrahmen zuzugreifen, auf den Sie die Transformation anwenden möchten. Um Ihren benutzerdefinierten Code auf Ihren Datenrahmen anzuwenden, weisen Sie den Datenrahmen mit den Transformationen zu, die Sie an der Variablen `df` vorgenommen haben. Wenn Sie Python (benutzerdefinierte Funktionen) nicht verwenden, brauchen Sie keine Rückgabeanweisung zu verwenden. Wählen Sie **Vorschau** aus, damit eine Vorschau des Ergebnisses der benutzerdefinierten Transformation angezeigt wird. Wählen Sie **Hinzufügen** aus, um die benutzerdefinierte Transformation zu Ihrer Liste der **Vorherigen Schritte** hinzuzufügen.
Sie können die beliebten Bibliotheken mit einer `import` Anweisung im Code-Block für die benutzerdefinierte Transformation importieren, z. B. den folgenden:
+ NumPy Version 1.19.0
+ scikit-learn Version 0.23.2
+ SciPy Ausführung 1.5.4
+ pandas Version 1.0.3
+ PySpark Ausführung 3.0.0
**Wichtig**
Die **benutzerdefinierte Transformation** unterstützt keine Spalten mit Leerzeichen oder Sonderzeichen im Namen. Wir empfehlen, Spaltennamen anzugeben, die nur alphanumerische Zeichen und Unterstriche enthalten. Sie können die Transformation **Spalte umbenennen** in der Transformationsgruppe **Spalten verwalten** verwenden, um Leerzeichen aus dem Namen einer Spalte zu entfernen. Sie können in **Python (Pandas)** auch eine **benutzerdefinierte Transformation** hinzufügen, die der folgenden ähnelt, um in einem einzigen Schritt Leerzeichen aus mehreren Spalten zu entfernen. In diesem Beispiel werden die Spalten mit den Namen `A column` und `B column` in `A_column` bzw. `B_column` geändert.
```
df.rename(columns={"A column": "A_column", "B column": "B_column"})
```
Wenn Sie Druckanweisungen in den Code-Block aufnehmen, wird das Ergebnis angezeigt, wenn Sie **Vorschau** auswählen. Sie können die Größe des Transformationsfeldes für benutzerdefinierten Code ändern. Durch die Größenänderung des Bedienfeldes steht mehr Platz zum Schreiben von Code zur Verfügung.
Die folgenden Abschnitte bieten zusätzlichen Kontext und Beispiele zum Schreiben von benutzerdefiniertem Transformationscode.
**Python (benutzerdefinierte Funktion)**
Die Python-Funktion gibt Ihnen die Möglichkeit, benutzerdefinierte Transformationen zu schreiben, ohne Apache Spark oder Pandas kennen zu müssen. Data Wrangler ist so optimiert, dass Sie Ihren benutzerdefinierten Code schnell ausführen können. Mit benutzerdefiniertem Python-Code und einem Apache Spark-Plugin erhalten Sie eine ähnliche Leistung.
Um den Python-Code-Block (benutzerdefinierte Funktion) zu verwenden, geben Sie Folgendes an:
+ **Eingabespalte** – Die Eingabespalte, in der Sie die Transformation anwenden.
+ **Modus** – Der Skriptmodus, entweder Pandas oder Python.
+ **Rückgabetyp** – Der Datentyp des Wertes, den Sie zurückgeben.
Der Pandas-Modus ist leistungsfähiger. Der Python-Modus erleichtert Ihnen das Schreiben von Transformationen mithilfe reiner Python-Funktionen.
**PySpark**
Im folgenden Beispiel werden Datum und Uhrzeit aus einem Zeitstempel extrahiert.
```
from pyspark.sql.functions import from_unixtime, to_date, date_format
df = df.withColumn('DATE_TIME', from_unixtime('TIMESTAMP'))
df = df.withColumn( 'EVENT_DATE', to_date('DATE_TIME')).withColumn(
'EVENT_TIME', date_format('DATE_TIME', 'HH:mm:ss'))
```
**pandas**
Das folgende Beispiel gibt einen Überblick über den Datenrahmen, zu dem Sie Transformationen hinzufügen.
```
df.info()
```
**PySpark (SQL)**
Das folgende Beispiel erstellt einen neuen Datenrahmen mit vier Spalten: *Name*, *Fare*, *pclass*, *überlebt*.
```
SELECT name, fare, pclass, survived FROM df
```
Wenn Sie nicht wissen, wie man es benutzt PySpark, können Sie benutzerdefinierte Codefragmente verwenden, um Ihnen den Einstieg zu erleichtern.
Data Wrangler verfügt über eine durchsuchbare Sammlung von Codeausschnitten. Sie können Codeausschnitte verwenden, um Aufgaben wie das Löschen von Spalten, das Gruppieren nach Spalten oder das Modellieren auszuführen.
Um einen Codeausschnitt zu verwenden, wählen Sie **Beispielschnitte durchsuchen** und geben Sie in der Suchleiste eine Abfrage an. Der Text, den Sie in der Abfrage angeben, muss nicht exakt mit dem Namen des Codeausschnitts übereinstimmen.
Das folgende Beispiel zeigt den Codeausschnitt **Doppelte Zeilen löschen**, mit dem Zeilen mit ähnlichen Daten in Ihrem Datensatz gelöscht werden können. Sie können den Codeausschnitt finden, indem Sie nach einem der folgenden Suchbegriffe suchen:
+ Duplikate
+ Identisch
+ Remove
Das folgende Snippet enthält Kommentare, die Ihnen helfen sollen, die Änderungen zu verstehen, die Sie vornehmen müssen. Für die meisten Snippets müssen Sie die Spaltennamen Ihres Datensatzes im Code angeben.
```
# Specify the subset of columns
# all rows having identical values in these columns will be dropped
subset = ["col1", "col2", "col3"]
df = df.dropDuplicates(subset)
# to drop the full-duplicate rows run
# df = df.dropDuplicates()
```
Um ein Snippet zu verwenden, kopieren Sie seinen Inhalt und fügen Sie ihn in das **benutzerdefinierte Transformationsfeld** ein. Sie können mehrere Codeausschnitte kopieren und sie in das benutzerdefinierte Transformationsfeld einfügen.
## Benutzerdefinierte Formel
Verwenden Sie die **Benutzerdefinierte Formel**, um mithilfe eines Spark-SQL-Ausdrucks eine neue Spalte zu definieren, um Daten im aktuellen Datenrahmen abzufragen. Die Abfrage muss die Konventionen der Spark-SQL-Ausdrücke verwenden.
**Wichtig**
Die **Benutzerdefinierte Formel** unterstützt keine Spalten mit Leerzeichen oder Sonderzeichen im Namen. Wir empfehlen, Spaltennamen anzugeben, die nur alphanumerische Zeichen und Unterstriche enthalten. Sie können die Transformation **Spalte umbenennen** in der Transformationsgruppe **Spalten verwalten** verwenden, um Leerzeichen aus dem Namen einer Spalte zu entfernen. Sie können in **Python (Pandas)** auch eine **benutzerdefinierte Transformation** hinzufügen, die der folgenden ähnelt, um in einem einzigen Schritt Leerzeichen aus mehreren Spalten zu entfernen. In diesem Beispiel werden die Spalten mit den Namen `A column` und `B column` in `A_column` bzw. `B_column` geändert.
```
df.rename(columns={"A column": "A_column", "B column": "B_column"})
```
Sie können diese Transformation verwenden, um Operationen an Spalten durchzuführen und die Spalten anhand ihres Namens zu referenzieren. Angenommen, der aktuelle Datenrahmen enthält Spalten mit den Namen *col\$1a* und *col\$1b*. Dann können Sie die folgende Operation verwenden, um eine **Ausgabespalte** zu erstellen, die das Produkt dieser beiden Spalten mit dem folgenden Code ist:
```
col_a * col_b
```
Andere übliche Operationen sind folgende, vorausgesetzt, ein Datenrahmen enthält `col_a` und `col_b` Spalten:
+ Zwei Spalten verketten: `concat(col_a, col_b)`
+ Zwei Spalten hinzufügen: `col_a + col_b`
+ Zwei Spalten subtrahieren: `col_a - col_b`
+ Zwei Spalten teilen: `col_a / col_b`
+ Den Absolutwert einer Spalte nehmen: `abs(col_a)`
Weitere Informationen finden Sie in der [Spark-Dokumentation](http://spark.apache.org/docs/latest/api/python) zur Datenauswahl.
## Die Dimensionalität innerhalb eines Datensatzes reduzieren
Mit der Principal Component Analysis (PCA) können Sie die Dimensionalität Ihrer Daten reduzieren. Die Dimensionalität Ihres Datensatzes entspricht der Anzahl der Features. Wenn Sie die Dimensionsreduktion in Data Wrangler verwenden, erhalten Sie einen neuen Satz von Funktionen, die als Komponenten bezeichnet werden. Jede Komponente berücksichtigt eine gewisse Variabilität in den Daten.
Die erste Komponente macht die größte Variation in den Daten aus. Die zweite Komponente ist für die zweitgrößte Variation in den Daten verantwortlich usw.
Sie können die Dimensionsreduzierung verwenden, um die Größe der Datensätze zu reduzieren, die Sie zum Trainieren von Modellen verwenden. Anstatt die Funktionen in Ihrem Datensatz zu verwenden, können Sie die Hauptkomponenten verwenden.
Für die PCA erstellt Data Wrangler Achsen für Ihre Daten. Eine Achse ist eine affine Kombination von Spalten in Ihrem Datensatz. Die erste Hauptkomponente ist der Wert auf der Achse, die die größte Varianz aufweist. Die zweite Hauptkomponente ist der Wert auf der Achse mit der zweitgrößten Varianz. Die n-te Hauptkomponente ist der Wert auf der Achse, der die n-t-größte Varianz aufweist.
Sie können die Anzahl der Hauptkomponenten konfigurieren, die Data Wrangler zurückgibt. Sie können entweder direkt die Anzahl der Hauptkomponenten oder den Schwellenwert der Varianz in Prozent angeben. Jede Hauptkomponente erklärt ein gewisses Maß an Varianz in den Daten. Sie haben z. B. vielleicht eine Hauptkomponente mit einem Wert von 0,5. Die Komponente würde 50% der Streuung in den Daten erklären. Wenn Sie einen prozentualen Schwellenwert für die Varianz angeben, gibt Data Wrangler die kleinste Anzahl von Komponenten zurück, die dem von Ihnen angegebenen Prozentsatz entsprechen.
Im Folgenden finden Sie Beispiele für Hauptkomponenten mit dem Betrag der Varianz, den sie in den Daten erklären.
+ Komponente 1 – 0,5
+ Komponente 2 – 0,45
+ Komponente 3 – 0,05
Wenn Sie einen Schwellenwert für die Varianz in Prozent von `94` oder `95` angeben, gibt Data Wrangler Komponente 1 und Komponente 2 zurück. Wenn Sie einen Schwellenwert für die Varianz in Prozent von `96` angeben, gibt Data Wrangler alle drei Hauptkomponenten zurück.
Mit Hilfe des folgenden Verfahrens können Sie die PCA auf Ihren Datensatz anwenden.
Gehen Sie folgendermaßen vor, um die PCA auf Ihren Datensatz anzuwenden.
1. Öffnen Sie Ihren Data Wrangler-Datenablauf.
1. Wählen Sie **\$1** und dann **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Dimensionalität reduzieren**.
1. Wählen Sie für **Eingabespalten** die Funktionen aus, die Sie auf die Hauptkomponenten reduzieren möchten.
1. (Optional) Wählen Sie für **Anzahl der Hauptkomponenten** die Anzahl der Hauptkomponenten aus, die Data Wrangler in Ihrem Datensatz zurückgibt. Wenn Sie einen Wert für das Feld angeben, können Sie keinen Wert für den **Schwellenwert für die Varianz in Prozent** angeben.
1. (Optional) Geben Sie für den **Schwellenwert für die Varianz in Prozent** den Prozentsatz der Streuung in den Daten an, der durch die Hauptkomponenten erklärt werden soll. Data Wrangler verwendet den Standardwert von `95`, wenn Sie keinen Wert für den Schwellenwert für die Varianz angeben. Sie können keinen Schwellenwert für die Varianz in Prozent angeben, wenn Sie einen Wert für **Anzahl der Hauptkomponenten** angegeben haben.
1. (Optional) Deaktivieren Sie **Mitte**, um den Mittelwert der Spalten nicht als Mittelpunkt der Daten zu verwenden. Standardmäßig zentriert Data Wrangler die Daten vor der Skalierung anhand des Mittelwerts.
1. (Optional) Deaktivieren Sie **Skalieren**, wenn die Daten nicht mit der Standardabweichung der Einheit skaliert werden sollen.
1. (Optional) Wählen Sie **Spalten**, um die Komponenten in separaten Spalten auszugeben. Wählen Sie **Vektor**, um die Komponenten als Einzelvektor auszugeben.
1. (Optional) Geben Sie unter **Ausgabespalte** einen Namen für eine Ausgabespalte an. Wenn Sie die Komponenten in separate Spalten ausgeben, ist der angegebene Name ein Präfix. Wenn Sie die Komponenten in einen Vektor ausgeben, entspricht der von Ihnen angegebene Name dem Namen der Vektorspalte.
1. (Optional) Wählen Sie **Eingabespalten beibehalten** aus. Wir empfehlen, diese Option nicht zu wählen, wenn Sie nur die Hauptkomponenten zum Trainieren Ihres Modells verwenden möchten.
1. Wählen Sie **Preview** (Vorschau) aus.
1. Wählen Sie **Hinzufügen** aus.
## Kategorisch codieren
Kategorische Daten bestehen normalerweise aus einer endlichen Anzahl von Kategorien, wobei jede Kategorie durch eine Zeichenfolge dargestellt wird. Wenn Sie z. B. eine Tabelle mit Kundendaten haben, ist eine Spalte, die angibt, in welchem Land eine Person lebt, kategorisch. Die Kategorien wären *Afghanistan*, *Albanien*, *Algerien* usw. Kategorische Daten können *nominal* oder *ordinal* sein. Ordinale Kategorien haben eine inhärente Reihenfolge, nominale Kategorien nicht. Der höchste erreichte Bildungsabschluss (*Gymnasium*, *Bachelor*, *Master* usw.) ist ein Beispiel für ordinale Kategorien.
Beim Kodieren von kategorischen Daten wird für Kategorien eine numerische Darstellung erstellt. Wenn Ihre Kategorien z. B. *Hund* und *Katze* sind, können Sie diese Informationen in zwei Vektoren kodieren, `[1,0]` für *Hund* und `[0,1]` für *Katze*.
Wenn Sie ordinale Kategorien kodieren, müssen Sie ggf. die natürliche Reihenfolge der Kategorien in Ihre Codierung übersetzen. Sie können z. B. den höchsten Bildungsabschluss mit der folgenden Abbildung darstellen: `{"High school": 1, "Bachelors": 2, "Masters":3}`.
Verwenden Sie die kategorische Codierung, um kategorische Daten, die im Zeichenfolgenformat vorliegen, in Arrays von ganzen Zahlen zu kodieren.
Die kategorischen Encoder von Data Wrangler erstellen Codierungen für alle Kategorien, die zum Zeitpunkt der Definition des Schrittes in einer Spalte vorhanden waren. Wenn zu einer Spalte beim Start eines Data Wrangler-Auftrags zur Verarbeitung Ihres Datensatzes zum Zeitpunkt *t* neue Kategorien hinzugefügt wurden und diese Spalte zum Zeitpunkt *t* -1 die Eingabe für eine kategorische Codierungstransformation von Data Wrangler war, werden diese neuen Kategorien im Data Wrangler-Auftrag als *fehlend* betrachtet. Die Option, die Sie für **Ungültige Verarbeitungsstrategie** auswählen, wird auf diese fehlenden Werte angewendet. Beispiele dafür, wann es dazu kommen kann, sind:
+ Wenn Sie eine .flow-Datei verwenden, um einen Data Wrangler-Auftrag zur Verarbeitung eines Datensatzes zu erstellen, der nach der Erstellung des Datenablaufs aktualisiert wurde. Sie können z. B. einen Datenablauf verwenden, um jeden Monat regelmäßig Verkaufsdaten zu verarbeiten. Wenn diese Verkaufsdaten wöchentlich aktualisiert werden, können neue Kategorien in Spalten eingeführt werden, für die ein kategorischer Codierungsschritt definiert ist.
+ Wenn Sie beim Import Ihres Datensatzes die Option **Probenahme** auswählen, werden manche Kategorien in der Stichprobe ggf. nicht berücksichtigt.
In diesen Situationen werden diese neuen Kategorien im Data Wrangler-Auftrag als fehlende Werte betrachtet.
Sie können zwischen einer *ordinalen* und einer *One-Hot-Codierung* wählen und diese konfigurieren. In den folgenden Abschnitten erfahren Sie mehr über diese Optionen.
Beide Transformationen erstellen eine neue Spalte mit dem Namen **Name deer Ausgabespalte**. Sie geben das Ausgabeformat dieser Spalte mit dem **Ausgabestil** an:
+ Wählen Sie **Vektor**, um eine einzelne Spalte mit einem spärlichen Vektor zu erzeugen.
+ Wählen Sie **Spalten**, um für jede Kategorie eine Spalte mit einer Indikatorvariablen zu erstellen, die angibt, ob der Text in der ursprünglichen Spalte einen Wert enthält, der dieser Kategorie entspricht.
### Ordinale Codierung
Wählen Sie **Ordinale Codierung** aus, um Kategorien in eine Ganzzahl zwischen 0 und der Gesamtzahl der Kategorien in der ausgewählten **Eingabespalte** zu kodieren.
**Ungültige Handhabungsstrategie**: Wählen Sie eine Methode zum Umgang mit ungültigen oder fehlenden Werte aus.
+ Wählen Sie **Überspringen** aus, wenn Sie die Zeilen mit fehlenden Werten weglassen möchten.
+ Wählen Sie **Behalten** aus, um fehlende Werte als letzte Kategorie beizubehalten.
+ Wählen Sie **Fehler** aus, wenn Data Wrangler einen Fehler ausgeben soll, wenn in der **Eingabespalte** fehlende Werte gefunden werden.
+ Wählen Sie **Durch NaN ersetzen**, um fehlende Daten durch NaN zu ersetzen. Diese Option wird empfohlen, wenn Ihr ML-Algorithmus mit fehlenden Werten umgehen kann. Andernfalls führen die ersten drei Optionen auf dieser Liste ggf. zu besseren Ergebnissen.
### One-Hot-Codierung
Wählen Sie **One-Hot-Codierung** aus, damit **Transform** die One-Hot-Codierung verwendet. Konfigurieren Sie diese Transformation wie folgt:
+ **Letzte Kategorie löschen**: Falls `True`, hat die letzte Kategorie in der One-Hot-Codierung keinen entsprechenden Index. Wenn fehlende Werte möglich sind, ist eine fehlende Kategorie immer die letzte. Wenn Sie diesen Wert auf `True` setzen, bedeutet dies, dass ein fehlender Wert zu einem reinen Nullvektor führt.
+ **Ungültige Handhabungsstrategie**: Wählen Sie eine Methode zum Umgang mit ungültigen oder fehlenden Werte aus.
+ Wählen Sie **Überspringen** aus, wenn Sie die Zeilen mit fehlenden Werten weglassen möchten.
+ Wählen Sie **Behalten** aus, um fehlende Werte als letzte Kategorie beizubehalten.
+ Wählen Sie **Fehler** aus, wenn Data Wrangler einen Fehler ausgeben soll, wenn in der **Eingabespalte** fehlende Werte gefunden werden.
+ **Ist die Eingabe ordinal codiert**: Wählen Sie diese Option, wenn der Eingabevektor ordinal codierte Daten enthält. Für diese Option ist es erforderlich, dass Eingabedaten nicht-negative Ganzzahlen enthalten. Wenn **True** wird die Eingabe *i* als Vektor mit einem Wert ungleich Null in der *i*-ten Position codiert.
### Ähnlichkeitscodierung
Verwenden Sie die Ähnlichkeitscodierung, wenn folgendes vorliegt:
+ Eine große Anzahl kategorischer Variablen
+ Verrauschte Daten
Der Ähnlichkeits-Encoder erstellt für Spalten mit kategorischen Daten Einbettungen. Eine Einbettung ist eine Zuordnung diskreter Objekte, wie z. B. Wörter, auf Vektoren von realen Zahlen. Sie codiert Zeichenfolgen, die Vektoren mit ähnlichen Werten ähneln. Zum Beispiel erstellt sie sehr ähnliche Codierungen für „California“ und „Calfornia“.
Data Wrangler konvertiert jede Kategorie in Ihrem Datensatz mithilfe eines 3-Gramm-Tokenizers in einen Satz Token. Er konvertiert die Token mithilfe der Min-Hash-Codierung in eine Einbettung.
Die von Data Wrangler erstellten Ähnlichkeitscodierungen:
+ Haben eine geringere Dimensionalität
+ Sind auf eine große Anzahl von Kategorien skalierbar
+ Sind robust und rauschbeständig
Aus den o.g. Gründen ist die Ähnlichkeitscodierung vielseitiger als die One-Hot-Codierung.
Gehen Sie wie folgt vor, um die Ähnlichkeitscodierungstransformation zu Ihrem Datensatz hinzuzufügen.
Gehen Sie wie folgt vor, um die Ähnlichkeitscodierung zu verwenden.
1. Melden Sie sich bei der [Amazon SageMaker AI Console](https://console.aws.amazon.com/sagemaker/) an.
1. Wählen Sie **Studio Classic öffnen** aus.
1. Wählen Sie **App starten**.
1. Wählen Sie **Studio**.
1. Geben Sie Ihren Datenablauf an.
1. Wählen Sie einen Schritt mit Transformation.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Kategorisch codieren**.
1. Machen Sie folgende Angaben:
+ **Transformation** – **Ähnlichkeitscodierung**
+ **Eingabespalte** – Die Spalte mit den kategorischen Daten, die Sie codieren wollen.
+ **Zieldimension** – (Optional) Die Dimension des kategorischen Einbettungsvektors. Der Standardwert lautet 30. Wir empfehlen, eine höhere Zieldimension zu verwenden, wenn Sie einen großen Datensatz mit vielen Kategorien haben.
+ **Ausgabestil** – Wählen Sie **Vektor** für einen Einzelvektor mit allen kodierten Werten. Wählen Sie **Spalte**, wenn die codierten Werte in separaten Spalten angezeigt werden sollen.
+ **Ausgabespalte** – (Optional) Der Name der Ausgabespalte für eine vektorkodierte Ausgabe. Bei einer spaltencodierten Ausgabe ist dies das Präfix der Spaltennamen, gefolgt von einer aufgelisteten Zahl.
## Text funktionalisieren
Verwenden Sie die Transformationsgruppe **Text funktionalisieren**, um Spalten mit Zeichenfolgen zu untersuchen und diese Spalten mithilfe von Texteinbettung zu funktionalisieren.
Diese Feature-Gruppe beinhaltet zwei Funktionen: *Zeichenstatistik* und *Vektorisieren*. In den folgenden Abschnitten erfahren Sie mehr über diese Transformationen. Für beide Optionen muss die **Eingabespalte** Textdaten (vom Typ Zeichenfolge) enthalten.
### Zeichenstatistik
Mit Hilfe der **Zeichenstatistik** können Sie für jede Zeile in einer Spalte, die Textdaten enthält, Statistiken erzeugen.
Diese Transformation berechnet die folgenden Verhältnisse und Anzahlen für jede Zeile und erstellt eine neue Spalte, in der das Ergebnis angegeben wird. Die neue Spalte wird mit dem Namen der Eingabespalte als Präfix und einem Suffix benannt, das für das Verhältnis oder die Anzahl spezifisch ist.
+ **Anzahl der Wörter**: Die Gesamtzahl der Wörter in dieser Zeile. Das Suffix für diese Ausgabespalte ist `-stats_word_count`.
+ **Anzahl der Zeichen**: Die Gesamtzahl der Zeichen in dieser Zeile. Das Suffix für diese Ausgabespalte ist `-stats_char_count`.
+ **Verhältnis von Großbuchstaben**: Die Anzahl der Großbuchstaben von A bis Z geteilt durch die Anzahl aller Zeichen in der Spalte. Das Suffix für diese Ausgabespalte ist `-stats_capital_ratio`.
+ **Verhältnis von Kleinbuchstaben**: Die Anzahl der Kleinbuchstaben von A bis Z geteilt durch die Anzahl aller Zeichen in der Spalte. Das Suffix für diese Ausgabespalte ist `-stats_lower_ratio`.
+ **Ziffernverhältnis**: Das Verhältnis der Ziffern in einer einzelnen Zeile zur Summe der Ziffern in der Eingabespalte. Das Suffix für diese Ausgabespalte ist `-stats_digit_ratio`.
+ **Verhältnis von Sonderzeichen**: Das Verhältnis von nicht alphanumerischen Zeichen (Zeichen wie \$1\$1&%: @) zur Summe aller Zeichen in der Eingabespalte. Das Suffix für diese Ausgabespalte ist `-stats_special_ratio`.
### Vektorisieren
Beim Einbetten von Text werden Wörter oder Wortgruppen aus einem Vokabular Vektoren aus realen Zahlen zugeordnet. Verwenden Sie die Data Wrangler-Transformation zur Texteinbettung, um Textdaten zu tokenisieren und in Vektoren mit umgekehrter Dokumentenfrequenz (Term Frequency – Inverse Document Frequency, TF-IDF) umzuwandeln und zu vektorisieren.
Wenn TF-IDF für eine Spalte mit Textdaten berechnet wird, wird jedes Wort in jedem Satz in eine reale Zahl umgewandelt, die seine semantische Bedeutung darstellt. Höhere Zahlen werden weniger häufigen Wörtern zugeordnet, die tendenziell bedeutsamer sind.
Wenn Sie einen Transformationsschritt mit **Vektorisierung** definieren, verwendet Data Wrangler die Daten in Ihrem Datensatz, um die Methoden Count-Vectorizer und TF-IDF zu definieren. Bei der Ausführung eines Data Wrangler-Auftrags werden dieselben Methoden verwendet.
Diese Transformation konfigurieren Sie wie folgt:
+ **Name der Ausgabespalte**: Diese Transformation erstellt eine neue Spalte mit eingebettetem Text. In diesem Feld können Sie einen Namen für diese Ausgabespalte angeben.
+ **Tokenizer**: Ein Tokenizer wandelt den Satz in eine Liste von Wörtern oder *Tokens* um.
Wählen Sie **Standard**, um einen Tokenizer zu verwenden, der durch Leerzeichen teilt und für jedes Wort die Kleinschreibung wählt. Zum Beispiel wird `"Good dog"` in `["good","dog"]` tokenisiert.
Wählen Sie **Benutzerdefiniert**, um einen benutzerdefinierten Tokenizer zu verwenden. Wenn Sie **Benutzerdefiniert** wählen, können Sie den Tokenizer mit Hilfe der folgenden Felder konfigurieren:
+ **Mindestlänge eines Tokens**: Die Mindestlänge in Zeichen, damit ein Token gültig ist. Standardeinstellung: `1`. Wenn Sie z. B. eine Mindestlänge `3` für ein Token angeben, `a, at, in` werden Wörter wie aus dem tokenisierten Satz gestrichen.
+ **Soll Regex bei Lücken getrennt werden**: Wenn diese Option ausgewählt ist, trennt **Regex** bei Lücken. Andernfalls entspricht es den Tokens. Standardeinstellung: `True`.
+ **Regex-Muster**: Regex-Muster, das den Tokenisierungsprozess definiert. Standardeinstellung: `' \\ s+'`.
+ **In Kleinbuchstaben**: Wenn diese Option ausgewählt ist, konvertiert Data Wrangler vor der Tokenisierung alle Zeichen in Kleinbuchstaben. Standardeinstellung: `True`.
Weitere Informationen finden Sie in der Spark-Dokumentation zum [Tokenizer](https://spark.apache.org/docs/latest/ml-features#tokenizer).
+ **Vectorizer**: Der Vectorizer konvertiert die Liste der Tokens in einen spärlichen numerischen Vektor. Jeder Token entspricht einem Index im Vektor. Ein Wert ungleich Null weist auf die Existenz des Tokens im Eingabesatz hin. Sie können zwischen zwei Vektorizer-Optionen wählen: *Count* und *Hashing*.
+ **Count Vectorize** erlaubt Anpassungen, bei denen seltene oder zu übliche Tokens herausgefiltert werden. **Parameter für die Vektorisierung der Anzahl** sind u.a.:
+ **Mindesthäufigkeit eines Begriffs**: In jeder Zeile werden Begriffe (Tokens) mit geringerer Häufigkeit herausgefiltert. Wenn Sie eine Ganzzahl angeben, ist dies ein absoluter Schwellenwert (inklusive). Wenn Sie einen Bruch zwischen 0 (inklusive) und 1 angeben, ist der Schwellenwert relativ zur Gesamtzahl, mit der Begriff vorkommt. Standardeinstellung: `1`.
+ **Mindestdokumenthäufigkeit**: Die Mindestanzahl der Zeilen, in denen ein Begriff (Token) vorkommen muss, damit er berücksichtigt wird. Wenn Sie eine Ganzzahl angeben, ist dies ein absoluter Schwellenwert (inklusive). Wenn Sie einen Bruch zwischen 0 (inklusive) und 1 angeben, ist der Schwellenwert relativ zur Gesamtzahl, mit der Begriff vorkommt. Standardeinstellung: `1`.
+ **Maximale Dokumenthäufigkeit**: Die maximale Anzahl von Dokumenten (Zeilen), in denen ein Begriff (Token) vorkommen muss, damit er berücksichtigt wird. Wenn Sie eine Ganzzahl angeben, ist dies ein absoluter Schwellenwert (inklusive). Wenn Sie einen Bruch zwischen 0 (inklusive) und 1 angeben, ist der Schwellenwert relativ zur Gesamtzahl, mit der Begriff vorkommt. Standardeinstellung: `0.999`.
+ **Maximale Größe des Vokabulars**: Maximale Größe des Vokabulars. Das Vokabular besteht aus allen Begriffen (Tokens) in allen Zeilen der Spalte. Standardeinstellung: `262144`.
+ **Binäre Ausgaben**: Wenn diese Option ausgewählt ist, enthalten die Vektorausgaben nicht die Anzahl, mit der ein Begriff in einem Dokument vorkommt, sondern sind vielmehr ein binärer Indikator für sein Vorkommen. Standardeinstellung: `False`.
Weitere Informationen zu dieser Option finden Sie in der Spark-Dokumentation unter [CountVectorizer](https://spark.apache.org/docs/latest/ml-features#countvectorizer).
+ **Hashing** ist rechnerisch schneller. Die **Parameter für die Hash-Vektorisierung** beinhalten:
+ **Die Anzahl der Funktionen beim Hashing**: Ein Hash-Vektorisierer ordnet Token entsprechend ihrem Hash-Wert einem Vektorindex zu. Diese Funktion bestimmt die Anzahl der möglichen Hash-Werte. Große Werte führen zu weniger Kollisionen zwischen Hash-Werten, aber zu einem höherdimensionalen Ausgabevektor.
Weitere Informationen zu dieser Option finden Sie in der Spark-Dokumentation unter [FeatureHasher](https://spark.apache.org/docs/latest/ml-features#featurehasher)
+ **IDF anwenden** wendet eine IDF-Transformation an, bei der die Häufigkeit des Begriffs mit der inversen Standarddokumenthäufigkeit multipliziert wird, die für die TF-IDF-Einbettung verwendet wird. **IDF-Parameter** sind u.a.:
+ **Mindestdokumenthäufigkeit**: Die Mindestanzahl von Dokumenten (Zeilen), in denen ein Begriff (Token) vorkommen muss, damit er berücksichtigt wird. Wenn **count\$1vectorize** der gewählte Vectorizer ist, empfehlen wir, den Standardwert beizubehalten und nur das Feld **min\$1doc\$1freq** in den **Count vectorize-Parametern** zu ändern. Standardeinstellung: `5`.
+ **Ausgabeformat**: Das Ausgabeformat jeder Zeile.
+ Wählen Sie **Vektor**, um eine einzelne Spalte mit einem spärlichen Vektor zu erzeugen.
+ Wählen Sie **Abgeflacht**, um für jede Kategorie eine Spalte mit einer Indikatorvariablen zu erstellen, die angibt, ob der Text in der ursprünglichen Spalte einen Wert enthält, der dieser Kategorie entspricht. Sie können Abgeflacht nur wählen, wenn **Vectorizer** als Vectorizer **Count vectorizer** ausgewählt ist.
## Zeitreihen transformieren
In Data Wrangler können Sie Zeitreihendaten transformieren. Die Werte in einem Zeitreihendatensatz sind für eine spezfische Zeit indexiert. Bei einem Datensatz, der die Anzahl der Kunden in einem Geschäft für jede Stunde des Tages anzeigt, handelt es sich z. B. um einen Zeitreihendatensatz. Die folgende Tabelle zeigt ein Beispiel für einen Zeitreihendatensatz.
Stündliche Anzahl von Kunden in einem Geschäft
| Anzahl der Kunden | Zeit (Stunde) |
| --- | --- |
| 4 | 09:00 |
| 10 | 10:00 |
| 14 | 11:00 |
| 25 | 12:00 |
| 20 | 13:00 |
| 18 | 14:00 |
In der obigen Tabelle enthält die Spalte **Anzahl der Kunden** die Zeitreihendaten. Die Zeitreihendaten werden anhand der stündlichen Daten in der Spalte **Zeit (Stunde)** indexiert.
Sie müssen ggf. eine Reihe von Transformationen an Ihren Daten vornehmen, um diese in ein Format zu bringen, das Sie für Ihre Analyse verwenden können. Verwenden Sie die Transformationsgruppe **Zeitreihen**, um Ihre Zeitreihendaten zu transformieren. Weitere Informationen zu den Transformationen, die Sie vornehmen können, finden Sie in den folgenden Abschnitten.
**Topics**
+ [Gruppierung nach Zeitreihe](#canvas-group-by-time-series)
+ [Nehmen Sie erneut Proben aus den Zeitreihendaten](#canvas-resample-time-series)
+ [Fehlende Zeitreihendaten behandeln](#canvas-transform-handle-missing-time-series)
+ [Überprüfen Sie den Zeitstempel Ihrer Zeitreihendaten](#canvas-transform-validate-timestamp)
+ [Länge der Zeitreihe standardisieren](#canvas-transform-standardize-length)
+ [Funktionen aus Ihren Zeitreihendaten extrahieren](#canvas-transform-extract-time-series-features)
+ [Verwenden Sie verzögerte Funktionen aus Ihren Zeitreihendaten](#canvas-transform-lag-time-series)
+ [Einen DateTime-Bereich in Ihrer Zeitreihe erstellen](#canvas-transform-datetime-range)
+ [Verwenden Sie in Ihrer Zeitreihe ein rollendes Fenster](#canvas-transform-rolling-window)
### Gruppierung nach Zeitreihe
Sie können den Vorgang „Gruppieren nach“ verwenden, um Zeitreihendaten für bestimmte Werte in einer Spalte zu gruppieren.
Sie haben z. B. die folgende Tabelle, in der der durchschnittliche tägliche Stromverbrauch in einem Haushalt erfasst wird.
Durchschnittlicher täglicher Stromverbrauch im Haushalt
| Haushalts-ID | Täglicher Zeitstempel | Stromverbrauch (kWh) | Anzahl der Bewohner im Haushalt |
| --- | --- | --- | --- |
| household\$10 | 1.1.2020 | 30 | 2 |
| household\$10 | 1/2/2020 | 40 | 2 |
| household\$10 | 1/4/2020 | 35 | 3 |
| household\$11 | 1/2/2020 | 45 | 3 |
| household\$11 | 3/1/2020 | 55 | 4 |
Wenn Sie nach ID gruppieren wollen, erhalten Sie die folgende Tabelle.
Stromverbrauch gruppiert nach Haushalts-ID
| Haushalts-ID | Stromverbrauchsserie (kWh) | Serie Anzahl der Bewohner im Haushalt |
| --- | --- | --- |
| household\$10 | [30, 40, 35] | [2, 2, 3] |
| household\$11 | [45, 55] | [3, 4] |
Jeder Eintrag in der Zeitreihenfolge ist nach dem jeweiligen Zeitstempel sortiert. Das erste Element der Reihenfolge entspricht dem ersten Zeitstempel der Serie. Für `household_0`, ist `30` der erste Wert der **Serie „Stromverbrauch“**. Der Wert von `30` entspricht dem ersten Zeitstempel von `1/1/2020`.
Sie können den Anfangs- und den Endzeitstempel einschließen. Die folgende Tabelle zeigt, wie diese Informationen erscheinen.
Stromverbrauch gruppiert nach Haushalts-ID
| Haushalts-ID | Stromverbrauchsserie (kWh) | Serie Anzahl der Bewohner im Haushalt | Start\$1time | End\$1time |
| --- | --- | --- | --- | --- |
| household\$10 | [30, 40, 35] | [2, 2, 3] | 1.1.2020 | 04.01.2020 |
| household\$11 | [45, 55] | [3, 4] | 1/2/2020 | 3/1/2020 |
Um nach einer Zeitreihenspalte zu gruppieren, können Sie wie folgt vorgehen.
1. Öffnen Sie Ihren Data Wrangler-Datenablauf.
1. Wählen Sie in Ihrem Datenablauf unter **Datentypen** das **\$1** und dann **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Zeitreihen** aus.
1. Wählen Sie unter **Transformation** die Option **Gruppieren nach** aus.
1. Geben Sie im Feld **Nach dieser Spalte gruppieren** eine Spalte an.
1. Geben Sie für **Auf Spalten anwenden** einen Wert an.
1. Wählen Sie **Vorschau**, um eine Vorschau der Transformation zu erstellen.
1. Wählen Sie **Hinzufügen**, um die Transformation zum Data Wrangler-Datenablauf hinzuzufügen.
### Nehmen Sie erneut Proben aus den Zeitreihendaten
Zeitreihendaten enthalten normalerweise Beobachtungen, die nicht in regelmäßigen Abständen erfolgen. Ein Datensatz kann z. B. Beobachtungen enthalten, die stündlich, und andere, die alle zwei Stunden aufgezeichnet werden.
Viele Analysen, z. B. Prognosealgorithmen, erfordern, dass die Beobachtungen in regelmäßigen Abständen erfolgen. Durch die erneute Probenahme können Sie für die Beobachtungen in Ihrem Datensatz regelmäßige Intervalle festlegen.
Sie können für eine Zeitreihe entweder ein mehr oder weniger Proben nehmen. Wenn Sie weniger Proben nehmen, wird das Intervall zwischen den Beobachtungen im Datensatz vergrößert. Wenn Sie z. B. Beobachtungen, die entweder stündlich oder alle zwei Stunden erfolgen, seltener machen, erfolgt jede Beobachtung in Ihrem Datensatz alle zwei Stunden. Die stündlichen Beobachtungen werden mithilfe einer Aggregationsmethode wie dem Mittelwert oder dem Median zu einem einzigen Wert aggregiert.
Wenn Sie mehr Proben nehmen, wird das Intervall zwischen den Beobachtungen im Datensatz verkleinert. Wenn Sie z. B. Beobachtungen, die alle zwei Stunden erfolgen, jetzt stündlich machen, können Sie mit Hilfe einer Interpolationsmethode stündliche Beobachtungen aus den Beobachtungen abzuleiten, die alle zwei Stunden erfolgt sind. [Informationen zu Interpolationsmethoden finden Sie unter Pandas. DataFrame.interpolieren.](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html)
Sie können sowohl bei numerischen als auch bei nicht-numerischen Daten die Anzahl der Proben ändern.
Mit Hilfe des Vorgangs **Probenahme ändern** können Sie die Häufigkeit der Probenahme für Ihre Zeitreihendaten ändern. Wenn Ihr Datensatz mehrere Zeitreihen enthält, standardisiert Data Wrangler das Zeitintervall für jede Zeitreihe.
Die folgende Tabelle zeigt ein Beispiel für Zeitreihendaten, bei denen die Häufigkeit der Probenahme unter Verwendung des Mittelwertes als Aggregationsmethode verringert wurde. Die Daten werden heruntergerechnet von alle zwei Stunden auf jede Stunde.
Stündliche Temperaturwerte im Tagesverlauf vor der Senkung der Messhäufigkeit
| Zeitstempel | Temperatur (° Celsius) |
| --- | --- |
| 12:00 | 30 |
| 1:00 | 32 |
| 2:00 | 35 |
| 3:00 | 32 |
| 4:00 | 30 |
Die Temperaturwerte wurden auf alle zwei Stunden heruntergerechnet
| Zeitstempel | Temperatur (° Celsius) |
| --- | --- |
| 12:00 | 30 |
| 2:00 | 33,5 |
| 4:00 | 35 |
Gehen Sie wie folgt vor, um die Häufigkeit der Probenahme bei Zeitreihendaten zu ändern.
1. Öffnen Sie Ihren Data Wrangler-Datenablauf.
1. Wählen Sie in Ihrem Datenablauf unter **Datentypen** das **\$1** und dann **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Probenahme ändern**.
1. Wählen Sie für **Zeitstempel** die Spalte mit den Zeitstempeln aus.
1. Geben Sie unter **Frequenzeinheit** die Frequenz an, mit der die Probenahme erfolgt.
1. (Optional) Geben Sie einen Wert für die **Frequenz**.
1. Konfigurieren Sie die Transformation, indem Sie in den verbleibenden Feldern Angaben machen.
1. Wählen Sie **Vorschau**, um eine Vorschau der Transformation zu erstellen.
1. Wählen Sie **Hinzufügen**, um die Transformation zum Data Wrangler-Datenablauf hinzuzufügen.
### Fehlende Zeitreihendaten behandeln
Wenn in Ihrem Datensatz Werte fehlen, können Sie eine der folgenden Maßnahmen ergreifen:
+ Löschen Sie bei Datensätzen mit mehreren Zeitreihen die Zeitreihen mit fehlenden Werten, die größer sind als ein von Ihnen angegebener Schwellenwert.
+ Imputieren Sie die fehlenden Werte in einer Zeitreihe, indem Sie andere Werte in der Zeitreihe verwenden.
Beim Imputieren eines fehlenden Wertes müssen die Daten entweder durch Angabe eines Wertes oder mit einer Methode zum Schlussfolgern ersetzt werden. Sie können die folgenden Methoden verwenden, um die fehlenden Werte zu imputieren:
+ Konstanter Wert – Ersetzt alle fehlenden Daten in Ihrem Datensatz durch einen von Ihnen angegebenen Wert.
+ Häufigster Wert – Ersetzt alle fehlenden Daten durch den Wert mit der größten Häufigkeit im Datensatz.
+ Vorwärtsauffüllung – Sie können fehlende Werte jeweils durch den vorangehenden Wert ersetzen, der nicht fehlt. Für die Sequenz: [2, 4, 7, NaN, NaN, NaN, 8] werden alle fehlenden Werte durch 7 ersetzt. Die Reihenfolge, die sich aus der Vorwärtsauffüllung ergibt, ist [2, 4, 7, 7, 7, 8].
+ Rückwärtsauffüllung – Hierbei werden fehlende Werte durch den jeweils nachfolgenden Wert ersetzt, der nicht fehlt. Für die Sequenz: [2, 4, 7, NaN, NaN, 8] werden alle fehlenden Werte durch 8 ersetzt. Die Reihenfolge, die sich aus der Rückwärtsauffüllung ergibt, ist [2, 4, 7, 8, 8, 8].
+ Interpolieren – Fehlende Werte werden mit Hilfe einer Interpolationsfunktion imputiert. [Weitere Informationen zu den Funktionen, die Sie für die Interpolation verwenden können, finden Sie unter Pandas. DataFrame.interpolieren.](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html)
Einige der Imputationsmethoden können ggf. nicht alle fehlenden Werte in Ihrem Datensatz imputieren. Eine **Vorwärtsauffüllung** kann z. B. keinen fehlenden Wert imputieren, der am Anfang der Zeitreihe erscheint. Sie können die Werte imputieren, indem Sie entweder eine Vorwärtsauffüllung oder eine Rückwärtsauffüllung verwenden.
Fehlende Werte können Sie entweder innerhalb einer Zelle oder innerhalb einer Spalte imputieren.
Das folgende Beispiel zeigt, wie Werte innerhalb einer Zelle imputiert werden.
Stromverbrauch mit fehlenden Werten
| Haushalts-ID | Stromverbrauchsserie (kWh) |
| --- | --- |
| household\$10 | [30, 40, 35, NaN, NaN] |
| household\$11 | [45, NaN, 55] |
Stromverbrauch mit Werten, die nach einem Forward-Fill-Verfahren unterstellt wurden
| Haushalts-ID | Stromverbrauchsserie (kWh) |
| --- | --- |
| household\$10 | [30, 40, 35, 35, 35] |
| household\$11 | [45, 45, 55] |
Das folgende Beispiel zeigt, wie Werte innerhalb einer Spalte unterstellt werden.
Durchschnittlicher täglicher Stromverbrauch im Haushalt mit fehlenden Werten
| Haushalts-ID | Stromverbrauch (kWh) |
| --- | --- |
| household\$10 | 30 |
| household\$10 | 40 |
| household\$10 | NaN |
| household\$11 | NaN |
| household\$11 | NaN |
Durchschnittlicher täglicher Stromverbrauch im Haushalt mit Werten, die anhand eines Forward-Fill-Verfahrens unterstellt werden
| Haushalts-ID | Stromverbrauch (kWh) |
| --- | --- |
| household\$10 | 30 |
| household\$10 | 40 |
| household\$10 | 40 |
| household\$11 | 40 |
| household\$11 | 40 |
Gehen Sie wie folgt vor, um fehlende Werte zu handhaben.
1. Öffnen Sie Ihren Data Wrangler-Datenablauf.
1. Wählen Sie in Ihrem Datenablauf unter **Datentypen** das **\$1** und dann **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Fehlende Werte handhaben** aus.
1. Wählen Sie für den **Eingabetyp Zeitreihe** aus, ob Sie fehlende Werte innerhalb einer Zelle oder entlang einer Spalte behandeln möchten.
1. Geben Sie unter **Fehlende Werte für diese Spalte imputieren** die Spalte mit den fehlenden Werten an.
1. Wählen Sie unter **Methode zum Imputieren von Werten** eine Methode aus.
1. Konfigurieren Sie die Transformation, indem Sie in den verbleibenden Feldern Angaben machen.
1. Wählen Sie **Vorschau**, um eine Vorschau der Transformation zu erstellen.
1. Wenn Ihnen Werte fehlen, können Sie unter **Methode zum Imputieren** eine Methode angeben, mit der diese imputiert werden sollen.
1. Wählen Sie **Hinzufügen** aus, um die Transformation zum Data Wrangler-Datenablauf hinzuzufügen.
### Überprüfen Sie den Zeitstempel Ihrer Zeitreihendaten
Sie haben ggf. ungültige Zeitstempeldaten. Mit der Funktion **Zeitstempel überprüfen** können Sie feststellen, ob die Zeitstempel in Ihrem Datensatz gültig sind. Ihr Zeitstempel kann aus einem oder mehreren der folgenden Gründe ungültig sein:
+ In Ihrer Spalte für die Zeitstempel fehlen Werte.
+ Die Werte in Ihrer Spalte für die Zeitstempel sind nicht richtig formatiert.
Wenn Ihr Datensatz ungültige Zeitstempel enthält, können Sie Ihre Analyse nicht erfolgreich durchführen. Mit Data Wrangler können Sie ungültige Zeitstempel identifizieren und herausfinden, wo Sie Ihre Daten bereinigen müssen.
Die Validierung von Zeitreihen erfolgt auf eine der beiden folgenden Weisen:
Sie können Data Wrangler so konfigurieren, dass eine der folgenden Maßnahmen ausgeführt wird, wenn in Ihrem Datensatz Werte fehlen:
+ Löschen Sie die Zeilen mit den fehlenden oder ungültigen Werten.
+ Suchen Sie die Zeilen mit den fehlenden oder ungültigen Werten.
+ Gibt einen Fehler aus, wenn fehlende oder ungültige Werte in Ihrem Datensatz gefunden werden.
Sie können die Zeitstempel für Spalten überprüfen, die entweder den Typ `timestamp` oder `string` haben. Wenn die Spalte vom Typ `string` ist, konvertiert Data Wrangler den Typ der Spalte in `timestamp` und nimmt die Validierung vor.
Gehen Sie wie folgt vor, um die Zeitstempel in Ihrem Datensatz zu überprüfen.
1. Öffnen Sie Ihren Data Wrangler-Datenablauf.
1. Wählen Sie in Ihrem Datenablauf unter **Datentypen** das **\$1** und dann **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Zeitstempel validieren** aus.
1. Wählen Sie für **Spalte für Zeitstempel** die Spalte mit den Zeitstempeln aus.
1. Wählen Sie unter **Richtlinie** aus, ob Sie mit fehlenden Zeitstempeln umgehen möchten.
1. (Optional) Geben Sie für **Ausgabespalte** einen Namen für die Ausgabespalte an.
1. Wenn die Datums- und Uhrzeitspalte für den Zeichenfolgentyp formatiert ist, wählen Sie **In Datetime umwandeln** aus.
1. Wählen Sie **Vorschau**, um eine Vorschau der Transformation zu erstellen.
1. Wählen Sie **Hinzufügen**, um die Transformation zum Data Wrangler-Datenablauf hinzuzufügen.
### Länge der Zeitreihe standardisieren
Wenn Sie Zeitreihendaten als Arrays abspeichern, können Sie jede Zeitreihe auf dieselbe Länge standardisieren. Wenn Sie die Länge des Zeitreihenarrays standardisieren, können Sie die Daten ggf. leichter analysieren.
Sie können Ihre Zeitreihen für Datentransformationen standardisieren, bei denen die Länge Ihrer Daten festgelegt werden muss.
Bei vielen ML-Algorithmen müssen Sie Ihre Zeitreihendaten abflachen, bevor Sie sie verwenden. Beim Abflachen von Zeitreihendaten wird jeder Wert der Zeitreihe in einer eigenen Spalte in einem Datensatz abgetrennt. Die Anzahl der Spalten in einem Datensatz kann sich nicht ändern. Daher muss die Länge der Zeitreihen standardisiert werden, wenn Sie jedes Array auf eine Reihe von Funktionen abflachen.
Jede Zeitreihe wird auf die Länge festgelegt, die Sie als Quantil oder Perzentil des Zeitreihensatzes angeben. Sie können z. B. drei Sequenzen mit folgenden Längen verwenden:
+ 3
+ 4
+ 5
Sie können die Länge aller Sequenzen als die Länge der Sequenz mit der Länge des 50. Perzentils festlegen.
Bei Zeitreihen-Arrays, die kürzer sind als die von Ihnen angegebene Länge, wurden fehlende Werte hinzugefügt. Das Folgende ist ein Beispielformat für die Standardisierung der Zeitreihe auf eine größere Länge: [2, 4, 5, NaN, NaN, NaN].
Sie können verschiedene Ansätze verwenden, um mit den fehlenden Werten umzugehen. Informationen zu diesen Ansätzen finden Sie unter [Fehlende Zeitreihendaten behandeln](#canvas-transform-handle-missing-time-series).
Die Zeitreihen-Arrays, die länger sind als die von Ihnen angegebene Länge, werden gekürzt.
Gehen Sie wie folgt vor, um die Länge der Zeitreihen zu standardisieren.
1. Öffnen Sie Ihren Data Wrangler-Datenablauf.
1. Wählen Sie in Ihrem Datenablauf unter **Datentypen** das **\$1** und dann **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Länge standardisieren**.
1. Wählen Sie unter **Länge der Zeitreihe für die Spalte standardisieren** eine Spalte aus.
1. (Optional) Geben Sie für **Ausgabespalte** einen Namen für die Ausgabespalte an. Wenn Sie keinen Namen angeben, wird die Transformation an Ort und Stelle vorgenommen.
1. Wenn die Datetime-Spalte für den Typ der Zeichenfolge formatiert ist, wählen Sie **In Datetime umwandeln** aus.
1. Wählen Sie **Grenz-Quantil** und geben Sie ein Quantil an, um die Länge der Sequenz festzulegen.
1. Wählen Sie **Ausgabe abflachen**, um die Werte der Zeitreihe in separate Spalten auszugeben.
1. Wählen Sie **Vorschau**, um eine Vorschau der Transformation zu erstellen.
1. Wählen Sie **Hinzufügen**, um die Transformation zum Data Wrangler-Datenablauf hinzuzufügen.
### Funktionen aus Ihren Zeitreihendaten extrahieren
Wenn Sie einen Klassifikations- oder Regressionsalgorithmus für Ihre Zeitreihendaten ausführen, empfehlen wir, Funktionen aus der Zeitreihe zu extrahieren, bevor Sie den Algorithmus ausführen. Funktionen zu extrahieren kann die Leistung Ihres Algorithmus verbessern.
Verwenden Sie die folgenden Optionen, um auszuwählen, wie Sie Funktionen aus Ihren Daten extrahieren möchten:
+ Verwenden Sie **Mindestteilmenge**, um anzugeben, dass 8 Funktionen extrahiert werden sollen, von denen Sie wissen, dass sie für nachgelagerte Analysen nützlich sind. Sie können eine Mindestteilmenge verwenden, wenn Sie Berechnungen schnell durchführen müssen. Sie können sie auch verwenden, wenn bei Ihrem ML-Algorithmus ein hohes Risiko einer Überanpassung besteht und Sie ihm weniger Funktionen zur Verfügung stellen möchten.
+ Verwenden Sie **Effiziente Teilmenge**, um anzugeben, dass möglichst viele Funktionen extrahiert werden sollen, ohne Funktionen zu extrahieren, die bei Ihren Analysen rechenintensiv sind.
+ Verwenden Sie **Alle Funktionen**, um anzugeben, dass alle Funktionen aus der Tune-Serie extrahiert werden sollen.
+ Verwenden Sie **Manuelle Teilmenge**, um eine Liste von Funktionen auszuwählen, die Ihrer Meinung nach die Variation in Ihren Daten gut erklären.
Gehen Sie wie folgt vor, um aus Ihren Zeitreihendaten Funktionen zu extrahieren.
1. Öffnen Sie Ihren Data Wrangler-Datenablauf.
1. Wählen Sie in Ihrem Datenablauf unter **Datentypen** das **\$1** und dann **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Funktionen extrahieren** aus.
1. Wählen Sie unter **Funktionen für diese Spalte extrahieren** eine Spalte aus.
1. (Optional) Wählen Sie **Abflachen** aus, um die Funktionen in separate Spalten auszugeben.
1. Wählen Sie unter **Strategie** eine Strategie zum Extrahieren der Funktionen aus.
1. Wählen Sie **Vorschau** aus, um eine Vorschau der Transformation zu erstellen.
1. Wählen Sie **Hinzufügen** aus, um die Transformation zum Data Wrangler-Datenablauf hinzuzufügen.
### Verwenden Sie verzögerte Funktionen aus Ihren Zeitreihendaten
In vielen Anwendungsfällen können Sie das zukünftige Verhalten Ihrer Zeitreihe am besten anhand ihres jüngsten Verhaltens vorhersagen.
Verzögerte Funktionen werden meist wie folgt verwendet:
+ Erfassung einer Handvoll Werte aus der Vergangenheit. Für die Zeit t \$1 1 sammeln Sie z. B. t, t – 1, t – 2 und t – 3.
+ Werte sammeln, die dem saisonalen Verhalten in den Daten entsprechen. Um z. B. die Belegung eines Restaurants um 13:00 Uhr vorherzusagen, verwenden Sie ggf. die Merkmale von 13:00 Uhr am Vortag. Wenn Sie die Merkmale von 12:00 Uhr oder 11:00 Uhr am selben Tag verwenden, sind diese evtl. nicht so aussagekräftig wie die der Vortage.
1. Öffnen Sie Ihren Data Wrangler-Datenablauf.
1. Wählen Sie in Ihrem Datenablauf unter **Datentypen** das **\$1** und dann **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Verzögerten Funktionen** aus.
1. Wählen Sie unter **Verzögerte Funktionen für diese Spalte erzeugen** eine Spalte aus.
1. Wählen Sie für **Spalte für Zeitstempel** die Spalte mit den Zeitstempeln aus.
1. Geben Sie für **Verzögerung** die Dauer der Verzögerung an.
1. (Optional) Konfigurieren Sie die Ausgabe mit Hilfe einer der folgenden Optionen:
+ **Das gesamte Verzögerungsfenster einschließen**
+ **Ausgabe abflachen**
+ **Zeilen ohne Verlauf löschen**
1. Wählen Sie **Vorschau**, um eine Vorschau der Transformation zu erstellen.
1. Wählen Sie **Hinzufügen**, um die Transformation zum Data Wrangler-Datenablauf hinzuzufügen.
### Einen DateTime-Bereich in Ihrer Zeitreihe erstellen
Sie haben ggf. Zeitreihendaten ohne Zeitstempel. Wenn Sie wissen, dass die Beobachtungen in regelmäßigen Abständen gemacht wurden, können Sie Zeitstempel für die Zeitreihen in einer separaten Spalte generieren. Um Zeitstempel zu generieren, geben Sie den Wert für den Anfangszeitstempel und die Häufigkeit der Zeitstempel an.
Sie haben z. B. die folgenden Zeitreihendaten für die Anzahl der Kunden in einem Restaurant.
Zeitreihendaten zur Anzahl der Kunden in einem Restaurant
| Anzahl der Kunden |
| --- |
| 10 |
| 14 |
| 24 |
| 40 |
| 30 |
| 20 |
Wenn Sie wissen, dass das Restaurant um 17:00 Uhr geöffnet hat und dass die Beobachtungen stündlich vorgenommen werden, können Sie eine Spalte für die Zeitstempel hinzufügen, die den Zeitreihendaten entspricht. Die Spalte für die Zeitstempel sehen Sie in der folgenden Tabelle.
Zeitreihendaten zur Anzahl der Kunden in einem Restaurant
| Anzahl der Kunden | Zeitstempel |
| --- | --- |
| 10 | 1:00 PM |
| 14 | 2:00 PM |
| 24 | 3:00 PM |
| 40 | 4:00 PM |
| 30 | 5:00 PM |
| 20 | 6:00 PM |
Gehen Sie wie folgt vor, um einen Datetime-Bereich zu Ihren Daten hinzuzufügen.
1. Öffnen Sie Ihren Data Wrangler-Datenablauf.
1. Wählen Sie in Ihrem Datenablauf unter **Datentypen** das **\$1** und dann **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Datetime-Bereich**.
1. Wählen Sie als **Frequenztyp** die Einheit aus, in der die Häufigkeit der Zeitstempel gemessen wird.
1. Geben Sie für **Anfangszeitstempel** den Anfangszeitstempel an.
1. Geben Sie für **Ausgabespalte** einen Namen für die Ausgabespalte an.
1. (Optional) Konfigurieren Sie die Ausgabe mithilfe der verbleibenden Felder.
1. Wählen Sie **Vorschau**, um eine Vorschau der Transformation zu erstellen.
1. Wählen Sie **Hinzufügen**, um die Transformation zum Data Wrangler-Datenablauf hinzuzufügen.
### Verwenden Sie in Ihrer Zeitreihe ein rollendes Fenster
Sie können Funktionen über einen Zeitraum extrahieren. Wir hängen z. B. für die Zeit *t* und eine Länge des Zeitfensters von 3 und für die Zeile, die den *t*-ten Zeitstempel angibt, die Merkmale an, die zu den Zeitpunkten *t* – 3, *t* -2 und *t* – 1 aus der Zeitreihe extrahiert wurden. Informationen zum Extrahieren von Funktionen finden Sie unter [Funktionen aus Ihren Zeitreihendaten extrahieren](#canvas-transform-extract-time-series-features).
Gehen Sie wie folgt vor, um Funktionen über einen Zeitraum zu extrahieren.
1. Öffnen Sie Ihren Data Wrangler-Datenablauf.
1. Wählen Sie in Ihrem Datenablauf unter **Datentypen** das **\$1** und dann **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Rollfensterfunktionen**.
1. Wählen Sie für **Rollfensterfunktionen für diese Spalte generieren** eine Spalte aus.
1. Wählen Sie für **Spalte für Zeitstempel** die Spalte mit den Zeitstempeln aus.
1. (Optional) Geben Sie für **Ausgabespalte** einen Namen für die Ausgabespalte an.
1. Geben Sie für **Fenstergröße** die Fenstergröße an.
1. Wählen Sie unter **Strategie** die Extraktionsstrategie aus.
1. Wählen Sie **Vorschau**, um eine Vorschau der Transformation zu generieren.
1. Wählen Sie **Hinzufügen**, um die Transformation zum Data Wrangler-Datenablauf hinzuzufügen.
## Datetime funktionalisieren
Mit Hilfe von **Datum/Uhrzeit funktionalisieren** können Sie eine Vektoreinbettung erstellen, die ein Datetime-Feld darstellt. Um diese Transformation anwenden zu können, müssen Ihre Datetime-Daten eines der folgenden Formate haben:
+ Zeichenfolgen, die Datetime beschreiben: Zum Beispiel `"January 1st, 2020, 12:44pm"`.
+ Ein Unix-Zeitstempel: Ein Unix-Zeitstempel beschreibt die Anzahl der Sekunden, Millisekunden, Mikrosekunden oder Nanosekunden ab dem 1.1.1970.
Sie können wählen, ob Sie das **Datetime-Format ableiten** und ein **Datetime-Format** angeben möchten. Wenn Sie ein Datetime-Format angeben, müssen Sie die in der [Python-Dokumentation](https://docs.python.org/3/library/datetime.html#strftime-and-strptime-format-codes) beschriebenen Codes verwenden. Die Optionen, die Sie für diese beiden Konfigurationen auswählen, haben Auswirkungen auf die Geschwindigkeit des Vorgangs und auf dessen Endergebnisse.
+ Die am stärksten manuelle und rechnerisch schnellste Option besteht darin, ein **Datetime-Format** anzugeben und für **Datetime-Format ableiten** die Option **Nein** auszuwählen.
+ Um den manuellen Aufwand zu reduzieren, können Sie **Datetime-Format ableiten** wählen und kein Datetime-Format angeben. Dies ist auch ein rechnerisch schneller Vorgang. Es wird jedoch davon ausgegangen, dass das erste Datetime-Format, das in der Eingabespalte gefunden wird, das Format für die gesamte Spalte ist. Wenn die Spalte andere Formate enthält, sind diese Werte in der endgültigen Ausgabe NaN. Das Datetime-Format ableiten zu lassen führt ggf. zu ungeparsten Zeichenfolgen.
+ Wenn Sie kein Format angeben und für **Datum/Uhrzeitformat ableiten** die Option **Nein** auswählen, erhalten Sie die robustesten Ergebnisse. Alle gültigen Datetime-Zeichenfolgen werden geparst. Dieser Vorgang kann jedoch um eine Größenordnung langsamer sein als die ersten beiden aufgeführten Optionen.
Wenn Sie diese Transformation verwenden, geben Sie eine **Eingabespalte** an, die Datetime-Daten in einem der oben aufgeführten Formate enthält. Die Transformation erstellt eine Ausgabespalte mit dem Namen **Ausgabespaltenname**. Das Format der Ausgabespalte hängt von Ihrer Konfiguration ab. Folgende Formate werden verwendet:
+ **Vektor**: Gibt eine einzelne Spalte als Vektor aus.
+ **Spalten**: Erzeugt für jede Funktion eine neue Spalte. Wenn die Ausgabe z. B. ein Jahr, einen Monat und einen Tag enthält, werden drei separate Spalten für Jahr, Monat und Tag erstellt.
Darüber hinaus müssen Sie einen **Einbettungsmodus** wählen. Für lineare Modelle und tiefe Netzwerke empfehlen wir, **zyklisch** zu wählen. Für Baumalgorithmen empfehlen wir die Option **ordinal**.
## Format-Zeichenfolge
Die Transformationen für **Zeichenfolge formatieren** enthalten Standardoperationen zur Formatierung von Zeichenfolgen. Mit Hilfe dieser Operationen können Sie z. B. Sonderzeichen entfernen, die Länge der Zeichenfolgen normalisieren und die Groß- und Kleinschreibung von Zeichenfolgen aktualisieren.
Diese Feature-Gruppe enthält die folgenden Transformationen. Alle Transformationen geben Kopien der Zeichenfolgen in der **Eingabespalte** zurück und fügen das Ergebnis zu einer neuen Ausgabespalte hinzu.
| Name | Funktion |
| --- | --- |
| Links auffüllen | Fügt in die Zeichenfolge links ein bestimmtes **Füllzeichen** ein, bis die angegebenen **Breite** eingehalten wird. Wenn die Zeichenfolge länger ist als die **Breite**, wird der Rückgabewert so gekürzt, dass die **Breite** eingehalten wird. |
| Rechts auffüllen | Fügt in die Zeichenfolge rechts ein bestimmtes **Füllzeichen** ein, bis die angegebene **Breite** eingehalten wird. Wenn die Zeichenfolge länger ist als die **Breite**, wird der Rückgabewert so gekürzt, dass die **Breite** eingehalten wird. |
| Mitte (beidseitig auffüllen) | Beidseitiges auffüllen der Zeichenfolge mit einem bestimmten **Füllzeichen** bis zur angegebenen **Breite**. Wenn die Zeichenfolge länger ist als die **Breite**, wird der Rückgabewert so gekürzt, dass die **Breite** eingehalten wird. |
| Nullen voranstellen | Die numerische Zeichenfolge wird links mit Nullen aufgefüllt, bis eine bestimmten **Breite** erreicht ist. Wenn die Zeichenfolge länger ist als die **Breite**, wird der Rückgabewert so gekürzt, dass die **Breite** eingehalten wird. |
| Links und rechts abschneiden | Gibt eine Kopie der Zeichenfolge zurück, bei der die Zeichen am Anfang und am Ende entfernt wurden. |
| Links abschneiden | Gibt eine Kopie der Zeichenfolge zurück, bei der die Zeichen am Anfang entfernt wurden. |
| Rechts abschneiden | Gibt eine Kopie der Zeichenfolge zurück, bei der die Zeichen am Ende entfernt wurden. |
| Kleinschreibung | Wandelt alle Buchstaben im Text in Kleinbuchstaben um. |
| Großbuchstaben | Wandelt alle Buchstaben im Text in Großbuchstaben um. |
| Groß schreiben | Der erste Buchstaben in jedem Satz wird groß geschrieben. |
| Schreibung vertauschen | Konvertiert alle Großbuchstaben der angegebenen Zeichenfolge in Kleinbuchstaben und alle Kleinbuchstaben in Großbuchstaben und gibt sie zurück. |
| Präfix oder Suffix hinzufügen | Fügt zu der Spalte mit der Zeichenfolge ein Präfix und ein Suffix hinzu. Sie müssen mindestens ein **Präfix** und ein **Suffix** angeben. |
| Symbole entfernen | Entfernt die angegebenen Symbole aus einer Zeichenfolge. Alle aufgeführten Zeichen werden entfernt. Standardmäßig Leerzeichen. |
## Ausreißer behandeln
Machine-Learning-Modelle sind empfindlich für die Verteilung und den Bereich Ihrer Feature-Werte. Ausreißer oder seltene Werte können sich negativ auf die Modellgenauigkeit auswirken und zu längeren Trainingszeiten führen. Mit Hilfe dieser Feature-Gruppe können Sie Ausreißer in Ihrem Datensatz erkennen und aktualisieren.
Wenn Sie den Transformationsschritt **Ausreißer behandeln** definieren, werden die Statistiken, die zur Erkennung von Ausreißern verwendet werden, bei der Definition dieses Schritts anhand der in Data Wrangler verfügbaren Daten generiert. Dieselben Statistiken werden verwendet, wenn ein Data Wrangler-Auftrag ausgeführt wird.
In den folgenden Abschnitten erfahren Sie mehr über die Transformationen, die diese Gruppe enthält. Sie geben einen **Ausgabenamen** an. Dann erzeugt jede dieser Transformationen eine Ausgabespalte mit den resultierenden Daten.
### Numerische Ausreißer mit robuster Standardabweichung
Diese Transformation erkennt und behebt Ausreißer in numerischen Features mithilfe von Statistiken, die gegenüber Ausreißern robust sind.
Sie müssen ein **oberes Quantil** und ein **unteres Quantil** für die Statistiken definieren, die zur Berechnung von Ausreißern verwendet werden. Sie müssen auch die Anzahl der **Standardabweichungen** angeben, um die ein Wert vom Mittelwert abweichen muss, um als Ausreißer betrachtet zu werden. Wenn Sie z. B. für **Standardabweichungen** 3 angeben, muss ein Wert um mehr als 3 Standardabweichungen vom Mittelwert abweichen, um als Ausreißer betrachtet zu werden.
Die **Fix-Methode** ist die Methode, mit der Ausreißer behandelt werden, wenn sie erkannt werden. Sie können aus den folgenden Optionen auswählen:
+ **Abschneiden**: Mit dieser Option können Sie die Ausreißer auf die entsprechende Erkennungsgrenze für Ausreißer zurückschneiden.
+ **Entfernen**: Mit dieser Option können Sie Zeilen mit Ausreißern aus dem Datenrahmen entfernen.
+ **Ungültig machen**: Mit dieser Option können Sie Ausreißer durch ungültige Werte ersetzen.
### Numerische Ausreißer mit Standardabweichung
Diese Transformation erkennt und behebt Ausreißer in numerischen Funktionen anhand des Mittelwertes und der Standardabweichung.
Sie geben die Anzahl der **Standardabweichungen an**, um die ein Wert vom Mittelwert abweichen muss, um als Ausreißer betrachtet zu werden. Wenn Sie z. B. für **Standardabweichungen** 3 angeben, muss ein Wert um mehr als 3 Standardabweichungen vom Mittelwert abweichen, um als Ausreißer betrachtet zu werden.
Die **Fix-Methode** ist die Methode, mit der Ausreißer behandelt werden, wenn sie erkannt werden. Sie können aus den folgenden Optionen auswählen:
+ **Abschneiden**: Mit dieser Option können Sie die Ausreißer auf die entsprechende Erkennungsgrenze für Ausreißer zurückschneiden.
+ **Entfernen**: Mit dieser Option können Sie Zeilen mit Ausreißern aus dem Datenrahmen entfernen.
+ **Ungültig machen**: Mit dieser Option können Sie Ausreißer durch ungültige Werte ersetzen.
### Numerische Ausreißer anhand von Quantilen
Mit Hilfe dieser Transformation können Sie Ausreißer in numerischen Features mithilfe von Quantilen erkennen und korrigieren. Sie können ein **oberes Quantil** und ein **unteres Quantil** definieren. Alle Werte, die über dem oberen Quantil oder unter dem unteren Quantil liegen, gelten als Ausreißer.
Die **Fix-Methode** ist die Methode, mit der Ausreißer behandelt werden, wenn sie erkannt werden. Sie können aus den folgenden Optionen auswählen:
+ **Abschneiden**: Mit dieser Option können Sie die Ausreißer auf die entsprechende Erkennungsgrenze für Ausreißer zurückschneiden.
+ **Entfernen**: Mit dieser Option können Sie Zeilen mit Ausreißern aus dem Datenrahmen entfernen.
+ **Ungültig machen**: Mit dieser Option können Sie Ausreißer durch ungültige Werte ersetzen.
### Numerische Ausreißer (Min./Max.)
Diese Transformation erkennt und behebt Ausreißer in numerischen Funktionen anhand oberer und unterer Schwellenwerte. Verwenden Sie diese Methode, wenn Sie Schwellenwerte kennen, die Ausreißer kennzeichnen.
Sie geben einen **oberen Schwellenwert** und einen **unteren Schwellenwert** an. Wenn Werte diese Schwellenwerte über- bzw. unterschreiten, werden sie als Ausreißer betrachtet.
Die **Fix-Methode** ist die Methode, mit der Ausreißer behandelt werden, wenn sie erkannt werden. Sie können aus den folgenden Optionen auswählen:
+ **Abschneiden**: Mit dieser Option können Sie die Ausreißer auf die entsprechende Erkennungsgrenze für Ausreißer zurückschneiden.
+ **Entfernen**: Mit dieser Option können Sie Zeilen mit Ausreißern aus dem Datenrahmen entfernen.
+ **Ungültig machen**: Mit dieser Option können Sie Ausreißer durch ungültige Werte ersetzen.
### Seltene ersetzen
Wenn Sie die Transformation **Seltene ersetzen** verwenden, geben Sie einen Schwellenwert an, und Data Wrangler findet dann alle Werte, die diesem Schwellenwert entsprechen, und ersetzt sie durch eine von Ihnen angegebene Zeichenfolge. Mit Hilfe dieser Transformation können Sie z. B. alle Ausreißer in einer Spalte in eine Kategorie „Sonstige“ einzuteilen.
+ **Ersatzzeichenfolge**: Die Zeichenfolge, durch die Ausreißer ersetzt werden sollen.
+ **Absoluter Schwellenwert**: Eine Kategorie ist selten, wenn die Anzahl der Instances kleiner oder gleich diesem absoluten Schwellenwert ist.
+ **Bruchschwelle**: Eine Kategorie ist selten, wenn die Anzahl der Instances kleiner oder gleich dieser Bruchschwelle multipliziert mit der Anzahl der Zeilen ist.
+ **Höchstzahl häufig verwendeter Kategorien**: Höchstzahl nicht seltener Kategorien, die nach dem Vorgang noch übrig sind. Wenn mit dem Schwellenwert nicht genügend Kategorien gefiltert werden, werden diejenigen, die am häufigsten auftreten, als nicht selten eingestuft. Wenn der Wert auf 0 (Standard) gesetzt ist, gibt es keine hartes Limit für die Anzahl der Kategorien.
## Fehlende Werte behandeln
Fehlende Werte treten in Datensätzen für Machine Learning häufig auf. Manchmal können fehlende Daten durch einen berechneten Wert ersetzt werden, z. B. einen Durchschnittswert oder einen kategorisch häufigen Wert. Fehlende Werte können Sie mithilfe der Transformationsgruppe **Fehlende Werte behandeln** bearbeiten. Diese Gruppe enthält die folgenden Transformationen.
### Fehlende auffüllen
Verwenden Sie die Transformation **Fehlende auffüllen**, um fehlende Werte durch einen von Ihnen definierten **Füllwert** zu ersetzen.
### Fehlende imputieren
Mit Hilfe der Transformation **Fehlende imputieren** können Sie eine neue Spalte erstellen, die imputierte Werte enthält, bei denen fehlende Werte in kategorischen und numerischen Eingabedaten gefunden wurden. Die Konfiguration ist abhängig von Ihrem Datentyp.
Wählen Sie eine Strategie zum Imputieren numerischer Daten aus, mit deren Hilfe der neue zu imputierende Wert bestimmt wird. Sie können wählen, ob Sie den Mittelwert oder den Median über die in Ihrem Datensatz vorhandenen Werte imputieren wollen. Data Wrangler imputiert anhand des berechneten die fehlenden Werte.
Bei kategorischen Daten imputiert Data Wrangler fehlende Werte anhand des häufigsten Wertes in der Spalte. Um eine benutzerdefinierte Zeichenfolge zu imputieren, verwenden Sie stattdessen die Transformation **Fehlende auffüllen**.
### Indikator für fehlende hinzufügen
Mit Hilfe der Transformation **Indikator für fehlende hinzufügen** können Sie eine neue Indikatorspalte erstellen, die einen booleschen `"false"` enthält, wenn eine Zeile einen Wert enthält, und `"true"`, wenn eine Zeile einen fehlenden Wert enthält.
### Fehlende Löschen
Mit Hilfe der die Option **Fehlende löschen** können Sie Zeilen aus der **Eingabespalte** löschen, die fehlende Werte enthalten.
## Spalten verwalten
Mit Hilfe der folgenden Transformation können Sie Spalten in Ihrem Datensatz schnell aktualisieren und verwalten:
****
| Name | Funktion |
| --- | --- |
| Spalte fallen lassen | Spalte löschen. |
| Spalte duplizieren | Eine Spalte duplizieren. |
| Spalte umbenennen | Eine Spalte umbenennen. |
| Spalte verschieben | Position einer Spalte im Datensatz verschieben. Wählen Sie, ob Sie Ihre Spalte an den Anfang oder das Ende des Datensatzes, vor oder nach einer Referenzspalte oder in einen bestimmten Index verschieben möchten. |
## Zeilen verwalten
Mit Hilfe dieser Transformationsgruppe können Sie schnell Sortier- und Mischvorgänge für Zeilen durchzuführen. Diese Gruppe enthält:
+ **Sortieren**: Sortiert den gesamten Datenrahmen nach einer bestimmten Spalte. Aktivieren Sie für diese Option das Kontrollkästchen neben **Aufsteigendde Reihenfolge**. Andernfalls deaktivieren Sie das Kontrollkästchen. Die Sortierung erfolgt dann in absteigender Reihenfolge.
+ **Mischen**: Alle Zeilen im Datensatz werden nach dem Zufallsprinzip gemischt.
## Vektoren verwalten
Mit Hilfe dieser Transformationsgruppe können Sie Vektorspalten kombinieren oder abflachen. Diese Gruppe enthält die folgenden Transformationen.
+ **Zusammenführen**: Mit Hilfe der Transformation können Sie Spark-Vektoren und numerische Daten in einer einzigen Spalte kombinieren. Sie können z. B. drei Spalten kombinieren: zwei mit numerischen Daten und eine mit Vektoren. Fügen Sie alle Spalten, die Sie kombinieren möchten, zu den **Eingabespalten** hinzu und geben Sie einen **Namen für die Ausgabespalte** für die kombinierten Daten an.
+ **Abflachen**: Mit Hilfe der Transformation können Sie eine einzelne Spalte mit Vektordaten abflachen. Die Eingabespalte muss PySpark Vektoren oder array-ähnliche Objekte enthalten. Sie können die Anzahl der erstellten Spalten steuern, indem Sie eine **Methode zur Ermittlung der Anzahl der Ausgaben** angeben. Wenn Sie z. B. **Länge des ersten Vektors** auswählen, bestimmt die Anzahl der Elemente im ersten gültigen Vektor oder Array in der Spalte die Anzahl der Ausgabespalten, die erstellt werden. Alle anderen Eingabevektoren mit zu vielen Elementen werden gekürzt. Eingaben mit zu wenigen Elementen sind gefüllt. NaNs
Sie geben außerdem ein **Ausgabepräfix** an, das als Präfix für jede Ausgabespalte verwendet wird.
## Numerisch verarbeiten
Mit Hilfe der Feature-Gruppe **Numerisch verarbeiten** können Sie numerische Daten verarbeiten. Jeder Skalar in dieser Gruppe wird mithilfe der Spark-Bibliothek definiert. Die folgenden Skalare werden unterstützt:
+ **Standard-Skalierer**: Standardisieren Sie die Eingabespalte, indem Sie von jedem Wert den Mittelwert subtrahieren und auf die Einheitsvarianz skalieren. Weitere Informationen finden Sie in der Spark-Dokumentation für [StandardScaler](https://spark.apache.org/docs/latest/ml-features#standardscaler).
+ **Robuster Skalierer**: Skalieren Sie die Eingabespalte mithilfe von Statistiken, die gegenüber Ausreißern robust sind. Weitere Informationen finden Sie in der Spark-Dokumentation für [RobustScaler](https://spark.apache.org/docs/latest/ml-features#robustscaler).
+ **Min./Max.-Scaler**: Transformieren Sie die Eingabespalte, indem Sie jede Funktion auf einen bestimmten Bereich skalieren. Weitere Informationen finden Sie in der Spark-Dokumentation für [MinMaxScaler](https://spark.apache.org/docs/latest/ml-features#minmaxscaler).
+ **Max.-Absolutskalierer**: Skalieren Sie die Eingabespalte, indem Sie jeden Wert durch den maximalen Absolutwert dividieren. Weitere Informationen finden Sie in der Spark-Dokumentation für [MaxAbsScaler](https://spark.apache.org/docs/latest/ml-features#maxabsscaler).
## Sampling
Wenn Sie Ihre Daten importiert haben, können Sie mit Hilfe der Transformation **Probenahme** eine oder mehrere Stichproben daraus nehmen. Wenn Sie den Sampling-Transformator verwenden, nimmt Data Wrangler Stichproben aus Ihrem ursprünglichen Datensatz.
Sie können eine der folgenden Probenahmemethoden wählen:
+ **Limit**: Dem Datensatz werden von der ersten Zeile bis zu dem von Ihnen angegebenen Grenzwert Proben entnommen.
+ **Randomisiert**: Nimmt eine zufällige Stichprobe mit einer von Ihnen angegebenen Größe.
+ **Stratifiziert**: Entnimmt eine geschichtete Zufallsstichprobe.
Sie können eine randomisierte Stichprobe stratifizieren, damit sie die ursprüngliche Verteilung des Datensatzes wiedergibt.
Sie bereiten ggf. Daten für mehrere Anwendungsfälle vor. Für jeden Anwendungsfall können Sie eine andere Probe nehmen und einen anderen Satz von Transformationen anwenden.
Das folgende Verfahren beschreibt den Prozess der Erstellung einer Zufallsstichprobe.
Um aus Ihren Daten eine Zufallsstichprobe zu nehmen.
1. Wählen Sie das **\$1** rechts neben dem Datensatz, den Sie importiert haben. Der Name Ihres Datensatzes befindet sich unter dem **\$1**.
1. Wählen Sie **Transformation hinzufügen** aus.
1. Wählen Sie **Sampling** aus.
1. Wählen Sie als **Sampling-Methode** die Sampling-Methode aus.
1. Wählen Sie als **Ungefähre Samplinggröße** die ungefähre Anzahl von Beobachtungen aus, die Sie für Ihre Stichprobe verwenden möchten.
1. (Optional) Geben Sie eine Ganzzahl für **Zufälliger Anfangswert** ein, um eine reproduzierbare Stichprobe zu erstellen.
Das folgende Verfahren beschreibt den Prozess der Erstellung einer geschichteten Stichprobe.
Um aus Ihren Daten eine geschichtete Stichprobe zu nehmen.
1. Wählen Sie das **\$1** rechts neben dem Datensatz, den Sie importiert haben. Der Name Ihres Datensatzes befindet sich unter dem **\$1**.
1. Wählen Sie **Transformation hinzufügen** aus.
1. Wählen Sie **Sampling** aus.
1. Wählen Sie als **Sampling-Methode** die Sampling-Methode aus.
1. Wählen Sie als **Ungefähre Samplinggröße** die ungefähre Anzahl von Beobachtungen aus, die Sie für Ihre Stichprobe verwenden möchten.
1. Geben Sie unter **Spalte stratifizieren** den Namen der Spalte an, für die Sie eine Stratifizierung vornehmen wollen.
1. (Optional) Geben Sie eine Ganzzahl für **Zufälliger Anfangswert** ein, um eine reproduzierbare Stichprobe zu erstellen.
## Suchen und Bearbeiten
In diesem Abschnitt können Sie in Zeichenfolgen nach bestimmten Mustern suchen und diese bearbeiten. Sie können z. B. Zeichenfolgen in Sätzen oder Dokumenten suchen und aktualisieren, Zeichenfolgen nach Trennzeichen aufteilen und das Vorkommen bestimmter Zeichenfolgen finden.
Die folgenden Transformationen werden unter **Suchen und Bearbeiten** unterstützt. Alle Transformationen geben in der **Eingabespalte** Kopien der Zeichenfolgen zurück und fügen das Ergebnis zu einer neuen Ausgabespalte hinzu.
****
| Name | Funktion |
| --- | --- |
| Teilstring suchen | Gibt den Index des ersten Vorkommens des **Teilstrings** zurück, nach dem Sie gesucht haben. Sie können die Suche am **Anfang** bzw. am **Ende** beginnen bzw. beenden. |
| Teilstring suchen (von rechts) | Gibt den Index des letzten Vorkommens des **Teilstrings** zurück, nach dem Sie gesucht haben. Sie können die Suche am **Anfang** bzw. am **Ende** beginnen bzw. beenden. |
| Entspricht dem Präfix | Gibt einen booleschen Wert zurück, wenn die Zeichenfolge ein bestimmtes **Muster** enthält. Ein Muster kann eine Zeichenfolge oder ein regulärer Ausdruck sein. Optional können Sie festlegen, dass das Muster zwischen Groß- und Kleinschreibung unterscheidet. |
| Alle Vorkommen suchen | Gibt ein Array mit allen Vorkommen eines bestimmten Musters zurück. Ein Muster kann eine Zeichenfolge oder ein regulärer Ausdruck sein. |
| Mit Regex extrahieren | Gibt eine Zeichenfolge zurück, die einem bestimmten Regex-Muster entspricht. |
| Zwischen Trennzeichen extrahieren | Gibt eine Zeichenfolge mit allen Zeichen zurück, die zwischen dem **linken Trennzeichen** und dem **rechten Trennzeichen** gefunden wurden. |
| Von Position extrahieren | Gibt eine Zeichenfolge zurück, die an der **Startposition** in der Eingabezeichenfolge beginnt und alle Zeichen bis zur Startposition plus **Länge** enthält. |
| Teilstring suchen und ersetzen | Gibt eine Zeichenfolge zurück, bei der alle Treffer eines bestimmten **Musters** (regulärer Ausdruck) durch eine **Ersatzzeichenfolge** ersetzt wurden. |
| Zwischen Trennzeichen ersetzen | Gibt eine Zeichenfolge zurück, bei der der Teilstring zwischen dem ersten Auftreten eines **linken Trennzeichens** und dem letzten Auftreten eines **rechten Trennzeichens** durch eine **Ersatzzeichenfolge** ersetzt wird. Wenn keine Übereinstimmung gefunden wird, wird nichts ersetzt. |
| Von Position aus ersetzen | Gibt eine Zeichenfolge zurück, bei der der Teilstring zwischen **Startposition** und **Startposition** plus **Länge** durch die **Ersatzzeichenfolge** ersetzt wurde. Wenn **Startposition** plus **Länge** größer ist als die Länge der Ersatzzeichenfolge, enthält die Ausgabe **...**. |
| Regex in Fehlende umwandeln | Konvertiert eine Zeichenfolge in `None`, falls sie ungültig ist, und gibt das Ergebnis zurück. Die Gültigkeit wird mit einem regulären Ausdruck in **Muster** definiert. |
| Zeichenfolge mit Trennzeichen aufteilen | Gibt ein Array von Zeichenfolgen aus der Eingabezeichenfolge zurück, das durch **Trennzeichen** aufgeteilt ist, mit bis zur **maximalen Anzahl Aufteilungen** (optional). Das Standardtrennzeichen ist das Leerzeichen. |
## Daten aufteilen
Mit Hilfe der Transformation **Daten aufteilen** können Sie Ihren Datensatz in zwei oder drei Datensätze aufteilen. Sie können Ihren Datensatz z. B. in einen Datensatz aufteilen, der zum Trainieren Ihres Modells und einen, der zum Testen verwendet wird. Sie können den Anteil des Datensatzes bestimmen, der in jeden Teil einfließen soll. Wenn Sie z. B. einen Datensatz in zwei Datensätze aufteilen, kann der Trainingsdatensatz 80 % der Daten enthalten, während der Testdatensatz 20 % enthält.
Wenn Sie Ihre Daten in drei Datensätze aufteilen, können Sie Trainings-, Validierungs- und Testdatensätze erstellen. Sie können sehen, wie gut das Modell im Testdatensatz abschneidet, indem Sie die Zielspalte löschen.
Ihr Anwendungsfall bestimmt, wie viel vom ursprünglichen Datensatz jeder Ihrer Datensätze erhält und nach welcher Methode Sie die Daten aufteilen. Sie möchten z. B. vielleicht eine stratifizierte Aufteilung verwenden, damit die Verteilung der Beobachtungen in der Zielspalte über alle Datensätze hinweg identisch ist. Zur Aufteilung können Sie die folgenden Transformationen verwenden:
+ Zufällige Aufteilung – Jede Aufteilung ist eine zufällige, nicht überlappende Stichprobe des ursprünglichen Datensatzes. Bei größeren Datensätzen kann die Verwendung einer zufälligen Aufteilung rechenintensiv sein und länger dauern als eine geordnete Aufteilung.
+ Geordnete Aufteilung – Teilt den Datensatz anhand der sequentiellen Reihenfolge der Beobachtungen auf. Beispiel: Bei einer Aufteilung von Trainingstests im Verhältnis 80/20 werden die ersten Beobachtungen, die 80 % des Datensatzes ausmachen, in den Trainingsdatensatz übernommen. Die letzten 20 % der Beobachtungen fließen in den Testdatensatz ein. Geordnete Aufteilungen können die bestehende Reihenfolge der Daten zwischen den Aufteilungen wirksam beibehalten.
+ Stratifizierte Aufteilung – Teilt den Datensatz auf, damit die Anzahl der Beobachtungen in der Eingabespalte proportional repräsentiert sind. Für eine Eingabespalte mit den Beobachtungen 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 3, 3 würde eine 80/20-Aufteilung in der Spalte bedeuten, dass ca. 80 % der Einsen, 80 % der Zweien und 80 % der Dreien in den Trainingssatz eingehen. Etwa 20 % jedes Beobachtungstyps gehen in den Testdatensatz ein.
+ Nach Schlüsseln aufteilen – Hierbei wird vermieden, dass Daten mit demselben Schlüssel in mehr als einer Aufteilung vorkommen. Wenn Sie z. B. einen Datensatz mit der Spalte customer\$1id haben und diesen als Schlüssel verwenden, ist keine Kunden-ID in mehr als einer Aufteilung enthalten.
Wenn Sie die Daten aufgeteilt haben, können Sie auf jeden Datensatz weitere Transformationen anwenden. Für die meisten Anwendungsfälle ist dies nicht erforderlich.
Data Wrangler berechnet die Anteile der Aufteilungen im Hinblick auf ihre Leistung. Sie können einen Fehlerschwellenwert wählen, um die Genauigkeit der Aufteilungen festzulegen. Niedrigere Fehlerschwellenwerte geben die Anteile genauer wieder, die Sie für die Aufteilungen angeben. Wenn Sie einen höheren Fehlerschwellenwert festlegen, erzielen Sie eine bessere Leistung, aber eine geringere Genauigkeit.
Setzen Sie den Fehlerschwellenwert auf 0, um perfekt aufgeteilte Daten zu erhalten. Sie können einen Schwellenwert zwischen 0 und 1 angeben, um die Leistung zu verbessern. Wenn Sie einen Wert größer als 1 angeben, interpretiert Data Wrangler diesen Wert als 1.
Wenn Ihr Datensatz 10.000 Zeilen enthält und Sie eine 80/20-Aufteilung mit einem Fehler von 0,001 angeben, erhalten Sie Beobachtungen, die annähernd einem der folgenden Ergebnisse entsprechen:
+ 8010 Beobachtungen im Trainingssatz und 1990 im Testsatz
+ 7990 Beobachtungen im Trainingssatz und 2010 im Testsatz
Die Anzahl der Beobachtungen für den Testsatz im obigen Beispiel liegt im Intervall zwischen 8010 und 7990.
Data Wrangler verwendet standardmäßig einen zufälligen Anfangswert, damit die Aufteilungen reproduzierbar sind. Sie können für den Anfangswert einen anderen Wert angeben, um eine andere reproduzierbare Aufteilung zu erzeugen.
------
#### [ Randomized split ]
Gehen Sie folgendermaßen vor, um Ihren Datensatz nach dem Zufallsprinzip aufzuteilen.
Gehen Sie folgendermaßen vor, um Ihren Datensatz nach dem Zufallsprinzip aufzuteilen
1. Wählen Sie das **\$1** neben dem Knoten aus, der den aufzuteilenden Datensatz enthält.
1. Wählen Sie **Transformation hinzufügen** aus.
1. Wählen Sie **Daten aufteilen** aus.
1. (Optional) Geben Sie für **Aufteilungen** die Namen und Anteile der einzelnen Aufteilungen an. Die Summe der Anteile muss 1 ergeben.
1. (Optional) Wählen Sie **\$1**, um eine weitere Aufteilung zu erstellen.
1. Geben Sie die Namen und Anteile aller Aufteilungen an. Die Summe der Anteile muss 1 ergeben.
1. (Optional) Geben Sie für den **Fehlerschwellenwert** einen anderen Wert als den Standardwert an.
1. (Optional) Geben Sie einen Wert für **Zufälliger Anfangswert** an.
1. Wählen Sie **Preview** (Vorschau) aus.
1. Wählen Sie **Hinzufügen** aus.
------
#### [ Ordered split ]
Gehen Sie wie folgt vor, um eine geordnete Aufteilung Ihres Datensatzes vorzunehmen.
Gehen Sie wie folgt vor, um eine geordnete Aufteilung Ihres Datensatzes vorzunehmen.
1. Wählen Sie das **\$1** neben dem Knoten aus, der den aufzuteilenden Datensatz enthält.
1. Wählen Sie **Transformation hinzufügen** aus.
1. Wählen Sie für **Transformation** die Option **Geordnete Aufteilung** aus.
1. Wählen Sie **Daten aufteilen** aus.
1. (Optional) Geben Sie für **Aufteilungen** die Namen und Anteile der einzelnen Aufteilungen an. Die Summe der Anteile muss 1 ergeben.
1. (Optional) Wählen Sie **\$1**, um eine weitere Aufteilung zu erstellen.
1. Geben Sie die Namen und Anteile aller Aufteilungen an. Die Summe der Anteile muss 1 ergeben.
1. (Optional) Geben Sie für den **Fehlerschwellenwert** einen anderen Wert als den Standardwert an.
1. (Optional) Geben Sie für **Eingabespalte** eine Spalte mit numerischen Werten an. Verwendet die Werte der Spalten, um daraus abzuleiten, welche Datensätze sich in jedem Teil befinden. Die kleineren Werte befinden sich im einen, die größeren im anderen Teil.
1. (Optional) Wählen Sie **Duplikate behandeln**, um zu doppelten Werten Rauschen hinzuzufügen und einen Datensatz mit völlig eindeutigen Werten zu erstellen.
1. (Optional) Geben Sie einen Wert für **Zufälliger Anfangswert** an.
1. Wählen Sie **Preview** (Vorschau) aus.
1. Wählen Sie **Hinzufügen** aus.
------
#### [ Stratified split ]
Gehen Sie wie folgt vor, um eine stratifizierte Aufteilung Ihres Datensatzes vorzunehmen.
Gehen Sie wie folgt vor, um eine stratifizierte Aufteilung Ihres Datensatzes vorzunehmen.
1. Wählen Sie das **\$1** neben dem Knoten aus, der den aufzuteilenden Datensatz enthält.
1. Wählen Sie **Transformation hinzufügen** aus.
1. Wählen Sie **Daten aufteilen** aus.
1. Wählen Sie für **Transformation** die Option **Stratifizierte Aufteilung** aus.
1. (Optional) Geben Sie für **Aufteilungen** die Namen und Anteile der einzelnen Aufteilungen an. Die Summe der Anteile muss 1 ergeben.
1. (Optional) Wählen Sie **\$1**, um eine weitere Aufteilung zu erstellen.
1. Geben Sie die Namen und Anteile aller Aufteilungen an. Die Summe der Anteile muss 1 ergeben.
1. Geben Sie für **Eingabespalte** eine Spalte mit bis zu 100 eindeutigen Werten an. Data Wrangler kann keine Spalte stratifizieren, die mehr als 100 eindeutige Werte hat.
1. (Optional) Geben Sie für den **Fehlerschwellenwert** einen anderen Wert als den Standardwert an.
1. (Optional) Geben Sie einen Wert für **Zufälliger Anfangswert** an, um einen anderen Anfangswert anzugeben.
1. Wählen Sie **Preview** (Vorschau) aus.
1. Wählen Sie **Hinzufügen** aus.
------
#### [ Split by column keys ]
Gehen Sie wie folgt vor, um die Teilung nach den Spaltenschlüsseln in Ihrem Datensatz vorzunehmen.
Gehen Sie wie folgt vor, um die Aufteilung nach den Spaltenschlüsseln in Ihrem Datensatz vorzunehmen.
1. Wählen Sie das **\$1** neben dem Knoten aus, der den aufzuteilenden Datensatz enthält.
1. Wählen Sie **Transformation hinzufügen** aus.
1. Wählen Sie **Daten aufteilen** aus.
1. Wählen Sie für **Transformation** die Option **Nach Schlüssel teilen** aus.
1. (Optional) Geben Sie für **Aufteilungen** die Namen und Anteile der einzelnen Aufteilungen an. Die Summe der Anteile muss 1 ergeben.
1. (Optional) Wählen Sie **\$1**, um eine weitere Aufteilung zu erstellen.
1. Geben Sie die Namen und Anteile aller Aufteilungen an. Die Summe der Anteile muss 1 ergeben.
1. Geben Sie für **Schlüsselspalten** die Spalten mit Werten an, die nicht in beiden Datensätzen erscheinen sollen.
1. (Optional) Geben Sie für den **Fehlerschwellenwert** einen anderen Wert als den Standardwert an.
1. Wählen Sie **Preview** (Vorschau) aus.
1. Wählen Sie **Hinzufügen** aus.
------
## Wert als Typ parsen
Verwenden Sie diese Transformation, um eine Spalte in einen neuen Typ umzuwandeln. Die unterstützten Data Wrangler-Datentypen sind:
+ Long
+ Gleitkommazahl
+ Boolesch
+ Datum in dem Format dd-MM-yyyy, das jeweils für Tag, Monat und Jahr steht.
+ Zeichenfolge
## Zeichenfolge validieren
Mit Hilfe der Transformation **Zeichenfolge überprüfen** können Sie eine neue Spalte erstellen, die angibt, dass eine Zeile mit Textdaten eine bestimmte Bedingung erfüllt. Sie können z. B. mit Hilfe einer Transformation vom Typ **Zeichenfolge überprüfen** überprüfen, ob eine Zeichenfolge nur Kleinbuchstaben enthält. Unter **Zeichenfolge überprüfen** werden die folgenden Transformationen unterstützt.
In dieser Transformationsgruppe sind die folgenden Transformationen enthalten. Wenn eine Transformation einen booleschen Wert ausgibt, wird `True` mit einer dargestellt `1` und `False` mit einer `0`.
****
| Name | Funktion |
| --- | --- |
| Länge der Zeichenfolge | Gibt `True` zurück, wenn die Länge einer Zeichenfolge der angegebenen Länge entspricht. Gibt andernfalls `False` zurück. |
| Beginnt mit | Gibt `True` zurück, wenn eine Zeichenfolge mit einem angegebenen Präfix beginnt. Gibt andernfalls `False` zurück. |
| Endet mit | Gibt `True` zurück, wenn die Länge einer Zeichenfolge der angegebenen Länge entspricht. Gibt andernfalls `False` zurück. |
| Ist alphanumerisch | Gibt `True` zurück, wenn eine Zeichenfolge nur Zahlen und Buchstaben enthält. Gibt andernfalls `False` zurück. |
| Ist Alpha (Buchstaben) | Gibt `True` zurück, wenn eine Zeichenfolge nur Buchstaben enthält. Gibt andernfalls `False` zurück. |
| Ist Ziffer | Gibt `True` zurück, wenn eine Zeichenfolge nur Ziffern enthält. Gibt andernfalls `False` zurück. |
| Ist Leerzeichen | Gibt `True` zurück, wenn eine Zeichenfolge nur Zahlen und Buchstaben enthält. Gibt andernfalls `False` zurück. |
| Ist Titel | Gibt `True` zurück, wenn eine Zeichenfolge Leerzeichen enthält. Gibt andernfalls `False` zurück. |
| Ist kleingeschrieben | Gibt `True` zurück, wenn eine Zeichenfolge nur Kleinbuchstaben enthält. Gibt andernfalls `False` zurück. |
| Ist großgeschrieben | Gibt `True` zurück, wenn eine Zeichenfolge nur Großbuchstaben enthält. Gibt andernfalls `False` zurück. |
| Ist numerisch | Gibt `True` zurück, wenn eine Zeichenfolge nur Dezimalzahlen enthält. Gibt andernfalls `False` zurück. |
| Ist dezimal | Gibt zurück`True`, ob eine Zeichenfolge nur Dezimalzahlen enthält. Gibt andernfalls `False` zurück. |
## Verschachtelung von JSON-Daten aufheben
Wenn Sie eine CSV-Datei haben, enthält Ihr Datensatz ggf. Werte, bei denen es sich um JSON-Zeichenfolgen handelt. In ähnlicher Weise haben Sie in Spalten einer Parquet-Datei oder eines JSON-Dokuments ggf. verschachtelte Daten.
Verwenden Sie den Operator **Strukturierte abflachen**, um die Schlüssel der ersten Ebene in separate Spalten aufzuteilen. Ein Schlüssel der ersten Ebene ist ein Schlüssel, der nicht in einem Wert verschachtelt ist.
Sie könnten z. B. einen Datensatz haben, der eine Spalte für *Personen* mit demografischen Informationen zu jeder Person enthält, die als JSON-Zeichenfolgen gespeichert sind. Eine JSON-Zeichenfolge kann wie folgt aussehen.
```
"{"seq": 1,"name": {"first": "Nathaniel","last": "Ferguson"},"age": 59,"city": "Posbotno","state": "WV"}"
```
Der Operator **Strukturierte abflachen** konvertiert die folgenden Schlüssel der ersten Ebene in zusätzliche Spalten in Ihrem Datensatz:
+ seq
+ Name
+ Alter
+ city
+ state
Data Wrangler platziert die Werte der Schlüssel als Werte unter den Spalten. Im Folgenden werden die Spaltennamen und Werte des JSON gezeigt.
```
seq, name, age, city, state
1, {"first": "Nathaniel","last": "Ferguson"}, 59, Posbotno, WV
```
Für jeden Wert in Ihrem Datensatz, der JSON enthält, erstellt der Operator **Strukturierte abflachen** Spalten für die Schlüssel der ersten Ebene. Um Spalten für verschachtelte Schlüssel zu erstellen, rufen Sie den Operator erneut auf. Im obigen Beispiel werden durch Aufrufen des Operators die folgenden Spalten erstellt:
+ name\$1first
+ name\$1last
Das folgende Beispiel zeigt die Datenmenge, die erhalten wird, wenn der Operation erneut aufgerufen wird.
```
seq, name, age, city, state, name_first, name_last
1, {"first": "Nathaniel","last": "Ferguson"}, 59, Posbotno, WV, Nathaniel, Ferguson
```
Wählen Sie **Schlüssel, nach denen abgeflacht werden soll**, um die Schlüssel der ersten Ebene, die extrahiert werden sollen, als separate Spalten anzugeben. Wenn Sie keine Schlüssel angeben, extrahiert Data Wrangler standardmäßig alle Schlüssel.
## Array explodieren
Verwenden Sie **Array explodieren**, um die Werte des Arrays in separate Ausgabezeilen zu erweitern. Die Operation kann z. B. jeden Wert im Array [[1, 2, 3,], [4, 5, 6], [7, 8, 9]] nehmen und eine neue Spalte mit den folgenden Zeilen erstellen:
```
[1, 2, 3]
[4, 5, 6]
[7, 8, 9]
```
Data Wrangler nennt die neue Spalte input\$1column\$1name\$1flatten.
Sie können die Operation **Array explodieren** mehrmals aufrufen, um die verschachtelten Werte des Arrays auf separate Ausgabespalten zu verteilen. Das folgende Beispiel zeigt das Ergebnis, wenn der Operation für einen Datensatz mit verschachteltem Array mehrfach aufgerufen wird.
Die Werte eines verschachtelten Arrays werden auf separate Spalten aufgeteilt
| id | Array | id | array\$1items | id | array\$1items\$1items |
| --- | --- | --- | --- | --- | --- |
| 1 | [[Katze, Hund], [Fledermaus, Frosch]] | 1 | [Katze, Hund] | 1 | cat |
| 2 | [Rose, Petunie], [Lilie, Gänseblümchen] | 1 | [Fledermaus, Frosch] | 1 | Hund |
| | | 2 | [Rose, Petunie] | 1 | bat |
| | | 2 | [Lilie, Gänseblümchen] | 1 | Frosch |
| | | | 2 | 2 | Rose |
| | | | 2 | 2 | Petunie |
| | | | 2 | 2 | Lilie |
| | | | 2 | 2 | Gänseblümchen |
## Bilddaten transformieren
Mit Data Wrangler können Sie die Bilder importieren und transformieren, die Sie für Ihre Machine Learning (ML)-Pipelines verwenden. Wenn Sie Ihre Bilddaten vorbereitet haben, können Sie sie aus Ihrem Data Wrangler-Flow in Ihre ML-Pipeline exportieren.
Mit Hilfe der hier bereitgestellten Informationen können Sie sich mit dem Import und der Transformation von Bilddaten in Data Wrangler vertraut machen. Data Wrangler verwendet OpenCV, um Bilder zu importieren. Weitere Informationen zu den unterstützten Bildformaten finden Sie unter [Bilddateien lesen und schreiben](https://docs.opencv.org/3.4/d4/da8/group__imgcodecs.html#ga288b8b3da0892bd651fce07b3bbd3a56).
Nachdem Sie sich mit den Konzepten der Transformation Ihrer Bilddaten vertraut gemacht haben, lesen Sie das folgende Tutorial: [Bilddaten mit Amazon SageMaker Data Wrangler vorbereiten](https://aws.amazon.com/blogs/machine-learning/prepare-image-data-with-amazon-sagemaker-data-wrangler/).
Die folgenden Branchen und Anwendungsfälle sind Beispiele, bei denen die Anwendung von Machine Learning auf transformierte Bilddaten nützlich sein kann:
+ Fertigung – Mängel an Waren vom Fließband erkennen
+ Lebensmittel – verdorbene Lebensmittel erkennen
+ Medizin – Läsionen im Gewebe erkennen
Wenn Sie in Data Wrangler mit Bilddaten arbeiten, durchlaufen Sie den folgenden Prozess:
1. Import – wählen Sie das Verzeichnis aus, das die Bilder in Ihrem Amazon-S3-Bucket enthält.
1. Transformieren – Verwenden Sie die integrierten Transformationen, um die Bilder für Ihre Machine-Learning-Pipeline vorzubereiten.
1. Exportieren – Exportieren Sie die Bilder, die Sie transformiert haben, an einen Speicherort, auf den über die Pipeline zugegriffen werden kann.
Gehen Sie wie folgt vor, um Ihre Bilddaten zu importieren.
**Bilddaten importieren**
1. Navigieren Sie zur Seite **Verbindung erstellen**.
1. Wählen Sie **Amazon S3**.
1. Geben Sie den Amazon S3-Dateipfad an, der die Bilddaten enthält.
1. Wählen Sie als **Dateityp** die Option **Bild** aus.
1. (Optional) Wählen Sie **Verschachtelte Verzeichnisse importieren**, um Bilder aus mehreren Amazon S3-Pfaden zu importieren.
1. Wählen Sie **Importieren** aus.
Data Wrangler verwendet die Open-Source-Bibliothek [imgaug](https://imgaug.readthedocs.io/en/latest/) für seine integrierten Bildtransformationen. Sie können die folgenden integrierten Transformationen verwenden:
+ **ResizeImage**
+ **EnhanceImage**
+ **CorruptImage**
+ **SplitImage**
+ **DropCorruptedImages**
+ **DropImageDuplicates**
+ **Brightness**
+ **ColorChannels**
+ **Graustufen**
+ **Drehen**
Gehen Sie wie folgt vor, um Ihre Bilder zu transformieren, ohne Code schreiben zu müssen.
**Bilddaten transformieren, ohne Code zu schreiben**
1. Wählen Sie in Ihrem Data Wrangler-Flow das (**\$1**) neben dem Knoten aus, der die Bilder darstellt, die Sie importiert haben.
1. Wählen Sie **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie die Transformation aus und konfigurieren Sie sie.
1. Wählen Sie **Preview** (Vorschau) aus.
1. Wählen Sie **Hinzufügen** aus.
Sie können nicht nur die von Data Wrangler bereitgestellten Transformationen verwenden, sondern auch Ihre eigenen benutzerdefinierten Codeausschnitte verwenden. Weitere Informationen zur Verwendung von benutzerdefinierten Codeausschnitten finden Sie unter [Benutzerdefinierte Transformationen](#canvas-transform-custom). Sie können die OpenCV- und imgaug-Bibliotheken in Ihren Codeausschnitten importieren und die damit verknüpften Transformationen verwenden. Das folgende Beispiel zeigt einen Codeausschnitt, der Kanten in Bildern erkennt.
```
# A table with your image data is stored in the `df` variable
import cv2
import numpy as np
from pyspark.sql.functions import column
from sagemaker_dataprep.compute.operators.transforms.image.constants import DEFAULT_IMAGE_COLUMN, IMAGE_COLUMN_TYPE
from sagemaker_dataprep.compute.operators.transforms.image.decorators import BasicImageOperationDecorator, PandasUDFOperationDecorator
@BasicImageOperationDecorator
def my_transform(image: np.ndarray) -> np.ndarray:
# To use the code snippet on your image data, modify the following lines within the function
HYST_THRLD_1, HYST_THRLD_2 = 100, 200
edges = cv2.Canny(image,HYST_THRLD_1,HYST_THRLD_2)
return edges
@PandasUDFOperationDecorator(IMAGE_COLUMN_TYPE)
def custom_image_udf(image_row):
return my_transform(image_row)
df = df.withColumn(DEFAULT_IMAGE_COLUMN, custom_image_udf(column(DEFAULT_IMAGE_COLUMN)))
```
Wenn Sie in Ihrem Data Wrangler-Ablauf Transformationen anwenden, wendet Data Wrangler diese nur auf eine Stichprobe der Bilder in Ihrem Datensatz an. Um die Bedienung der Anwendung für Sie zu optimieren, wendet Data Wrangler die Transformationen nicht auf alle Ihre Bilder an.
## Daten filtern
Verwenden Sie Data Wrangler, um die Daten in Ihren Spalten zu filtern. Wenn Sie die Daten in einer Spalte filtern, geben Sie die folgenden Felder an:
+ **Spaltenname** – Der Name der Spalte, die Sie zum Filtern der Daten verwenden.
+ **Bedingung** – Der Filtertyp, den Sie auf Werte in der Spalte anwenden.
+ **Wert** – Der Wert oder die Kategorie in der Spalte, auf die Sie den Filter anwenden.
Sie können nach den folgenden Bedingungen filtern:
+ **=** – Gibt Werte zurück, die dem von Ihnen angegebenen Wert oder der Kategorie entsprechen.
+ **\$1 **= – Gibt Werte zurück, die nicht dem von Ihnen angegebenen Wert oder der Kategorie entsprechen.
+ **>=** – Filtert für **Lang** – oder **Gleitkomma**-Daten nach Werten, die größer oder gleich dem von Ihnen angegebenen Wert sind.
+ **<=** – Filtert für **Lang** – oder **Gleitkomma**-Daten nach Werten, die kleiner oder gleich dem von Ihnen angegebenen Wert sind.
+ **>** – Filtert für **Lang** – oder **Gleitkomma**-Daten nach Werten, die größer als der von Ihnen angegebene Wert sind.
+ **<** – Filtert für **Lang** – oder **Gleitkomma**-Daten nach Werten, die kleiner als der von Ihnen angegebene Wert sind.
Für eine Spalte mit den Kategorien `male` und `female` können Sie alle `male` Werte herausfiltern. Sie können auch nach allen `female` Werten filtern. Da die Spalte nur `male` und `female` Werte enthält, gibt der Filter eine Spalte zurück, die nur `female` Werte enthält.
Sie können auch mehrere Filter hinzufügen. Die Filter können auf mehrere Spalten oder auf dieselbe Spalte angewendet werden. Wenn Sie z. B. eine Spalte erstellen, die nur Werte innerhalb eines bestimmten Bereichs enthält, fügen Sie zwei verschiedene Filter hinzu. Ein Filter gibt an, dass die Spalte Werte enthalten muss, die größer als der von Ihnen angegebene Wert sind. Der andere Filter gibt an, dass die Spalte Werte enthalten muss, die kleiner als der von Ihnen angegebene Wert sind.
Gehen Sie wie folgt vor, um die Filtertransformation zu Ihren Daten hinzuzufügen.
**Filtern Ihrer Daten**
1. Wählen Sie in Ihrem Data Wrangler-Flow das **\$1** neben dem Knoten mit den Daten aus, die Sie filtern wollen.
1. Wählen Sie **Transformation hinzufügen** aus.
1. Wählen Sie **Schritt hinzufügen**.
1. Wählen Sie **Daten filtern**.
1. Geben Sie die folgenden Felder an:
+ **Spaltenname** – Die Spalte, die Sie filtern wollen.
+ **Bedingung** – Die Filterbedingung.
+ **Wert** – Der Wert oder die Kategorie in der Spalte, auf die Sie den Filter anwenden wollen.
1. (Optional) Wählen Sie nach dem Filter, den Sie erstellt haben, das **\$1** aus.
1. Konfigurieren Sie den Filter.
1. Wählen Sie **Preview** (Vorschau) aus.
1. Wählen Sie **Hinzufügen** aus.
# Chat zur Datenvorbereitung
**Wichtig**
Für Administratoren:
Für den Chat zur Datenvorbereitung ist die `AmazonSageMakerCanvasAIServicesAccess`-Richtlinie erforderlich. Weitere Informationen finden Sie unter [AWS verwaltete Richtlinie: Zugriff AmazonSageMakerCanvas AIServices](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess).
Für den Chat zur Datenvorbereitung ist Zugriff auf Amazon Bedrock und das darin enthaltene **Anthropic-Claude**-Modell erforderlich. Weitere Informationen finden Sie unter [Modellzugriff hinzufügen](https://docs.aws.amazon.com/bedrock/latest/userguide/model-access.html#add-model-access).
Sie müssen die SageMaker Canvas-Datenvorbereitung in derselben Region ausführen AWS-Region wie in der Region, in der Sie Ihr Modell ausführen. Chat für die Datenvorbereitung ist in den USA Ost (Nord-Virginia), USA West (Oregon) und Europa (Frankfurt) verfügbar. AWS-Regionen
Zusätzlich zu den integrierten Transformationen und Analysen können Sie Ihre Daten mithilfe natürlicher Sprache in einer dialogorientierten Oberfläche untersuchen, visualisieren und transformieren. Innerhalb der Konversationsschnittstelle können Sie Abfragen in natürlicher Sprache verwenden, um Ihre Daten zu verstehen und für die Erstellung von ML-Modellen vorzubereiten.
Im Folgenden finden Sie einige Beispiele für Prompts, die Sie verwenden können:
+ Meine Daten zusammenfassen
+ Löschen von Spalte `example-column-name`
+ Fehlende Werte durch Median ersetzen
+ Histogramm der Preise erstellen
+ Was ist der teuerste Artikel, der verkauft wurde?
+ Wie viele verschiedene Artikel wurden verkauft?
+ Daten nach Region sortieren
Wenn Sie Ihre Daten mithilfe Ihrer Prompts transformieren, können Sie eine Vorschau anzeigen, die Ihnen zeigt, wie die Daten transformiert werden. Sie können es als Schritt in Ihrem Data-Wrangler-Ablauf hinzufügen, basierend auf dem, was Sie in der Vorschau sehen.
Die Antworten auf Ihre Prompts generieren Code für Ihre Transformationen und Analysen. Sie können den Code anpassen, um die Ausgabe der Prompts zu aktualisieren. Beispielsweise können Sie den Code für eine Analyse ändern, um die Werte der Achsen eines Diagramms anzupassen.
Gehen Sie wie folgt vor, um mit Ihren Daten zu chatten:
**So chatten Sie mit Ihren Daten**
1. Öffnen Sie den SageMaker Canvas-Datenfluss.
1. Wählen Sie die Sprechblase aus.
![\[Der Chat für die Datenaufbereitung befindet sich oben auf dem Bildschirm.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/chat-for-data-prep-welcome-step.png)
1. Geben Sie einen Prompt an.
1. (Optional) Wenn Ihre Abfrage eine Analyse generiert hat, wählen Sie **Zu Analysen hinzufügen** aus, um später darauf zurückgreifen zu können.
![\[Die Ansicht eines bearbeitbaren und kopierbaren Codeblocks.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/encanto-query-for-visualization.png)
1. (Optional) Wenn Sie Ihre Daten mithilfe einem Prompt transformiert haben, gehen Sie wie folgt vor.
1. Wählen Sie **Vorschau** aus, um die Ergebnisse anzuzeigen.
1. (Optional) Ändern Sie den Code in der Transformation und wählen Sie **Aktualisieren** aus.
1. (Optional) Wenn Sie mit den Ergebnissen der Transformation zufrieden sind, wählen Sie **Zu Schritten hinzufügen** aus, um sie zum Schrittfenster auf der rechten Seite hinzuzufügen.
![\[Mit Zu Schritten hinzugefügt wird bestätigt, dass die Transformation dem Fluss hinzugefügt wurde.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/transform-added-to-steps-panel.png)
Nachdem Sie Ihre Daten in natürlicher Sprache vorbereitet haben, können Sie anhand Ihrer transformierten Daten ein Modell erstellen. Weitere Informationen zum Erstellen eines Modells finden Sie unter [So funktionieren benutzerdefinierte Modelle](canvas-build-model.md).
# Wie funktioniert die Datenverarbeitung in Data Wrangler?
Bei der interaktiven Arbeit mit Daten in einem Amazon Data SageMaker Wrangler-Datenfluss wendet Amazon SageMaker Canvas die Transformationen nur auf einen Beispieldatensatz an, den Sie in der Vorschau anzeigen können. Nachdem Sie Ihren Datenfluss in SageMaker Canvas abgeschlossen haben, können Sie alle Ihre Daten verarbeiten und an einem Ort speichern, der für Ihre Workflows für maschinelles Lernen geeignet ist.
Nachdem Sie die Transformation Ihrer Daten in Data Wrangler abgeschlossen haben, stehen Ihnen mehrere Optionen zur Verfügung:
+ [Erstellen eines Modells](canvas-processing-export-model.md) Sie können ein Canvas-Modell erstellen, bei dem Sie direkt mit der Erstellung eines Modells mit Ihren vorbereiteten Daten beginnen. Sie können ein Modell entweder nach der Verarbeitung Ihres gesamten Datensatzes erstellen oder indem Sie nur die Beispieldaten exportieren, mit denen Sie in Data Wrangler gearbeitet haben. Canvas speichert Ihre verarbeiteten Daten (entweder den gesamten Datensatz oder die Beispieldaten) als Canvas-Datensatz.
Wir empfehlen Ihnen, Ihre Beispieldaten für schnelle Iterationen zu verwenden, jedoch Ihre gesamten Daten zu nutzen, wenn Sie Ihr endgültiges Modell trainieren möchten. Beim Erstellen tabellarischer Modelle werden Datensätze, die größer als 5 GB sind, automatisch auf 5 GB heruntergerechnet. Bei Zeitreihen-Prognosemodellen werden Datensätze, die größer als 30 GB sind, auf 30 GB heruntergerechnet.
Weitere Informationen zum Erstellen eines Modells finden Sie unter [So funktionieren benutzerdefinierte Modelle](canvas-build-model.md).
+ [Exportieren Sie die Daten](canvas-export-data.md). Sie können Ihre Daten exportieren, um sie in Machine-Learning-Workflows zu verwenden. Wenn Sie sich für den Export Ihrer Daten entscheiden, stehen Ihnen mehrere Optionen zur Verfügung:
+ Sie können Ihre Daten in der Canvas-Anwendung als Datensatz speichern. Weitere Informationen zu den unterstützten Dateitypen für Canvas-Datensätze und zusätzlichen Anforderungen beim Importieren von Daten in Canvas finden Sie unter [Erstellen eines Datensatzes](canvas-import-dataset.md).
+ Sie können Ihre Daten in Amazon S3 speichern. Abhängig von der verfügbaren Speicherkapazität von Canvas werden Ihre Daten in der Anwendung verarbeitet und anschließend in Amazon S3 exportiert. Wenn die Größe Ihres Datensatzes das übersteigt, was Canvas verarbeiten kann, verwendet Canvas standardmäßig einen EMR-Serverless-Auftrag, um auf mehrere Rechen-Instances zu skalieren, Ihren gesamten Datensatz zu verarbeiten und ihn nach Amazon S3 zu exportieren. Sie können einen SageMaker Verarbeitungsauftrag auch manuell konfigurieren, um eine genauere Kontrolle über die Rechenressourcen zu haben, die für die Verarbeitung Ihrer Daten verwendet werden.
+ [Exportieren Sie einen Datenfluss](canvas-export-data-flow.md). Es könnte sinnvoll sein, den Code für Ihren Datenfluss zu speichern, damit Sie Ihre Transformationen außerhalb von Canvas ändern oder ausführen können. Canvas bietet Ihnen die Möglichkeit, Ihre Datenflusstransformationen als Python-Code in einem Jupyter Notebook zu speichern, das Sie dann nach Amazon S3 exportieren können, um es an anderer Stelle in Ihren Machine-Learning-Workflows zu verwenden.
Wenn Sie Ihre Daten aus einem Datenfluss exportieren und entweder als Canvas-Datensatz oder in Amazon S3 speichern, erstellt Canvas einen neuen Zielknoten in Ihrem Datenfluss. Dieser Endknoten zeigt Ihnen, wo Ihre verarbeiteten Daten gespeichert werden. Sie können Ihrem Fluss zusätzliche Zielknoten hinzufügen, wenn Sie mehrere Exportvorgänge durchführen möchten. Beispielsweise können Sie die Daten aus verschiedenen Punkten Ihres Datenflusses exportieren, um nur einige der Transformationen anzuwenden, oder Sie können transformierte Daten an verschiedene Amazon-S3-Speicherorte exportieren. Weitere Informationen zum Hinzufügen oder Bearbeiten eines Zielknotens finden Sie unter [Hinzufügen von Zielknoten](canvas-destination-nodes-add.md) und [Bearbeiten eines Zielknotens](canvas-destination-nodes-edit.md).
Weitere Informationen zum Einrichten eines Zeitplans mit Amazon für EventBridge die automatische Verarbeitung und den Export Ihrer Daten nach einem Zeitplan finden Sie unter[Erstellen eines Zeitplans für die automatische Verarbeitung neuer Daten](canvas-data-export-schedule-job.md).
# Exportieren, um ein Modell zu erstellen
Mit nur wenigen Klicks können Sie Ihre transformierten Daten aus Ihrem Datenfluss exportieren und mit der Erstellung eines ML-Modells in Canvas beginnen. Canvas speichert Ihre Daten als Canvas-Datensatz, und Sie werden zur Konfigurationsseite für die Modellerstellung eines neuen Modells weitergeleitet.
So erstellen Sie ein Canvas-Modell mit Ihren transformierten Daten:
1. Navigieren Sie zu Ihrem Datenfluss.
1. Wählen Sie das Auslassungszeichen neben dem Knoten, den Sie exportieren möchten.
1. Wählen Sie im Kontextmenü die Option **Modell erstellen** aus.
1. Geben Sie im Seitenbereich **Exportieren, um ein Modell zu erstellen**, einen **Datensatznamen** für den neuen Datensatz ein.
1. Lassen Sie die Option **Gesamten Datensatz verarbeiten** ausgewählt, um Ihren gesamten Datensatz zu verarbeiten und zu exportieren, bevor Sie mit der Erstellung eines Modells fortfahren. Deaktivieren Sie diese Option, um Ihr Modell anhand der interaktiven Beispieldaten zu trainieren, mit denen Sie in Ihrem Datenfluss arbeiten.
1. Geben Sie einen **Modellnamen** ein, um das neue Modell zu benennen.
1. Wählen Sie einen **Problemtyp** oder die Art des Modells aus, das Sie erstellen möchten. Weitere Informationen zu den unterstützten Modelltypen in SageMaker Canvas finden Sie unter[So funktionieren benutzerdefinierte Modelle](canvas-build-model.md).
1. Wählen Sie die **Zielspalte** oder den Wert aus, den das Modell vorhersagen soll.
1. Wählen Sie **Modell exportieren und erstellen** aus.
Die Registerkarte **Build** für ein neues Canvas-Modell sollte sich öffnen und Sie können die Konfiguration und das Training Ihres Modells abschließen. Für weitere Informationen zum Erstellen eines Modells finden Sie unter [Ein Modell erstellen](canvas-build-model-how-to.md).
# Daten exportieren
Exportieren Sie die Daten, um die Transformationen aus Ihrem Datenfluss auf den gesamten importierten Datensatz anzuwenden. Sie können jeden Knoten in Ihrem Datenfluss an die folgenden Speicherorte exportieren:
+ SageMaker Canvas-Datensatz
+ Amazon S3
Wenn Sie Modelle in Canvas trainieren möchten, können Sie Ihren vollständigen, transformierten Datensatz als Canvas-Datensatz exportieren. Wenn Sie Ihre transformierten Daten in maschinellen Lern-Workflows außerhalb von SageMaker Canvas verwenden möchten, können Sie Ihren Datensatz nach Amazon S3 exportieren.
## Exportieren in einen Canvas-Datensatz
Gehen Sie wie folgt vor, um einen SageMaker Canvas-Datensatz aus einem Knoten in Ihrem Datenfluss zu exportieren.
**Um einen Knoten in Ihrem Flow als SageMaker Canvas-Datensatz zu exportieren**
1. Navigieren Sie zu Ihrem Datenfluss.
1. Wählen Sie das Auslassungszeichen neben dem Knoten, den Sie exportieren möchten.
1. Bewegen Sie den Mauszeiger im Kontextmenü über **Exportieren** und wählen Sie anschließend **Daten in Canvas-Datensatz exportieren** aus.
1. Geben Sie im Seitenbereich **In Canvas-Datensatz exportieren**, einen **Datensatznamen** für den neuen Datensatz ein.
1. Lassen Sie die Option **Gesamten Datensatz verarbeiten** ausgewählt, wenn SageMaker Canvas Ihren gesamten Datensatz verarbeiten und speichern soll. Deaktivieren Sie diese Option, um die Transformationen nur auf die Beispieldaten anzuwenden, mit denen Sie in Ihrem Datenfluss arbeiten.
1. Wählen Sie **Export** aus.
Sie sollten nun in der Lage sein, die Seite **Datensätze** der Canvas-Anwendung aufzurufen und Ihren neuen Datensatz anzuzeigen.
## Exportieren zu Amazon S3
Beim Export Ihrer Daten zu Amazon S3 können Sie die Skalierung anpassen, um Daten jeder Größe zu transformieren und zu verarbeiten. Canvas verarbeitet Ihre Daten automatisch lokal, sofern der Speicher der Anwendung die Größe Ihres Datensatzes bewältigen kann. Wenn die Größe Ihres Datensatzes die lokale Speicherkapazität von 5 GB überschreitet, initiiert Canvas in Ihrem Auftrag einen Remote-Auftrag, um zusätzliche Rechenressourcen bereitzustellen und die Daten schneller zu verarbeiten. Standardmäßig verwendet Canvas Amazon EMR Serverless, um diese Remote-Aufträge auszuführen. Sie können Canvas jedoch manuell so konfigurieren, dass entweder EMR Serverless oder ein SageMaker Verarbeitungsjob mit Ihren eigenen Einstellungen verwendet wird.
**Anmerkung**
Bei der Ausführung eines EMR-Serverless-Auftrags übernimmt der Auftrag standardmäßig die IAM-Rolle, die KMS-Schlüsseleinstellungen und die Tags Ihrer Canvas-Anwendung.
Im Folgenden werden die Optionen für Remote-Aufträge in Canvas zusammengefasst:
+ **EMR Serverless**: Dies ist die Standardoption, die Canvas für Remote-Aufträge verwendet. EMR Serverless stellt automatisch Rechenressourcen bereit und skaliert diese, um Ihre Daten zu verarbeiten, sodass Sie sich keine Gedanken über die Auswahl der richtigen Rechenressourcen für Ihren Workload machen müssen. Weitere Informationen zu EMR Serverless finden Sie im [Benutzerhandbuch für EMR Serverless](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/emr-serverless.html).
+ **SageMaker Verarbeitung**: SageMaker Verarbeitungsaufträge bieten erweiterte Optionen und eine detaillierte Kontrolle über die Rechenressourcen, die für die Verarbeitung Ihrer Daten verwendet werden. Sie können beispielsweise den Typ und die Anzahl der Rechen-Instances angeben, den Auftrag in Ihrer eigenen VPC konfigurieren und den Netzwerkzugriff steuern, Verarbeitungsaufträge automatisieren und vieles mehr. Weitere Informationen zur Automatisierung von Verarbeitungsaufträgen finden Sie unter [Erstellen eines Zeitplans für die automatische Verarbeitung neuer Daten](canvas-data-export-schedule-job.md). Weitere allgemeine Informationen zur SageMaker Verarbeitung von Aufträgen finden Sie unter[Workloads zur Datentransformation mit SageMaker Verarbeitung](processing-job.md).
Die folgenden Dateitypen werden beim Export nach Amazon S3 unterstützt:
+ CSV
+ Parquet
Lesen Sie die folgenden Seiten, um zu beginnen.
### Voraussetzungen für EMR-Serverless-Aufträge
Um einen Remote-Auftrag zu erstellen, der EMR-Serverless-Ressourcen verwendet, müssen Sie über die erforderlichen Berechtigungen verfügen. Sie können Berechtigungen entweder über die Amazon SageMaker AI-Domain oder die Benutzerprofileinstellungen gewähren, oder Sie können die AWS IAM-Rolle Ihres Benutzers manuell konfigurieren. Anweisungen zum Erteilen von Berechtigungen zur Verarbeitung großer Datenmengen finden Sie unter [Gewähren von Berechtigungen zur Verwendung großer Datenmengen während des gesamten ML-Lebenszyklus für Benutzer](canvas-large-data-permissions.md).
Wenn Sie diese Richtlinien nicht konfigurieren möchten, aber dennoch große Datensätze mit Data Wrangler verarbeiten müssen, können Sie alternativ einen Verarbeitungsjob verwenden. SageMaker
Gehen Sie wie folgt vor, um Ihre Daten nach Amazon S3 zu exportieren. Um einen Remote-Auftrag zu konfigurieren, befolgen Sie bitte die optionalen erweiterten Schritte.
**So exportieren Sie einen Knoten in Ihrem Fluss nach Amazon S3**
1. Navigieren Sie zu Ihrem Datenfluss.
1. Wählen Sie das Auslassungszeichen neben dem Knoten, den Sie exportieren möchten.
1. Bewegen Sie den Mauszeiger im Kontextmenü über **Exportieren** und wählen Sie anschließend **Daten nach Amazon S3 exportieren** aus.
1. Im Seitenbereich **Nach Amazon S3 exportieren** können Sie den **Datensatznamen** für den neuen Datensatz ändern.
1. Geben Sie für den **S3-Standort** den Amazon-S3-Standort ein, in den Sie den Datensatz exportieren möchten. Sie können die S3-URI, den Alias oder die ARN des S3-Speicherorts oder des S3-Zugangspunkts eingeben. Weitere Informationen zu Zugangspunkten finden Sie unter [Verwalten des Datenzugriffs mit Amazon S3 Access Points](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-points.html) im *Benutzerhandbuch für Amazon S3*.
1. (Optional) Geben Sie für **erweiterte Einstellungen** Werte für die folgenden Felder an:
1. **Dateityp** – Das Dateiformat Ihrer exportierten Daten.
1. **Trennzeichen** – Das Trennzeichen, das zum Trennen von Werten in der Datei verwendet wird.
1. **Komprimierung** – die Komprimierungsmethode, mit der die Dateigröße reduziert wird.
1. **Anzahl der Partitionen** – Die Anzahl der Datensatzdateien, die Canvas als Ausgabe des Auftrags schreibt.
1. **Spalten auswählen** – Sie können eine Teilmenge von Spalten aus den Daten auswählen, die in die Partitionen aufgenommen werden sollen.
1. lassen Sie die Option **Gesamten Datensatz verarbeiten** ausgewählt, wenn Sie möchten, dass Canvas Ihre Datenflusstransformationen auf Ihren gesamten Datensatz anwendet und das Ergebnis exportiert. Wenn Sie diese Option deaktivieren, wendet Canvas die Transformationen nur auf die Stichprobe Ihres Datensatzes an, die im interaktiven Data Wrangler-Datenfluss verwendet wird.
**Anmerkung**
Wenn Sie nur eine Stichprobe Ihrer Daten exportieren, verarbeitet Canvas Ihre Daten in der Anwendung und erstellt keinen Remote-Auftrag für Sie.
1. Lassen Sie die Option **Automatische Auftragskonfiguration** ausgewählt, wenn Sie möchten, dass Canvas automatisch entscheidet, ob der Auftrag mit dem Canvas-Anwendungsspeicher oder einem EMR-Serverless-Auftrag ausgeführt werden soll. Wenn Sie diese Option deaktivieren und Ihren Job manuell konfigurieren, können Sie wählen, ob Sie einen EMR Serverless Job oder einen SageMaker Processing Job verwenden möchten. Anweisungen zur Konfiguration eines EMR-Serverless-Jobs oder eines SageMaker Processing-Jobs finden Sie im Abschnitt nach diesem Verfahren, bevor Sie Ihre Daten exportieren.
1. Wählen Sie **Export** aus.
Die folgenden Verfahren zeigen, wie Sie die Remote-Job-Einstellungen für EMR Serverless oder SageMaker Processing manuell konfigurieren, wenn Sie Ihren vollständigen Datensatz nach Amazon S3 exportieren.
------
#### [ EMR Serverless ]
Um einen EMR-Serverless-Auftrag beim Exportieren nach Amazon S3 zu konfigurieren, gehen Sie wie folgt vor:
1. Deaktivieren Sie im Seitenbereich „Nach Amazon S3 exportieren“ die Option **Automatische Auftragskonfiguration**.
1. Wählen Sie **EMR Serverless** aus.
1. Geben Sie für **Auftragsname** einen Namen für Ihren EMR-Serverless-Auftrag ein. Der Name kann Buchstaben, Zahlen, Bindestriche und Unterstriche enthalten.
1. Geben Sie für die **IAM-Rolle** die IAM-Ausführungsrolle des Benutzers ein. Diese Rolle sollte über die erforderlichen Berechtigungen zum Ausführen von EMR-Serverless-Anwendungen verfügen. Weitere Informationen finden Sie unter [Gewähren von Berechtigungen zur Verwendung großer Datenmengen während des gesamten ML-Lebenszyklus für Benutzer](canvas-large-data-permissions.md).
1. (Optional) Geben Sie für **KMS-Schlüssel** die Schlüssel-ID oder den ARN eines an AWS KMS key , um die Jobprotokolle zu verschlüsseln. Wenn Sie keinen Schlüssel eingeben, verwendet Canvas einen Standardschlüssel für EMR Serverless.
1. (Optional) Geben Sie für die **Monitoring-Konfiguration** den Namen einer Amazon CloudWatch Logs-Protokollgruppe ein, in der Sie Ihre Protokolle veröffentlichen möchten.
1. (Optional) Fügen Sie für **Tags** Metadaten-Tags zum EMR Serverless-Auftrag hinzu, die aus Schlüssel-Wert-Paaren bestehen. Diese Tags können zur Kategorisierung und Suche von Aufträgen verwendet werden.
1. Wählen Sie **Export**, um den Auftrag zu starten.
------
#### [ SageMaker Processing ]
Gehen Sie wie folgt vor, um einen SageMaker Verarbeitungsauftrag beim Export nach Amazon S3 zu konfigurieren:
1. Deaktivieren Sie im Seitenbereich **Nach Amazon S3 exportieren** die Option **Automatische Auftragskonfiguration**.
1. Wählen Sie **SageMaker Verarbeitung** aus.
1. Geben Sie **Job Jobname** einen Namen für Ihren SageMaker AI Processing-Job ein.
1. Wählen Sie unter **Instance-Typ** den Typ der Rechen-Instance aus, auf der der Verarbeitungsauftrag ausgeführt werden soll.
1. Geben Sie unter **Anzahl der Instances** die Anzahl der Instances an, die gestartet werden sollen.
1. Geben Sie für die **IAM-Rolle** die IAM-Ausführungsrolle des Benutzers ein. Diese Rolle sollte über die erforderlichen Berechtigungen verfügen, damit SageMaker KI in Ihrem Namen Verarbeitungsaufträge erstellen und ausführen kann. Diese Berechtigungen werden gewährt, wenn Sie die [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)Richtlinie mit Ihrer IAM-Rolle verknüpft haben.
1. Geben Sie für die **Volumengröße** die Speichergröße in GB für das ML-Speichervolumen ein, das jeder Verarbeitungs-Instance zugeordnet ist. Wählen Sie die Größe auf der Grundlage Ihrer erwarteten Eingabe- und Ausgabedatengröße.
1. (Optional) Geben Sie für den **Volume-KMS-Schlüssel** einen KMS-Schlüssel an, um das Speichervolume zu verschlüsseln. Wenn Sie keinen Schlüssel angeben, wird der standardmäßige Amazon-EBS-Verschlüsselungsschlüssel verwendet.
1. (Optional) Geben Sie für **KMS-Schlüssel** einen KMS-Schlüssel an, um die Eingabe- und Ausgabedatenquellen von Amazon S3 zu verschlüsseln, die vom Verarbeitungsauftrag verwendet werden.
1. (Optional) Gehen Sie für **Konfiguration des Spark-Speichers** wie folgt vor:
1. Geben Sie den **Treiberspeicher in MB** für den Spark-Treiberknoten ein, der die Auftragskoordination und -planung übernimmt.
1. Geben Sie **Executor-Speicher in MB** für die Spark-Executor-Knoten ein, die einzelne Aufgaben im Auftrag ausführen.
1. (Optional) Gehen Sie für **Zusätzliche Konfigurationen** wie folgt vor:
1. Geben Sie für **Subnetzkonfiguration** die IDs VPC-Subnetze ein, in denen die Verarbeitungsinstanzen gestartet werden sollen. Standardmäßig verwendet der Auftrag die Einstellungen Ihrer Standard-VPC.
1. Geben Sie für die **Sicherheitsgruppenkonfiguration** die IDs Sicherheitsgruppen ein, um die Verbindungsregeln für eingehende und ausgehende Verbindungen zu steuern.
1. Aktivieren Sie die Option **Verschlüsselung des Datenverkehrs zwischen Containern aktivieren**, um die Netzwerkkommunikation zwischen Verarbeitungscontainern während des Auftrags zu verschlüsseln.
1. (Optional) Für **Associate-Zeitpläne** können Sie einen EventBridge Amazon-Zeitplan erstellen wählen, damit der Verarbeitungsjob in wiederkehrenden Intervallen ausgeführt wird. Wählen Sie **Neuen Zeitplan erstellen** aus und füllen Sie das Dialogfeld aus. Weitere Informationen zum Ausfüllen dieses Abschnitts und zum Ausführen von Verarbeitungsaufträgen nach einem Zeitplan finden Sie unter [Erstellen eines Zeitplans für die automatische Verarbeitung neuer Daten](canvas-data-export-schedule-job.md).
1. (Optional) Fügen Sie **Tags** als Schlüssel-Wert-Paare hinzu, damit Sie Verarbeitungsaufträge kategorisieren und nach ihnen suchen können.
1. Wählen Sie **Exportieren** aus, um den Verarbeitungsauftrag zu starten.
------
Nach dem Export Ihrer Daten sollten Sie den vollständig verarbeiteten Datensatz am angegebenen Amazon-S3-Speicherort finden.
# Exportieren eines Datenflusses
Beim Exportieren Ihres Datenflusses werden die Operationen, die Sie in Data Wrangler ausgeführt haben, übersetzt und in ein Jupyter Notebook mit Python-Code exportiert, das Sie ändern und ausführen können. Dies kann bei der Integration des Codes für Ihre Datentransformationen in Ihre Machine-Learning-Pipelines von Nutzen sein.
Sie können in Ihrem Datenfluss einen beliebigen Datenknoten auswählen und ihn exportieren. Beim Exportieren des Datenknotens wird die Transformation exportiert, die der Knoten darstellt, sowie die Transformationen, die ihm vorausgehen.
**So exportieren Sie einen Datenfluss als Jupyter Notebook**
1. Navigieren Sie zu Ihrem Datenfluss.
1. Wählen Sie das Ellipsensymbol neben dem Knoten aus, den Sie exportieren möchten.
1. Bewegen Sie den Mauszeiger im Kontextmenü über **Exportieren** und dann über **Über Jupyter Notebook exportieren**.
1. Wählen Sie eine der folgenden Optionen:
+ **SageMaker Pipelines**
+ **Amazon S3**
+ **SageMaker KI-Inferenz-Pipeline**
+ **SageMaker KI-Funktionsspeicher**
+ **Python-Kode**
1. Das Dialogfeld **Datenfluss als Notebook exportieren** wird geöffnet. Wählen Sie eine der folgenden Optionen:
+ **Lokale Kopie herunterladen**
+ **An einen S3-Speicherort exportieren**
1. Wenn Sie **An S3-Speicherort exportieren** ausgewählt haben, geben Sie den Amazon-S3-Speicherort ein, an den Sie das Notebook exportieren möchten.
1. Wählen Sie **Export** aus.
Ihr Jupyter Notebook sollte entweder auf Ihren lokalen Computer heruntergeladen werden oder Sie finden es gespeichert an dem von Ihnen angegebenen Amazon-S3-Speicherort.
# Hinzufügen von Zielknoten
Ein Zielknoten in SageMaker Canvas gibt an, wo Ihre verarbeiteten und transformierten Daten gespeichert werden sollen. Wenn Sie sich dafür entscheiden, Ihre transformierten Daten nach Amazon S3 zu exportieren, verwendet Canvas den angegebenen Zielknotenstandort und wendet alle Transformationen an, die Sie in Ihrem Datenfluss konfiguriert haben. Weitere Informationen zu Exportaufträgen nach Amazon S3 finden Sie im vorherigen Abschnitt [Exportieren zu Amazon S3](canvas-export-data.md#canvas-export-data-s3).
Standardmäßig wird durch die Auswahl des Exports Ihrer Daten nach Amazon S3 ein Zielknoten zu Ihrem Datenfluss hinzugefügt. Sie können jedoch mehrere Zielknoten zu Ihrem Ablauf hinzufügen, sodass Sie verschiedene Transformationen oder Variationen Ihrer Daten gleichzeitig an verschiedene Amazon-S3-Speicherorte exportieren können. Beispielsweise können Sie einen Zielknoten erstellen, der die Daten nach Anwendung aller Transformationen exportiert, und einen weiteren Zielknoten, der die Daten nach nur bestimmten anfänglichen Transformationen, wie beispielsweise einer Join-Operation, exportiert. Dank dieser Flexibilität können Sie verschiedene Versionen oder Teilmengen Ihrer transformierten Daten für unterschiedliche Anwendungsfälle exportieren und an separaten S3-Speicherorten ablegen.
Gehen Sie wie folgt vor, um zu Ihrem Datenfluss einen Zielknoten hinzufügen.
**So fügen Sie einen Zielknoten hinzu**
1. Navigieren Sie zu Ihrem Datenfluss.
1. Wählen Sie das Ellipsensymbol neben dem Knoten aus, an dem Sie den Zielknoten platzieren möchten.
1. Bewegen Sie den Mauszeiger im Kontextmenü über **Exportieren** und wählen Sie dann **Ziel hinzufügen** aus.
1. Geben Sie im Seitenbereich **Exportziel** einen **Datensatznamen** ein, um der Ausgabe einen Namen zu geben.
1. Geben Sie für den **Amazon-S3-Standort** den Amazon-S3-Standort ein, in den Sie die Ausgabe exportieren möchten. Sie können die S3-URI, den Alias oder die ARN des S3-Speicherorts oder des S3-Zugangspunkts eingeben. Weitere Informationen zu Zugangspunkten finden Sie unter [Verwalten des Datenzugriffs mit Amazon S3 Access Points](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-points.html) im *Benutzerhandbuch für Amazon S3*.
1. Geben Sie für **Exporteinstellungen** die folgenden Felder an:
1. **Dateityp** – Das Dateiformat der exportierten Daten.
1. **Trennzeichen** – Das Trennzeichen, das zum Trennen von Werten in der Datei verwendet wird.
1. **Komprimierung** – die Komprimierungsmethode, mit der die Dateigröße reduziert wird.
1. Geben Sie für die **Partitionierung** die folgenden Felder an:
1. **Anzahl der Partitionen** — Die Anzahl der Datensatzdateien, die SageMaker Canvas als Ausgabe des Jobs schreibt.
1. **Spalten auswählen** – Sie können eine Teilmenge von Spalten aus den Daten auswählen, die in die Partitionen aufgenommen werden sollen.
1. Wählen Sie **Hinzufügen** aus, wenn Sie lediglich einen Zielknoten zu Ihrem Datenfluss hinzufügen möchten, oder wählen Sie **Hinzufügen** und dann **Exportieren** aus, wenn Sie den Knoten hinzufügen und einen Exportauftrag starten möchten.
Sie sollten nun einen neuen Zielknoten in Ihrem Fluss sehen.
# Bearbeiten eines Zielknotens
Ein *Zielknoten* in einem Amazon SageMaker Canvas-Datenfluss gibt den Amazon S3 S3-Standort an, an dem Ihre verarbeiteten und transformierten Daten gespeichert werden, wobei alle konfigurierten Transformationen in Ihrem Datenfluss angewendet werden. Sie können die Konfiguration eines vorhandenen Zielknotens bearbeiten und anschließend den Auftrag erneut ausführen, um die Daten am angegebenen Amazon-S3-Speicherort zu überschreiben. Weitere Informationen zum Hinzufügen eines neuen Zielknotens finden Sie unter [Hinzufügen von Zielknoten](canvas-destination-nodes-add.md).
Gehen Sie wie folgt vor, um einen Zielknoten in Ihrem Datenfluss zu bearbeiten und einen Exportauftrag zu starten.
**So bearbeiten Sie einen Zielknoten**
1. Navigieren Sie zu Ihrem Datenfluss.
1. Wählen Sie das Ellipsensymbol neben dem Zielknoten aus, den Sie bearbeiten möchten.
1. Wählen Sie im Kontextmenü **Bearbeiten** aus.
1. Der Seitenbereich **Ziel bearbeiten** wird geöffnet. In diesem Bereich können Sie Details wie den Namen des Datensatzes, den Amazon-S3-Speicherort sowie die Export- und Partitionierungseinstellungen bearbeiten.
1. (Optional) Unter **Weitere zu exportierende Knoten** können Sie weitere Zielknoten auswählen, die bei der Ausführung des Exportauftrags verarbeitet werden sollen.
1. lassen Sie die Option **Gesamten Datensatz verarbeiten** ausgewählt, wenn Sie möchten, dass Canvas Ihre Datenflusstransformationen auf Ihren gesamten Datensatz anwendet und das Ergebnis exportiert. Wenn Sie diese Option deaktivieren, wendet Canvas die Transformationen nur auf die Stichprobe Ihres Datensatzes an, die im interaktiven Data Wrangler-Datenfluss verwendet wird.
1. Lassen Sie die Option **Automatische Auftragskonfiguration** ausgewählt, wenn Sie möchten, dass Canvas automatisch entscheidet, ob der Auftrag mit dem Canvas-Anwendungsspeicher oder einem EMR-Serverless-Auftrag ausgeführt werden soll. Wenn Sie diese Option deaktivieren und Ihren Job manuell konfigurieren, können Sie wählen, ob Sie einen EMR Serverless Job oder einen SageMaker Processing Job verwenden möchten. Anweisungen zur Konfiguration eines EMR-Serverless-Jobs oder eines SageMaker Processing-Jobs finden Sie im vorherigen Abschnitt. [Exportieren zu Amazon S3](canvas-export-data.md#canvas-export-data-s3)
1. Wenn Sie die Änderungen vorgenommen haben, wählen Sie **Aktualisieren** aus.
Das Speichern von Änderungen an der Konfiguration Ihres Zielknotens führt nicht automatisch dazu, dass ein Auftrag erneut ausgeführt oder bereits verarbeitete und exportierte Daten überschrieben werden. Exportieren Sie Ihre Daten erneut, um einen Auftrag mit der neuen Konfiguration auszuführen. Wenn Sie sich entscheiden, Ihre Daten erneut mit einem Auftrag zu exportieren, verwendet Canvas die aktualisierte Zielknotenkonfiguration, um die Daten zu transformieren und an den angegebenen Speicherort auszugeben, wobei alle vorhandenen Daten überschrieben werden.
# Erstellen eines Zeitplans für die automatische Verarbeitung neuer Daten
**Anmerkung**
Der folgende Abschnitt bezieht sich nur auf SageMaker Verarbeitungsaufträge. Wenn Sie die Standardeinstellungen von Canvas oder EMR Serverless verwendet haben, um einen Remote-Auftrag zu erstellen, um Transformationen auf Ihren gesamten Datensatz anzuwenden, ist dieser Abschnitt für Sie nicht relevant.
Wenn Sie regelmäßig Daten verarbeiten, können Sie einen Zeitplan für die automatische Ausführung des Processing-Jobs erstellen. Sie können z. B. einen Zeitplan erstellen, der einen Processing-Job automatisch ausführt, wenn Sie neue Daten erhalten. Weitere Informationen zu diesen Verarbeitungsaufträgen finden Sie unter [Exportieren zu Amazon S3](canvas-export-data.md#canvas-export-data-s3).
Wenn Sie einen Auftrag erstellen, müssen Sie eine IAM-Rolle angeben, die über die Berechtigungen zum Erstellen des Auftrag verfügt. Sie können die [AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)Richtlinie verwenden, um Berechtigungen hinzuzufügen.
Fügen Sie der Rolle die folgende Vertrauensrichtlinie hinzu, EventBridge damit sie übernommen werden kann.
```
{
"Effect": "Allow",
"Principal": {
"Service": "events.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
```
**Wichtig**
Wenn Sie einen Zeitplan erstellen, erstellt Data Wrangler einen `eventRule` in. EventBridge Es fallen Gebühren sowohl für die von Ihnen erstellten Ereignisregeln als auch für die Instances an, die zur Ausführung des Processing-Jobs verwendet werden.
EventBridge Preisinformationen finden Sie unter [ EventBridge Amazon-Preise](https://aws.amazon.com/eventbridge/pricing/). Informationen zur Bearbeitung von Stellenpreisen finden Sie unter [ SageMaker Amazon-Preise](https://aws.amazon.com/sagemaker/pricing/).
Sie können mithilfe einer der folgenden Methoden einen Zeitplan erstellen:
+ [CRON-Ausdrücke](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-create-rule-schedule.html)
**Anmerkung**
Data Wrangler unterstützt die folgenden Ausdrücke nicht:
LW\$1
Abkürzungen für Tage
Abkürzungen für Monate
+ [RATE-Ausdrücke](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-create-rule-schedule.html#eb-rate-expressions)
+ Wiederkehrende – Legen Sie ein stündliches oder tägliches Intervall für die Ausführung des Jobs fest.
+ Bestimmte Zeit – Legen Sie bestimmte Tage und Uhrzeiten für die Ausführung des Jobs fest.
In den folgenden Abschnitten finden Sie Verfahren zur Planung von Aufträgen beim Ausfüllen der SageMaker AI Processing-Jobeinstellungen beim [Exportieren Ihrer Daten nach Amazon S3](canvas-export-data.md#canvas-export-data-s3). Alle folgenden Anweisungen beginnen im Abschnitt „**Zeitpläne zuordnen**“ in den Auftragseinstellungen für die SageMaker Verarbeitung.
------
#### [ CRON ]
Gehen Sie wie folgt vor, um einen Zeitplan mit einem CRON-Ausdruck zu erstellen.
1. Vergewissern Sie **sich, dass Sie im Seitenbereich Nach Amazon S3 exportieren** die Option **Automatische Auftragskonfiguration** deaktiviert und die Option **SageMaker Verarbeitung** ausgewählt haben.
1. Öffnen Sie in den Auftragseinstellungen für die **SageMaker Verarbeitung** den Abschnitt **Zeitpläne zuordnen** und wählen Sie **Neuen Zeitplan erstellen** aus.
1. Das Dialogfeld **Einen neuen Zeitplan erstellen** wird geöffnet. Geben Sie für **Name des Zeitplans** den Namen des Zeitplans an.
1. Wählen Sie für **Häufigkeit der Ausführung** die Option **CRON** aus.
1. Geben Sie für jedes der Felder **Minuten**, **Stunden**, **Monatstage**, **Monat** und **Wochentag** gültige CRON-Ausdruckswerte ein.
1. Wählen Sie **Erstellen** aus.
1. (Optional) Wählen Sie **Anderen Zeitplan hinzufügen**, um den Job nach einem zusätzlichen Zeitplan auszuführen.
**Anmerkung**
Sie können maximal zwei Zeitpläne zuordnen. Die Zeitpläne sind unabhängig voneinander und beeinflussen sich nicht gegenseitig, es sei denn, die Zeiten überschneiden sich.
1. Wählen Sie eine der folgenden Optionen:
+ **Planen und sofort ausführen** – Der Auftrag wird sofort ausgeführt und wird dann nach den Zeitplänen ausgeführt.
+ **Nur nach Zeitplan** – Der Auftrag wird nur nach den von Ihnen angegebenen Zeitplänen ausgeführt.
1. Wählen Sie **Exportieren** aus, nachdem Sie die restlichen Einstellungen für den Exportauftrag ausgefüllt haben.
------
#### [ RATE ]
Gehen Sie wie folgt vor, um einen Zeitplan mit einem RATE-Ausdruck zu erstellen.
1. Vergewissern Sie **sich, dass Sie im Seitenbereich Nach Amazon S3 exportieren** die Option **Automatische Auftragskonfiguration** deaktiviert und die Option **SageMaker Verarbeitung** ausgewählt haben.
1. Öffnen Sie in den Auftragseinstellungen für die **SageMaker Verarbeitung** den Abschnitt **Zeitpläne zuordnen** und wählen Sie **Neuen Zeitplan erstellen** aus.
1. Das Dialogfeld **Einen neuen Zeitplan erstellen** wird geöffnet. Geben Sie für **Name des Zeitplans** den Namen des Zeitplans an.
1. Wählen Sie für **Häufigkeit der Ausführung** die Option **Rate** aus.
1. Geben Sie für den **Wert** einen ganzzahligen Wert an.
1. Wählen Sie für **Einheit** eine der folgenden Optionen aus:
+ **Minuten**
+ **Stunden**
+ **Tage**
1. Wählen Sie **Erstellen** aus.
1. (Optional) Wählen Sie **Anderen Zeitplan hinzufügen**, um den Job nach einem zusätzlichen Zeitplan auszuführen.
**Anmerkung**
Sie können maximal zwei Zeitpläne zuordnen. Die Zeitpläne sind unabhängig voneinander und beeinflussen sich nicht gegenseitig, es sei denn, die Zeiten überschneiden sich.
1. Wählen Sie eine der folgenden Optionen:
+ **Planen und sofort ausführen** – Der Auftrag wird sofort ausgeführt und wird dann nach den Zeitplänen ausgeführt.
+ **Nur nach Zeitplan** – Der Auftrag wird nur nach den von Ihnen angegebenen Zeitplänen ausgeführt.
1. Wählen Sie **Exportieren** aus, nachdem Sie die restlichen Einstellungen für den Exportauftrag ausgefüllt haben.
------
#### [ Recurring ]
Gehen Sie wie folgt vor, um einen Zeitplan zu erstellen, der einen Job regelmäßig ausführt.
1. Vergewissern Sie **sich, dass Sie im Seitenbereich Nach Amazon S3 exportieren** die Option **Automatische Auftragskonfiguration** deaktiviert und die Option **SageMaker Verarbeitung** ausgewählt haben.
1. Öffnen Sie in den Auftragseinstellungen für die **SageMaker Verarbeitung** den Abschnitt **Zeitpläne zuordnen** und wählen Sie **Neuen Zeitplan erstellen** aus.
1. Das Dialogfeld **Einen neuen Zeitplan erstellen** wird geöffnet. Geben Sie für **Name des Zeitplans** den Namen des Zeitplans an.
1. Wählen Sie für **Häufigkeit der Ausführung** die Option **Wiederkehrend** aus.
1. Geben Sie für **Alle x Stunden** die stündliche Häufigkeit an, mit der der Job während des Tages ausgeführt wird. Gültig sind ganzzahlige Werte im Bereich einschl. **1** und **23**.
1. Wählen Sie für **An den Tagen** eine der folgenden Optionen aus:
+ **Täglich**
+ **An den Wochenenden**
+ **Wochentags**
+ **Tage auswählen**
1. (Optional) Wenn Sie **Tage auswählen** ausgewählt haben, wählen Sie die Wochentage aus, an denen der Job ausgeführt werden soll.
**Anmerkung**
Der Zeitplan wird jeden Tag zurückgesetzt. Wenn Sie einen Job so planen, dass er alle fünf Stunden ausgeführt wird, wird er während des Tages zu den folgenden Zeiten ausgeführt:
00:00
05:00
10:00
15:00
20:00
1. Wählen Sie **Erstellen** aus.
1. (Optional) Wählen Sie **Anderen Zeitplan hinzufügen**, um den Job nach einem zusätzlichen Zeitplan auszuführen.
**Anmerkung**
Sie können maximal zwei Zeitpläne zuordnen. Die Zeitpläne sind unabhängig voneinander und beeinflussen sich nicht gegenseitig, es sei denn, die Zeiten überschneiden sich.
1. Wählen Sie eine der folgenden Optionen:
+ **Planen und sofort ausführen** – Der Auftrag wird sofort ausgeführt und wird dann nach den Zeitplänen ausgeführt.
+ **Nur nach Zeitplan** – Der Auftrag wird nur nach den von Ihnen angegebenen Zeitplänen ausgeführt.
1. Wählen Sie **Exportieren** aus, nachdem Sie die restlichen Einstellungen für den Exportauftrag ausgefüllt haben.
------
#### [ Specific time ]
Gehen Sie wie folgt vor, um einen Zeitplan zu erstellen, der einen Job zu bestimmten Zeiten ausführt.
1. Vergewissern Sie **sich, dass Sie im Seitenbereich Nach Amazon S3 exportieren** die Option **Automatische Auftragskonfiguration** deaktiviert und die Option **SageMaker Verarbeitung** ausgewählt haben.
1. Öffnen Sie in den Auftragseinstellungen für die **SageMaker Verarbeitung** den Abschnitt **Zeitpläne zuordnen** und wählen Sie **Neuen Zeitplan erstellen** aus.
1. Das Dialogfeld **Einen neuen Zeitplan erstellen** wird geöffnet. Geben Sie für **Name des Zeitplans** den Namen des Zeitplans an.
1. Wählen Sie als **Häufigkeit der Ausführung** die Option **Startzeit** aus.
1. Geben Sie für **Startzeit** eine Zeit im UTC-Format ein (z. B. **09:00**). Die Startzeit entspricht standardmäßig der Zeitzone, in der Sie sich befinden.
1. Wählen Sie für **An den Tagen** eine der folgenden Optionen aus:
+ **Täglich**
+ **An den Wochenenden**
+ **Wochentags**
+ **Tage auswählen**
1. (Optional) Wenn Sie **Tage auswählen** ausgewählt haben, wählen Sie die Wochentage aus, an denen der Job ausgeführt werden soll.
1. Wählen Sie **Erstellen** aus.
1. (Optional) Wählen Sie **Anderen Zeitplan hinzufügen**, um den Job nach einem zusätzlichen Zeitplan auszuführen.
**Anmerkung**
Sie können maximal zwei Zeitpläne zuordnen. Die Zeitpläne sind unabhängig voneinander und beeinflussen sich nicht gegenseitig, es sei denn, die Zeiten überschneiden sich.
1. Wählen Sie eine der folgenden Optionen:
+ **Planen und sofort ausführen** – Der Auftrag wird sofort ausgeführt und wird dann nach den Zeitplänen ausgeführt.
+ **Nur nach Zeitplan** – Der Auftrag wird nur nach den von Ihnen angegebenen Zeitplänen ausgeführt.
1. Wählen Sie **Exportieren** aus, nachdem Sie die restlichen Einstellungen für den Exportauftrag ausgefüllt haben.
------
Sie können die SageMaker KI verwenden AWS-Managementkonsole , um die Jobs anzuzeigen, deren Ausführung geplant ist. Ihre Verarbeitungsaufträge werden innerhalb von Pipelines ausgeführt. Jeder Processing-Job hat seine eigene Pipeline. Er wird als Verarbeitungsschritt innerhalb der Pipeline ausgeführt. Sie können sich die Zeitpläne anzeigen lassen, die Sie in einer Pipeline erstellt haben. Weitere Informationen zum Anzeigen einer Pipeline finden Sie unter [Anzeige der Details einer Pipeline](pipelines-studio-list.md).
Gehen Sie wie folgt vor, um sich die von Ihnen geplanten Jobs anzeigen zu lassen.
Gehen Sie wie folgt vor, um sich die von Ihnen geplanten Jobs anzeigen zu lassen.
1. Öffnen Sie Amazon SageMaker Studio Classic.
1. Öffnen von Pipelines
1. Sehen Sie sich die Pipelines für die Jobs an, die Sie erstellt haben.
Die Pipeline, in der der Job ausgeführt wird, verwendet den Namen des Jobs als Präfix. Wenn Sie z. B. einen Job mit dem Namen `housing-data-feature-enginnering` erstellt haben, lautet der Name der Pipeline `canvas-data-prep-housing-data-feature-engineering`.
1. Wählen Sie die Pipeline aus, die Ihren Job enthält.
1. Status der Pipelines anzeigen. Pipelines mit dem **Status** **Erfolgreich** haben den Processing-Job erfolgreich ausgeführt.
Gehen Sie wie folgt vor, um die Ausführung des Processing-Jobs zu beenden:
Um die Ausführung eines Processing-Jobs zu beenden, löschen Sie die Ereignisregel, die den Zeitplan angibt. Indem eine Ereignisregel gelöscht wird, werden keine mit dem Zeitplan verknüpften Jobs mehr ausgeführt. Informationen zum Löschen einer Regel finden Sie unter [ EventBridge Amazon-Regel deaktivieren oder löschen](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-delete-rule.html).
Sie können die mit den Zeitplänen verknüpften Pipelines auch beenden und löschen. Informationen zum Stoppen einer Pipeline finden Sie unter [StopPipelineExecution](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopPipelineExecution.html). Hinweise zum Löschen einer Pipeline finden Sie unter [DeletePipeline](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeletePipeline.html#API_DeletePipeline_RequestSyntax).
# Automatisieren Sie die Datenvorbereitung in SageMaker Canvas
Nachdem Sie Ihre Daten im Datenfluss transformiert haben, können Sie die Transformationen in Ihre Machine-Learning-Workflows exportieren. Wenn Sie Ihre Transformationen exportieren, erstellt SageMaker Canvas ein Jupyter-Notizbuch. Sie müssen das Notizbuch in Amazon SageMaker Studio Classic ausführen. Weitere Informationen zu den ersten Schritten mit Studio Classic erhalten Sie bei Ihrem Administrator.
## Automatisieren der Datenaufbereitung mithilfe von Pipelines
Wenn Sie umfangreiche Workflows für maschinelles Lernen (ML) erstellen und bereitstellen möchten, können Sie Pipelines verwenden, um Workflows zu erstellen, die SageMaker KI-Jobs verwalten und bereitstellen. Mit Pipelines können Sie Workflows erstellen, mit denen Sie Ihre Aufgaben zur SageMaker KI-Datenvorbereitung, zum Modelltraining und zur Modellbereitstellung verwalten. Mithilfe von Pipelines können Sie die von SageMaker KI angebotenen Erstanbieter-Algorithmen verwenden. [Weitere Informationen zu Pipelines finden Sie unter Pipelines. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines.html)
Wenn Sie einen oder mehrere Schritte aus Ihrem Datenfluss in Pipelines exportieren, erstellt Data Wrangler ein Jupyter Notebook, mit dem Sie eine Pipeline definieren, instanziieren, ausführen und verwalten können.
### Verwenden Sie zur Erstellung einer Pipeline ein Jupyter Notebook
Gehen Sie wie folgt vor, um ein Jupyter Notebook zu erstellen, um Ihren Data-Wrangler-Fluss in Pipelines zu exportieren.
Gehen Sie wie folgt vor, um ein Jupyter Notebook zu erzeugen und führen Sie es aus, um Ihren Data-Wrangler-Fluss in Pipelines zu exportieren.
1. Wählen Sie das **\$1** neben dem Knoten aus, die Sie exportieren möchten.
1. Wählen Sie **Datenfluss exportieren** aus.
1. Wählen Sie **Pipelines (über Jupyter Notebook)** aus.
1. Laden Sie das Jupyter-Notebook herunter oder kopieren Sie es an einen Amazon-S3-Speicherort. Wir empfehlen, es an einen Amazon-S3-Speicherort zu kopieren, auf den Sie innerhalb von Studio Classic zugreifen können. Wenden Sie sich an Ihren Administrator, wenn Sie Unterstützung bei der Suche nach einem geeigneten Speicherort benötigen.
1. Führen Sie das Jupyter Notebook aus.
Sie können das von Data Wrangler erstellte Jupyter Notebook verwenden, um eine Pipeline zu definieren. Die Pipeline beinhaltet die Datenverarbeitungsschritte, die durch Ihren Data-Wrangler-Flow festgelegt werden.
Sie können zu Ihrer Pipeline weitere Schritte hinzufügen, indem Sie zu der `steps` Liste im folgenden Code im Notebook Schritte hinzufügen:
```
pipeline = Pipeline(
name=pipeline_name,
parameters=[instance_type, instance_count],
steps=[step_process], #Add more steps to this list to run in your Pipeline
)
```
Weitere Informationen zur Definition von Pipelines finden Sie unter KI-Pipeline [definieren SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/define-pipeline.html).
## Automatisieren der Datenaufbereitung mithilfe eines Inferenzendpunkts
Verwenden Sie Ihren Data Wrangler-Flow, um Daten zum Zeitpunkt der Inferenz zu verarbeiten, indem Sie aus Ihrem Data Wrangler-Flow eine serielle SageMaker KI-Inferenz-Pipeline erstellen. Eine Inference Pipeline besteht aus einer Reihe von Schritten, die dazu führen, dass ein trainiertes Modell Vorhersagen zu neuen Daten trifft. Eine serielle Inference Pipeline innerhalb von Data Wrangler transformiert die Rohdaten und stellt sie dem Machine-Learning-Modell zur Verfügung, damit es eine Vorhersage trifft. Sie erstellen die Inferenz-Pipeline von einem Jupyter Notebook in Studio Classic, führen sie aus und verwalten sie. Weitere Informationen zum Zugriff auf das Notebook finden Sie unter [Erstellen eines Inferenz-Endpunkt mithilfe eines Jupyter Notebooks](#canvas-inference-notebook).
Im Notebook können Sie entweder ein Machine-Learning-Modell trainieren oder eines angeben, das Sie bereits trainiert haben. Sie können entweder Amazon SageMaker Autopilot verwenden oder XGBoost das Modell anhand der Daten trainieren, die Sie in Ihrem Data Wrangler-Flow transformiert haben.
Die Pipeline bietet die Möglichkeit, entweder eine Batch- oder Echtzeit-Inferenz vorzunehmen. Sie können den Data Wrangler-Flow auch zu Model Registry hinzufügen. SageMaker Weitere Informationen über Hosting-Modelle finden Sie unter [Multimodell-Endpunkte](multi-model-endpoints.md).
**Wichtig**
Sie können Ihren Data-Wrangler-Flow nicht zu einem Inference-Endpunkt exportieren, wenn er die folgenden Transformationen aufweist:
Join
Verketten
Gruppierung nach
Wenn Sie Ihre Daten mit Hilfe der vorangegangenen Transformationen vorbereiten müssen, gehen Sie wie folgt vor.
Erstellen Sie einen Data-Wrangler-Flow.
Wenden Sie die vorangegangenen Transformationen an, die nicht unterstützt werden.
Exportieren Sie die Daten in einen Bucket von Amazon S3.
Erstellen Sie einen separaten Data-Wrangler-Flow.
Importieren Sie die Daten, die Sie aus dem vorangegangenen Flow exportiert haben.
Wenden Sie die übrigen Transformationen an.
Erstellen Sie mit dem von uns bereitgestellten Jupyter Notebook eine serielle Inference Pipeline.
Informationen zum Exportieren Ihrer Daten in einen Bucket von Amazon S3 finden Sie unter [Daten exportieren](canvas-export-data.md). Informationen zum Öffnen des Jupyter Notebooks, mit dem die serielle Inference Pipeline erstellt wird, finden Sie unter [Erstellen eines Inferenz-Endpunkt mithilfe eines Jupyter Notebooks](#canvas-inference-notebook).
Data Wrangler ignoriert Transformationen, die zum Zeitpunkt der Inferenz Daten entfernen. Data Wrangler ignoriert z. B. die Transformation [Fehlende Werte behandeln](canvas-transform.md#canvas-transform-handle-missing), wenn Sie die Konfiguration **Drop missing** verwenden.
Wenn Sie Transformationen an Ihren gesamten Datensatz angepasst haben, werden die Transformationen in Ihre Inference Pipeline übertragen. Wenn Sie beispielsweise den Medianwert zur Imputation fehlender Werte verwendet haben, wird der Medianwert aus der Neuanpassung der Transformation auf Ihre Inferenzanfragen angewendet. Sie können entweder die Transformationen aus Ihrem Data-Wrangler-Fluss neu anpassen, wenn Sie das Jupyter Notebook verwenden oder wenn Sie Ihre Daten in eine Inferenz-Pipeline exportieren.
Die serielle Inference Pipeline unterstützt die folgenden Datentypen für die Eingabe- und Ausgabezeichenfolgen. Für jeden Datentyp gibt es eine Reihe von Anforderungen.
**Unterstützte Datentypen**
+ `text/csv` – der Datentyp für CSV-Zeichenfolgen
+ Die Zeichenfolge darf keinen Header haben.
+ Die für die Inference Pipeline verwendeten Features müssen dieselbe Reihenfolge haben wie die Features im Trainingsdatensatz.
+ Die Features muss durch Komma getrennt sein.
+ Datensätze müssen durch ein Zeilenumbruchzeichen getrennt sein.
Es folgt das Beispiel einer gültig formatierten CSV-Zeichenfolge, die Sie in einer Inferenzanforderung angeben können.
```
abc,0.0,"Doe, John",12345\ndef,1.1,"Doe, Jane",67890
```
+ `application/json` – der Datentyp für JSON-Zeichenfolgen
+ Die im Datensatz für die Inference Pipeline verwendeten Features müssen die gleiche Reihenfolge haben wie die Features im Trainingsdatensatz.
+ Die Daten müssen ein bestimmtes Schema haben. Sie definieren ein Schema als `instances` Einzelobjekt mit einer Reihe von `features`. Jedes `features`-Objekt stellt eine Beobachtung dar.
Es folgt das Beispiel einer gültig formatierten JSON-Zeichenfolge, die Sie in einer Inferenzanforderung angeben können.
```
{
"instances": [
{
"features": ["abc", 0.0, "Doe, John", 12345]
},
{
"features": ["def", 1.1, "Doe, Jane", 67890]
}
]
}
```
### Erstellen eines Inferenz-Endpunkt mithilfe eines Jupyter Notebooks
Gehen Sie wie folgt vor, um Ihren Data-Wrangler-Flow zu exportieren, um eine Inference Pipeline zu erstellen.
Gehen Sie wie folgt vor, um mithilfe eines Jupyter Notebooks eine Inference Pipeline zu erstellen.
1. Wählen Sie das **\$1** neben dem Knoten aus, die Sie exportieren möchten.
1. Wählen Sie **Datenfluss exportieren** aus.
1. Wählen Sie **SageMaker AI Inference Pipeline (über Jupyter** Notebook).
1. Laden Sie das Jupyter-Notebook herunter oder kopieren Sie es an einen Amazon-S3-Speicherort. Wir empfehlen, es an einen Amazon-S3-Speicherort zu kopieren, auf den Sie innerhalb von Studio Classic zugreifen können. Wenden Sie sich an Ihren Administrator, wenn Sie Unterstützung bei der Suche nach einem geeigneten Speicherort benötigen.
1. Führen Sie das Jupyter Notebook aus.
Wenn Sie das Jupyter Notebook ausführen, erstellt es einen Inferenz-Flow-Artefakt. Ein Inferenz-Flow-Artefakt ist eine Data-Wrangler-Flow-Datei mit zusätzlichen Metadaten, die zur Erstellung der seriellen Inference Pipeline verwendet werden. Der exportierte Knoten beinhaltet alle Transformationen der vorangehenden Knoten.
**Wichtig**
Data Wrangler braucht den Inference-Flow-Artefakt zum Ausführen der Inference Pipeline. Sie können Ihre eigene Flow-Datei nicht als Artefakt verwenden. Sie müssen sie anhand des o.a. Verfahrens erstellen.
## Automatisieren der Datenvorbereitung mit Python-Code
Gehen Sie wie folgt vor, um alle Schritte in Ihrem Datenfluss in eine Python-Datei zu exportieren, die Sie manuell in jeden Datenverarbeitungs-Workflow integrieren können.
Verwenden Sie das folgende Verfahren, um ein Jupyter Notebook zu erzeugen und es auszuführen, um Ihren Data-Wrangler-Fluss in Python-Code zu exportieren.
1. Wählen Sie das **\$1** neben dem Knoten aus, die Sie exportieren möchten.
1. Wählen Sie **Datenfluss exportieren** aus.
1. Wählen Sie **Python-Code** aus.
1. Laden Sie das Jupyter-Notebook herunter oder kopieren Sie es an einen Amazon-S3-Speicherort. Wir empfehlen, es an einen Amazon-S3-Speicherort zu kopieren, auf den Sie innerhalb von Studio Classic zugreifen können. Wenden Sie sich an Ihren Administrator, wenn Sie Unterstützung bei der Suche nach einem geeigneten Speicherort benötigen.
1. Führen Sie das Jupyter Notebook aus.
Sie müssen das Python-Skript ggf. so konfigurieren, dass es in Ihrer Pipeline ausgeführt werden kann. Wenn Sie beispielsweise eine Spark-Umgebung ausführen, stellen Sie sicher, dass Sie das Skript in einer Umgebung ausführen, die über Berechtigungen für den Zugriff auf Ressourcen verfügt. AWS
# Generative KI-Grundmodelle in SageMaker Canvas
Amazon SageMaker Canvas bietet generative KI-Grundmodelle, mit denen Sie Konversationschats starten können. Diese Modelle zur Inhaltsgenerierung werden anhand großer Textdatenmengen trainiert, um die statistischen Muster und Beziehungen zwischen Wörtern zu lernen. Sie können kohärenten Text erzeugen, der dem Text, an dem sie trainiert wurden, statistisch ähnlich ist. Sie können diese Funktion verwenden, um Ihre Produktivität zu steigern, indem Sie wie folgt vorgehen:
+ Generieren Sie Inhalte wie Dokumententwürfe, Berichte und Blogs
+ Fassen Sie Text aus umfangreichen Textkorporen zusammen, z. B. Abschriften von Telefongesprächen, Jahresberichten oder Kapiteln von Benutzerhandbüchern
+ Extrahieren Sie Erkenntnisse und wichtige Erkenntnisse aus großen Textpassagen, z. B. Besprechungsnotizen oder Erzählungen
+ Verbessern Sie den Text und finden Sie Grammatik- oder Tippfehler
Die Basismodelle sind eine Kombination aus den großen Sprachmodellen von [Amazon SageMaker JumpStart und Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-service.html) (LLMs). Canvas bietet die folgenden Modelle:
| Modell | Typ | Description |
| --- | --- | --- |
| Amazon Titan | Amazon Bedrock-Modell | Amazon Titan ist ein leistungsstarkes, universelles Sprachmodell, das Sie für Aufgaben wie Zusammenfassung, Textgenerierung (wie das Erstellen eines Blogbeitrags), Klassifizierung, offene Fragen und Antworten und Informationsextraktion verwenden können. Es ist für große Datenmengen vortrainiert und eignet sich daher für komplexe Aufgaben und Argumentation. Um weiterhin bewährte Verfahren für den verantwortungsvollen Umgang mit KI zu unterstützen, sind Amazon-Titan-Grundlagenmodelle darauf ausgelegt, schädliche Inhalte in den Daten zu erkennen und zu entfernen, unangemessene Inhalte in der Benutzereingabe zurückzuweisen und Modellausgaben zu filtern, die unangemessene Inhalte (wie Hassreden, Obszönitäten und Gewalt) enthalten. |
| Anthropic Claude Instant | Modell Amazon Bedrock | Claude Instant von Anthropic ist ein schnelleres und kostengünstigeres und dennoch sehr leistungsfähiges Modell. Dieses Modell kann eine Reihe von Aufgaben bewältigen, darunter zufällige Dialoge, Textanalyse, Zusammenfassung und Beantwortung von Fragen zu Dokumenten. Genau wie Claude-2 kann Claude Instant bis zu 100.000 Token pro Aufforderung unterstützen, was etwa 200 Informationsseiten entspricht. |
| Anthropic Claude-2 | Modell Amazon Bedrock | Claude-2 ist das leistungsstärkste Modell von Anthropic, das sich durch eine Vielzahl von Aufgaben auszeichnet, von anspruchsvollen Dialogen und der Erstellung kreativer Inhalte bis hin zu detaillierten Anweisungen. Claude-2 kann in jeder Aufforderung bis zu 100.000 Tokens aufnehmen, was etwa 200 Informationsseiten entspricht. Es kann im Vergleich zur Vorgängerversion längere Antworten generieren. Es unterstützt Anwendungsfälle wie die Beantwortung von Fragen, die Extraktion von Informationen, das Entfernen personenbezogener Daten, die Generierung von Inhalten, die Multiple-Choice-Klassifizierung, Rollenspiele, den Textvergleich, die Zusammenfassung und Fragen und Antworten zu Dokumenten mit Zitat. |
| Falcon-7B-Instruct | JumpStart Modell | Falcon-7B-Instruct verfügt über 7 Milliarden Parameter und wurde anhand einer Mischung aus Chat- und Instruct-Datensätzen fein abgestimmt. Es eignet sich als virtueller Assistent und schneidet am besten ab, wenn es Anweisungen befolgt oder Gespräche führt. Da das Modell anhand großer Mengen englischsprachiger Webdaten trainiert wurde, trägt es die Stereotypen und Vorurteile, die häufig im Internet zu finden sind, und ist nicht für andere Sprachen als Englisch geeignet. Im Vergleich zu Falcon-40B-Instruct ist Falcon-7B-Instruct ein etwas kleineres und kompakteres Modell. |
| Falcon-40B-Instruct | JumpStart Modell | Falcon-40B-Instruct verfügt über 40 Milliarden Parameter und wurde anhand einer Mischung aus Chat- und Instruct-Datensätzen fein abgestimmt. Er eignet sich als virtueller Assistent und schneidet am besten ab, wenn er Anweisungen befolgt oder ein Gespräch führt. Da das Modell anhand großer Mengen englischsprachiger Webdaten trainiert wurde, trägt es die Stereotypen und Vorurteile, die häufig im Internet zu finden sind, und ist nicht für andere Sprachen als Englisch geeignet. Im Vergleich zu Falcon-7B-Instruct ist Falcon-40B-Instruct ein etwas größeres und leistungsstärkeres Modell. |
| Jurassic-2 Mid | Modell Amazon Bedrock | Jurassic-2 Mid ist ein leistungsstarkes Modell zur Textgenerierung, das auf einem riesigen Textkorpus trainiert wurde (aktuell bis Mitte 2022). Es ist äußerst vielseitig, universell einsetzbar und in der Lage, menschenähnlichen Text zu verfassen und komplexe Aufgaben wie die Beantwortung von Fragen, Textklassifizierung und viele andere zu lösen. Dieses Modell bietet die Möglichkeit, alle Anweisungen zu erstellen, sodass es nur mit natürlicher Sprache und ohne die Verwendung von Beispielen gesteuert werden kann. Es arbeitet bis zu 30% schneller als sein Vorgänger, das Jurassic-1-Modell. Jurassic-2 Mid AI21 ist das mittelgroße Modell, das sorgfältig entworfen wurde, um das richtige Gleichgewicht zwischen außergewöhnlicher Qualität und Erschwinglichkeit zu finden. |
| Jurassic-2 Ultra | Modell Amazon Bedrock | Jurassic-2 Ultra ist ein leistungsstarkes Modell zur Textgenerierung, das auf einem riesigen Textkorpus trainiert wurde (aktuell bis Mitte 2022). Es ist äußerst vielseitig, universell einsetzbar und in der Lage, menschenähnlichen Text zu verfassen und komplexe Aufgaben wie die Beantwortung von Fragen, Textklassifizierung und viele andere zu lösen. Dieses Modell bietet die Möglichkeit, alle Anweisungen zu erstellen, sodass es nur mit natürlicher Sprache und ohne die Verwendung von Beispielen gesteuert werden kann. Es arbeitet bis zu 30% schneller als sein Vorgänger, das Jurassic-1-Modell. Im Vergleich zu Jurassic-2 Mid ist Jurassic-2 Ultra ein etwas größeres und leistungsstärkeres Modell. |
| Llama-2-7b-Chat | JumpStart Modell | Llama-2-7b-Chat ist ein Grundlagenmodell von Meta, das sich für sinnvolle und kohärente Gespräche, die Generierung neuer Inhalte und die Extraktion von Antworten aus bestehenden Notizen eignet. Da das Modell anhand umfangreicher englischsprachiger Internetdaten trainiert wurde, weist es die im Internet häufig anzutreffenden Verzerrungen und Einschränkungen auf und eignet sich am besten für Aufgaben in englischer Sprache. |
| Llama-2-13B-Chat | Modell Amazon Bedrock | Llama-2-13B-Chat von Meta wurde nach einem ersten Training mit Internetdaten anhand von Konversationsdaten optimiert. Es ist für natürliche Dialoge und ansprechende Chat-Fähigkeiten optimiert und eignet sich daher gut als Konversationsagent. Im Vergleich zum kleineren Llama-2-7b-Chat verfügt Llama-2-13B-Chat über nahezu doppelt so viele Parameter, wodurch es mehr Kontext speichern und differenziertere Gesprächsantworten generieren kann. Wie Llama-2-7b-Chat wurde auch Llama-2-13B-Chat mit englischsprachigen Daten trainiert und eignet sich am besten für Aufgaben in englischer Sprache. |
| Llama-2-70B-Chat | Modell Amazon Bedrock | Ähnlich wie Llama-2-7b-Chat und Llama-2-13B-Chat ist das Modell Llama-2-70B-Chat von Meta für natürliche und aussagekräftige Dialoge optimiert. Mit 70 Milliarden Parametern kann dieses umfangreiche Konversationsmodell im Vergleich zu den kompakteren Modellversionen einen größeren Kontext speichern und äußerst kohärente Antworten generieren. Dies geht jedoch mit langsameren Reaktionszeiten und einem höheren Ressourcenbedarf einher. Llama-2-70B-Chat wurde mit umfangreichen englischsprachigen Internetdaten trainiert und eignet sich am besten für Aufgaben in englischer Sprache. |
| Mistral-7B | JumpStart Modell | Mistral-7B von Mistral.AI ist ein hervorragendes Allzweck-Sprachmodell, das sich für eine Vielzahl von Aufgaben im Bereich der natürlichen Sprache (NLP) eignet, wie beispielsweise Textgenerierung, Zusammenfassung und Beantwortung von Fragen. Es nutzt Grouped-Query Attention (GQA), was schnellere Inferenzgeschwindigkeiten ermöglicht, sodass es eine vergleichbare Leistung wie Modelle mit doppelt oder dreimal so vielen Parametern erzielt. Es wurde anhand einer Mischung aus Textdaten wie Büchern, Websites und wissenschaftlichen Artikeln in englischer Sprache trainiert und eignet sich daher am besten für Aufgaben in englischer Sprache. |
| Mistral-7B-Chat | JumpStart Modell | Mistral-7B-Chat ist ein Konversationsmodell von Mistral.AI, das auf Mistral-7B basiert. Während Mistral-7B sich am besten für allgemeine NLP-Aufgaben eignet, wurde Mistral-7B-Chat speziell auf Konversationsdaten abgestimmt, um seine Fähigkeiten für natürliche, ansprechende Chats zu optimieren. Infolgedessen generiert Mistral-7B-Chat menschlichere Antworten und behält den Kontext früherer Antworten im Gedächtnis. Wie das Modell Mistral-7B eignet sich auch dieses Modell am besten für Aufgaben in englischer Sprache. |
| MPT-7B-Instruct | JumpStart Modell | MPT-7B-Instruct ist ein Modell für ausführliche Anweisungen zur Nachverfolgung von Aufgaben. Es kann Sie beim Schreiben von Aufgaben wie der Textzusammenfassung und der Beantwortung von Fragen unterstützen, sodass Sie Zeit und Mühe sparen. Dieses Modell wurde mit großen, fein abgestimmten Datenmengen trainiert und kann größere Eingaben, wie z. B. komplexe Dokumente, verarbeiten. Verwenden Sie dieses Modell, wenn Sie große Textkörper verarbeiten möchten oder wenn das Modell lange Antworten generieren soll. |
Die Foundation-Modelle von Amazon Bedrock sind derzeit nur in den Regionen USA Ost (Nord-Virginia) und USA West (Oregon) verfügbar. Wenn Sie Foundation-Modelle von Amazon Bedrock verwenden, werden Ihnen außerdem Gebühren auf der Grundlage des Volumens der Eingabe- und Ausgabetokens berechnet, wie von den einzelnen Modellanbietern angegeben. Weitere Informationen finden Sie auf der [Amazon Bedrock-Preisseite](https://aws.amazon.com/bedrock/pricing/). Die JumpStart Basismodelle werden auf SageMaker AI Hosting-Instances bereitgestellt, und Ihnen wird die Nutzungsdauer je nach verwendetem Instanztyp in Rechnung gestellt. Weitere Informationen zu den Kosten der verschiedenen Instance-Typen finden Sie im Abschnitt Amazon SageMaker AI Hosting: Real-Time Inference auf der [SageMaker Preisseite](https://aws.amazon.com/sagemaker/pricing/).
Die Dokumentenabfrage ist eine zusätzliche Funktion, mit der Sie mithilfe von Amazon Kendra in Indizes gespeicherte Dokumente abfragen und Erkenntnisse daraus gewinnen können. Mit dieser Funktion können Sie Inhalte aus dem Kontext dieser Dokumente generieren und Antworten erhalten, die speziell auf Ihren Geschäftsanwendungsfall zugeschnitten sind. Im Gegensatz zu generischen Antworten auf die großen Datenmengen, auf denen die Basismodelle trainiert wurden, basieren. Weitere Informationen über Indizes in Amazon Kendra finden Sie im [Amazon Kendra-Entwicklerhandbuch](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html).
Wenn Sie Antworten von einem der Grundlagenmodelle erhalten möchten, die auf Ihre Daten und Ihren Anwendungsfall zugeschnitten sind, können Sie die Grundlagenmodelle optimieren. Weitere Informationen hierzu finden Sie unter [Optimieren von Grundlagenmodellen](canvas-fm-chat-fine-tune.md).
Wenn Sie Prognosen von einem Amazon SageMaker JumpStart Foundation-Modell über eine Anwendung oder Website abrufen möchten, können Sie das Modell auf einem SageMaker *KI-Endpunkt* bereitstellen. SageMaker KI-Endpunkte hosten Ihr Modell, und Sie können über Ihren Anwendungscode Anfragen an den Endpunkt senden, um Vorhersagen aus dem Modell zu erhalten. Weitere Informationen finden Sie unter [Stellen Sie Ihre Modelle auf einem Endpunkt bereit](canvas-deploy-model.md).
# Erfüllen Sie die Voraussetzungen für Basismodelle in Canvas SageMaker
In den folgenden Abschnitten werden die Voraussetzungen für die Interaktion mit Foundation-Modellen und die Verwendung der Dokumentabfragefunktion in Canvas beschrieben. Beim restlichen Inhalt dieser Seite wird davon ausgegangen, dass Sie die Voraussetzungen für Foundation-Modelle erfüllt haben. Für die Funktion zur Dokumentenabfrage sind zusätzliche Berechtigungen erforderlich.
## Voraussetzungen für Gründungsmodelle
Die Berechtigungen, die Sie für die Interaktion mit Modellen benötigen, sind in den Berechtigungen für Ready-to-use Canvas-Modelle enthalten. Um die generativen KI-gestützten Modelle in Canvas zu verwenden, müssen Sie bei der Einrichtung Ihrer Amazon SageMaker AI-Domain die **Konfigurationsberechtigungen für Ready-to-use Canvas-Modelle** aktivieren. Weitere Informationen finden Sie unter [Voraussetzungen für die Einrichtung von Amazon SageMaker Canvas](canvas-getting-started.md#canvas-prerequisites). Die **Konfiguration der Ready-to-use Canvas-Modelle** ordnet die [AmazonSageMakerCanvasAIServicesZugriffsrichtlinie](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) der Ausführungsrolle Ihres Canvas-Benutzers AWS Identity and Access Management (IAM) zu. Wenn Sie Probleme mit der Vergabe von Berechtigungen haben, finden Sie weitere Informationen im Thema [Behebung von Problemen bei der Erteilung von Berechtigungen über die SageMaker AI-Konsole](canvas-limits.md#canvas-troubleshoot-trusted-services).
Wenn Sie Ihre Domain bereits eingerichtet haben, können Sie Ihre Domaineinstellungen bearbeiten und die Berechtigungen aktivieren. Anleitungen zum Bearbeiten Ihrer Domaineinstellungen finden Sie unter [Bearbeiten von Domaineinstellungen](domain-edit.md). Gehen Sie bei der Bearbeitung der Einstellungen für Ihre Domain zu den **Canvas-Einstellungen** und aktivieren Sie die Option ** Ready-to-useCanvas-Modelle aktivieren**.
Bei bestimmten JumpStart Foundation-Modellen müssen Sie außerdem eine Erhöhung des SageMaker KI-Instanzkontingents beantragen. Canvas hostet die Modelle, mit denen Sie gerade auf diesen Instances interagieren, aber das Standardkontingent für Ihr Konto ist möglicherweise unzureichend. Wenn bei der Ausführung eines der folgenden Modelle ein Fehler auftritt, fordern Sie eine Erhöhung des Kontingents für die zugehörigen Instance-Typen an:
+ Falcon-40B – `ml.g5.12xlarge`, `ml.g5.24xlarge`
+ Falcon-13B – `ml.g5.2xlarge`, `ml.g5.4xlarge`, `ml.g5.8xlarge`
+ MPT-7B-Instruct – `ml.g5.2xlarge`, `ml.g5.4xlarge`, `ml.g5.8xlarge`
Fordern Sie für die vorherigen Instance-Typen eine Erhöhung der Endpunktnutzungsquote von 0 auf 1 an. Weitere Informationen zum Erhöhen der Instance-Kontingente für Ihr Konto finden Sie unter [Anfordern einer Kontingentserhöhung](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) im *Service Quotas-Benutzerhandbuch*.
## Voraussetzungen für das Abfragen von Dokumenten
**Anmerkung**
Die Dokumentabfrage wird in den folgenden Ländern unterstützt AWS-Regionen: USA Ost (Nord-Virginia), USA Ost (Ohio), USA West (Oregon), Europa (Irland), Asien-Pazifik (Singapur), Asien-Pazifik (Sydney), Asien-Pazifik (Tokio) und Asien-Pazifik (Mumbai).
Die Funktion zur Dokumentenabfrage setzt voraus, dass Sie bereits über einen Amazon Kendra-Index verfügen, in dem Ihre Dokumente und Dokumentmetadaten gespeichert sind. Weitere Informationen zu Amazon Kendra finden Sie im [Amazon Kendra-Entwicklerhandbuch](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html). Weitere Informationen zu den Kontingenten für die Abfrage von Indizes finden Sie unter [Kontingente](https://docs.aws.amazon.com/kendra/latest/dg/quotas.html) im *Amazon Kendra-Benutzerhandbuch*.
Sie müssen auch sicherstellen, dass Ihr Canvas-Benutzerprofil über die erforderlichen Berechtigungen für die Dokumentenabfrage verfügt. Die [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)Richtlinie muss der AWS IAM-Ausführungsrolle für die SageMaker AI-Domäne angehängt werden, die Ihre Canvas-Anwendung hostet (diese Richtlinie ist standardmäßig an alle neuen und vorhandenen Canvas-Benutzerprofile angehängt). Sie müssen außerdem ausdrücklich Berechtigungen für die Dokumentenabfrage gewähren und den Zugriff auf einen oder mehrere Amazon Kendra-Indizes angeben.
Wenn Ihr Canvas-Administrator eine neue Domain oder ein neues Benutzerprofil einrichtet, lassen Sie ihn die Domain einrichten, indem Sie den Anweisungen unter [Voraussetzungen für die Einrichtung von Amazon SageMaker Canvas](canvas-getting-started.md#canvas-prerequisites) folgen. Während der Einrichtung der Domain können sie das Dokument über die Konfiguration der ** Ready-to-useCanvas-Modelle** für die Dokumentenabfrage aktivieren.
Der Canvas-Administrator kann die Berechtigungen für die Dokumentenabfrage auch auf Benutzerprofilebene verwalten. Wenn der Administrator beispielsweise einigen Benutzerprofilen Berechtigungen für die Dokumentenabfrage gewähren, anderen jedoch Berechtigungen entziehen möchte, kann er die Berechtigungen für einen bestimmten Benutzer bearbeiten.
Nachfolgend wird gezeigt, wie Sie Berechtigungen für Dokumentabfragen für ein bestimmtes Benutzerprofil aktivieren:
1. Öffnen Sie die SageMaker AI-Konsole unter. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain des Benutzerprofils aus.
1. Wählen Sie auf der Seite mit den **Domaindetails** das **Benutzerprofil** aus, dessen Berechtigungen Sie bearbeiten möchten.
1. Klicken Sie auf der Seite **Details des Benutzers** auf **Bearbeiten**.
1. Wählen Sie im linken Navigationsbereich die Option **Canvas Einstellungen** aus.
1. Aktivieren Sie im **Konfigurationsbereich für Ready-to-use Canvas-Modelle** die Option **Dokumentabfrage mithilfe von Amazon Kendra aktivieren**.
1. Wählen Sie in der Dropdown-Liste einen oder mehrere Amazon Kendra-Indizes aus, auf die Sie Zugriff gewähren möchten.
1. Wählen Sie **Absenden** aus, um die Änderungen an Ihren Domaineinstellungen zu speichern.
Sie sollten jetzt in der Lage sein, Canvas Foundation-Modelle zu verwenden, um Dokumente in den angegebenen Amazon Kendra-Indizes abzufragen.
# Starten Sie eine neue Konversation, um Inhalte zu generieren, zu extrahieren oder zusammenzufassen
Um mit generativen KI-Grundmodellen in Canvas zu beginnen, können Sie eine neue Chat-Sitzung mit einem der Modelle starten. Bei JumpStart Modellen fallen Gebühren an, solange das Modell aktiv ist. Sie müssen die Modelle also starten, wenn Sie sie verwenden möchten, und sie herunterfahren, wenn Sie mit der Interaktion fertig sind. Wenn Sie ein JumpStart Modell nicht herunterfahren, fährt Canvas es nach 2 Stunden Inaktivität herunter. Bei Amazon-Bedrock-Modellen (wie Amazon Titan) erfolgt die Zahlung per Aufforderung. Die Modelle sind bereits aktiv und müssen nicht gestartet oder heruntergefahren werden. Die Nutzung dieser Modelle durch Amazon Bedrock wird Ihnen direkt in Rechnung gestellt.
Gehen Sie wie folgt vor, um einen Chat mit einem Model zu öffnen:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich **eady-to-useR-Modelle** aus.
1. Wählen Sie **Inhalt generieren, extrahieren und zusammenfassen**.
1. Auf der Willkommensseite erhalten Sie eine Empfehlung, das Standardmodell zu starten. Sie können das empfohlene Modell starten oder im Dropdown-Menü die Option **Anderes Modell auswählen** wählen, um ein anderes Modell auszuwählen.
1. Wenn Sie ein JumpStart Foundation-Modell ausgewählt haben, müssen Sie es starten, bevor es verwendet werden kann. Wählen Sie **Modell starten aus**, und dann wird das Modell auf einer SageMaker AI-Instanz bereitgestellt. Es kann einige Minuten dauern, bis der Vorgang abgeschlossen ist. Wenn das Modell fertig ist, können Sie Eingabeaufforderungen eingeben und dem Modell Fragen stellen.
Wenn Sie ein Fundamentmodell von Amazon Bedrock ausgewählt haben, können Sie es sofort verwenden, indem Sie eine Aufforderung eingeben und Fragen stellen.
Je nach Modell können Sie verschiedene Aufgaben ausführen. Sie können beispielsweise eine Textpassage eingeben und das Modell bitten, sie zusammenzufassen. Oder Sie können das Modell bitten, eine kurze Zusammenfassung der Markttrends in Ihrem Bereich zu erstellen.
Die Antworten des Models in einem Chat basieren auf dem Kontext Ihrer vorherigen Eingabeaufforderungen. Wenn Sie im Chat eine neue Frage stellen möchten, die nichts mit dem vorherigen Gesprächsthema zu tun hat, empfehlen wir Ihnen, einen neuen Chat mit dem Model zu starten.
# Extrahieren Sie Informationen aus Dokumenten, indem Sie Dokumente abfragen
**Anmerkung**
In diesem Abschnitt wird davon ausgegangen, dass Sie den Abschnitt über [Voraussetzungen für das Abfragen von Dokumenten](canvas-fm-chat-prereqs.md#canvas-fm-chat-prereqs-kendra)abgeschlossen haben.
Das Abfragen von Dokumenten ist eine Funktion, die Sie bei der Interaktion mit Foundation-Modellen in Canvas verwenden können. Mit der Dokumentenabfrage können Sie auf einen Korpus von Dokumenten zugreifen, die in einem Amazon Kendra-*Index* gespeichert sind, der den Inhalt Ihrer Dokumente enthält und so strukturiert ist, dass Dokumente durchsuchbar sind. Sie können spezifische Fragen stellen, die sich auf die Daten in Ihrem Amazon Kendra-Index beziehen, und das Foundation-Modell gibt Antworten auf Ihre Fragen zurück. Sie können beispielsweise eine interne Wissensdatenbank mit IT-Informationen abfragen und Fragen stellen wie „Wie stelle ich eine Verbindung zum Netzwerk meines Unternehmens her?“ Weitere Informationen zum Einrichten eines Indexes finden Sie im [Amazon Kendra-Entwicklerhandbuch](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html).
Wenn Sie das Feature zur Dokumentenabfrage verwenden, beschränken die Foundation-Modelle ihre Antworten mithilfe einer Technik namens Retrieval Augmented Generation (RAG) auf den Inhalt der Dokumente in Ihrem Index. Diese Technik bündelt die relevantesten Informationen aus dem Index zusammen mit der Benutzeraufforderung und sendet sie an das Foundation-Modell, um eine Antwort zu erhalten. Die Antworten sind auf das beschränkt, was in Ihrem Index zu finden ist, wodurch verhindert wird, dass das Modell Ihnen falsche Antworten auf der Grundlage externer Daten gibt. Weitere Informationen zu diesem Prozess finden Sie im Blogbeitrag [Erstellen Sie schnell hochgenaue generative KI-Anwendungen auf Unternehmensdaten](https://aws.amazon.com/blogs/machine-learning/quickly-build-high-accuracy-generative-ai-applications-on-enterprise-data-using-amazon-kendra-langchain-and-large-language-models/).
Um zu beginnen, aktivieren Sie in einem Chat mit einem Foundation-Modell in Canvas oben auf der Seite die Option **Dokumentabfrage**. Wählen Sie aus der Dropdown-Liste den Amazon Kendra-Index aus, den Sie abfragen möchten. Anschließend können Sie beginnen, Fragen zu den Dokumenten in Ihrem Index zu stellen.
**Wichtig**
Die Dokumentabfrage unterstützt die [Vergleichen von Modell-Outputs](canvas-fm-chat-compare.md) Funktion. Jeder bestehende Chat-Verlauf wird überschrieben, wenn Sie einen neuen Chat starten, um Modellausgaben zu vergleichen.
# Starten von Modellen
**Anmerkung**
Im folgenden Abschnitt wird das Starten von Modellen beschrieben, was nur für Basismodelle wie Falcon-40B-Instruct gilt. JumpStart Sie können jederzeit sofort auf Amazon Bedrock-Modelle wie Amazon Titan zugreifen.
Sie können so viele Modelle starten, wie Sie möchten. JumpStart Für jedes aktive JumpStart Modell fallen Gebühren auf Ihrem Konto an. Wir empfehlen Ihnen daher, nicht mehr Modelle zu starten, als Sie derzeit verwenden.
Um ein anderes Modell zu starten, können Sie wie folgt vorgehen:
1. Wählen Sie auf der Seite **Inhalt generieren, extrahieren und zusammenfassen** die Option **Neuer Chat** aus.
1. Wählen Sie das Modell aus dem Dropdown-Menü. Wenn Sie ein Modell auswählen möchten, das nicht in der Dropdown-Liste angezeigt wird, wählen Sie **Ein anderes Modell starten** und wählen Sie dann das Modell aus, das Sie starten möchten.
1. Wählen Sie **Startmodell aus**.
Das Modell sollte mit dem Starten beginnen, und innerhalb weniger Minuten können Sie mit dem Modell chatten.
# Herunterfahren von Modellen
Wir empfehlen dringend, Modelle, die Sie nicht verwenden, herunterzufahren. Die Modelle werden nach 2 Stunden Inaktivität automatisch heruntergefahren. Um ein Modell manuell herunterzufahren, können Sie jedoch wie folgt vorgehen:
1. Öffnen Sie auf der Seite **Inhalt generieren, extrahieren und zusammenfassen** den Chat für das Modell, das Sie beenden möchten.
1. Wählen Sie auf der Chat-Seite das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) aus.
1. Wählen Sie **Modell herunterfahren**.
1. Wählen Sie im Bestätigungsfeld **Modell herunterfahren** die Option **Herunterfahren** aus.
Das Modell beginnt, herunterzufahren. Wenn in Ihrem Chat zwei oder mehr Modelle verglichen werden, können Sie ein einzelnes Modell von der Chat-Seite aus herunterfahren, indem Sie auf das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) des Modells klicken und dann **Modell herunterfahren** wählen.
# Vergleichen von Modell-Outputs
Möglicherweise möchten Sie die Leistung verschiedener Modelle nebeneinander vergleichen, um herauszufinden, welche Modellausgabe Sie bevorzugen. Dies kann Ihnen helfen zu entscheiden, welches Modell für Ihren Anwendungsfall am besten geeignet ist. Sie können bis zu drei Modelle in Chats vergleichen.
**Anmerkung**
Für jedes einzelne Modell fallen Gebühren auf Ihrem Konto an.
Sie müssen einen neuen Chat starten, um Modelle zum Vergleich hinzuzufügen. Gehen Sie wie folgt vor, um die Ausgabe von Modellen in einem Chat nebeneinander zu vergleichen:
1. Wählen Sie in einem Chat die Option **Neuer Chat** aus.
1. Wählen Sie **Vergleichen** und verwenden Sie das Dropdown-Menü, um das Modell auszuwählen, das Sie hinzufügen möchten. Um ein drittes Modell hinzuzufügen, wählen Sie erneut **Vergleichen**, um ein weiteres Modell hinzuzufügen.
**Anmerkung**
Wenn Sie ein JumpStart Modell verwenden möchten, das derzeit nicht aktiv ist, werden Sie aufgefordert, das Modell zu starten.
Wenn die Modelle aktiv sind, sehen Sie die beiden Modelle im Chat nebeneinander. Sie können Ihre Aufforderung einreichen und jedes Model antwortet im selben Chat, wie im folgenden Screenshot gezeigt.
![\[Screenshot der Canvas-Oberfläche mit der Ausgabe von zwei Modellen, die nebeneinander angezeigt werden.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-chat-compare-outputs.png)
Wenn Sie mit der Interaktion fertig sind, stellen Sie sicher, dass Sie alle JumpStart Modelle einzeln herunterfahren, um weitere Gebühren zu vermeiden.
# Optimieren von Grundlagenmodellen
Die Basismodelle, auf die Sie über Amazon SageMaker Canvas zugreifen können, können Ihnen bei einer Reihe von allgemeinen Aufgaben helfen. Wenn Sie jedoch einen bestimmten Anwendungsfall haben und maßgeschneiderte Antworten auf der Grundlage Ihrer eigenen Daten wünschen, können Sie ein Grundlagenmodell *optimieren*.
Zur Feinabstimmung eines Grundlagenmodells stellen Sie einen Datensatz bereit, der aus Beispiel-Prompts und Modellantworten besteht. Anschließend trainieren Sie das Grundlagenmodell anhand der Daten. Schließlich ist das optimierte Grundlagenmodell in der Lage, Ihnen spezifischere Antworten zu geben.
Die folgende Liste enthält die Grundlagenmodelle, die Sie in Canvas optimieren können:
+ Titan Express
+ Falcon-7B
+ Falcon-7B-Instruct
+ Falcon-40B-Instruct
+ Falcon-40B
+ Flan-T5-Large
+ Flan-T5-Xl
+ Flan-T5-Xxl
+ MPT-7B
+ MPT-7B-Instruct
Bei der Feinabstimmung eines Modells können Sie in der Canvas-Anwendung auf detailliertere Informationen zu jedem Grundlagenmodell zugreifen. Weitere Informationen finden Sie unter [Optimieren Sie das Modell.](#canvas-fm-chat-fine-tune-procedure-model).
In diesem Thema wird die Feinabstimmung von Grundlagenmodellen in Canvas beschrieben.
## Bevor Sie beginnen
Stellen Sie vor der Feinabstimmung eines Foundation-Modells sicher, dass Sie über die Berechtigungen für Ready-to-use Modelle in Canvas und über eine AWS Identity and Access Management Ausführungsrolle verfügen, die eine Vertrauensbeziehung mit Amazon Bedrock unterhält, sodass Amazon Bedrock Ihre Rolle bei der Feinabstimmung der Foundation-Modelle übernehmen kann.
Beim Einrichten oder Bearbeiten Ihrer Amazon SageMaker AI-Domain müssen Sie 1) die Konfigurationsberechtigungen für Ready-to-use Canvas-Modelle aktivieren und 2) eine Amazon Bedrock-Rolle erstellen oder angeben. Dabei handelt es sich um eine IAM-Ausführungsrolle, der SageMaker KI eine Vertrauensbeziehung mit Amazon Bedrock zuordnet. Weitere Informationen zum Konfigurieren dieser Einstellungen finden Sie unter [Voraussetzungen für die Einrichtung von Amazon SageMaker Canvas](canvas-getting-started.md#canvas-prerequisites).
Sie können die Amazon Bedrock-Rolle manuell konfigurieren, wenn Sie lieber Ihre eigene IAM-Ausführungsrolle verwenden möchten (anstatt SageMaker KI eine in Ihrem Namen erstellen zu lassen). Weitere Informationen zur Konfiguration der Vertrauensstellung Ihrer eigenen IAM-Ausführungsrolle mit Amazon Bedrock finden Sie unter [Erteilen von Berechtigungen zur Verwendung von Amazon-Bedrock-Features und Features der generativen KI in Canvas](canvas-fine-tuning-permissions.md).
Sie benötigen außerdem einen Datensatz, der für die Feinabstimmung großer Sprachmodelle formatiert ist (). LLMs Im Folgenden finden Sie eine Liste der Anforderungen für Ihren Datensatz:
+ Der Datensatz muss tabellarisch sein und mindestens zwei Spalten mit Textdaten enthalten – eine Eingabespalte (die Beispiel-Prompts an das Modell enthält) und eine Ausgabespalte (die Beispielantworten des Modells enthält).
Ein Beispiel ist folgendes:
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/canvas-fm-chat-fine-tune.html)
+ Wir empfehlen, dass der Datensatz mindestens 100 Textpaare (Zeilen mit entsprechenden Eingabe- und Ausgabeelementen) enthält. Dadurch wird sichergestellt, dass das Grundlagenmodell über genügend Daten für die Feinabstimmung verfügt, und die Genauigkeit der Antworten wird erhöht.
+ Jedes Eingabe- und Ausgabeelement sollte maximal 512 Zeichen enthalten. Alles, was länger ist, wird bei der Feinabstimmung des Grundlagenmodells auf 512 Zeichen reduziert.
Bei der Feinabstimmung eines Amazon-Bedrock-Modells müssen Sie die Amazon-Bedrock-Kontingente einhalten. Weitere Informationen finden Sie unter [Kontingente für Modellanpassungen](https://docs.aws.amazon.com/bedrock/latest/userguide/quotas.html#model-customization-quotas) im *Benutzerhandbuch für Amazon Bedrock*.
Weitere Informationen zu den allgemeinen Datensatzanforderungen und Einschränkungen in Canvas finden Sie unter [Erstellen eines Datensatzes](canvas-import-dataset.md).
## Feinabstimmung eines Grundlagenmodells
Sie können ein Grundlagenmodell mit einer der folgenden Methoden in der Canvas-Anwendung optimieren:
+ Wählen Sie in einem Chat zum **Generieren, Extrahieren und Zusammenfassen von Inhalten** mit einem Grundlagenmodell das Symbol **Modell optimieren** (![\[Magnifying glass icon with a plus sign, indicating a search or zoom-in function.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/wrench-icon-small.png)) aus.
+ Wenn Sie in einem Chat mit einem Grundlagenmodell die Antwort zwei- oder mehrmals neu generiert haben, bietet Ihnen Canvas die Option zur **Feinabstimmung des Modells**. Der folgende Screenshot zeigt ein Beispiel, wie dies aussieht.
![\[Screenshot der in einem Chat angezeigten Option zur Feinabstimmung des Grundlagenmodells.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/fine-tuning-ingress.png)
+ Auf der Seite **Meine Modelle** können Sie ein neues Modell erstellen, indem Sie **Neues Modell** und dann **Grundlagenmodell optimieren** auswählen.
+ Auf der **Ready-to-use Modell-Startseite** können Sie **Ihr eigenes Modell erstellen** auswählen und dann im Dialogfeld **Neues Modell erstellen die Option Fundamentmodell** **feinabstimmen** auswählen.
+ Beim Durchsuchen Ihrer Datensätze auf der Registerkarte **Data Wrangler** können Sie einen Datensatz auswählen und **Ein Modell erstellen** auswählen. Wählen Sie dann **Grundlagenmodell optimieren** aus.
Nachdem Sie mit der Feinabstimmung eines Modells begonnen haben, gehen Sie wie folgt vor:
### Wählen Sie eine Datenbank aus
Wählen Sie bei der Feinabstimmung eines Modells auf der Registerkarte **Auswählen** die Daten aus, anhand derer Sie das Grundlagenmodell trainieren möchten.
Wählen Sie entweder einen vorhandenen Datensatz aus oder erstellen Sie einen neuen, der die im Abschnitt [Bevor Sie beginnen](#canvas-fm-chat-fine-tune-prereqs) aufgeführten Anforderungen erfüllt. Informationen zum Erstellen eines Datensatzes finden Sie unter [Erstellen eines Datensatzes](canvas-import-dataset.md).
Wenn Sie einen Datensatz ausgewählt oder erstellt haben und bereit sind, fortzufahren, wählen Sie **Datensatz auswählen** aus.
### Optimieren Sie das Modell.
Nachdem Sie Ihre Daten ausgewählt haben, können Sie nun mit dem Training und der Feinabstimmung des Modells beginnen.
Gehen Sie auf der Registerkarte **Optimieren** folgendermaßen vor:
1. (Optional) Wählen Sie **Weitere Informationen zu unseren Grundlagenmodellen** aus, um weitere Informationen zu den einzelnen Modellen zu erhalten und Sie bei der Entscheidung zu unterstützen, welches oder welche Grundlagenmodelle Sie einsetzen möchten.
1. Öffnen **Sie für Wählen Sie bis zu 3 Basismodelle** das Drop-down-Menü aus und wählen Sie bis zu 3 Foundation-Modelle (bis zu 2 JumpStart Modelle und 1 Amazon Bedrock-Modell) aus, die Sie während des Schulungsjobs verfeinern möchten. Durch die Feinabstimmung mehrerer Grundlagenmodelle können Sie deren Leistung vergleichen und letztendlich das für Ihren Anwendungsfall am besten geeignete Modell als Standardmodell auswählen. Weitere Hinweise zu Standardmodellen finden Sie unter [Anzeigen von Modellkandidaten in der Modell-Bestenliste](canvas-evaluate-model-candidates.md).
1. Wählen Sie für **Eingabespalte auswählen** die Spalte mit Textdaten in Ihrem Datensatz aus, die die Beispielmodell-Prompts enthält.
1. Wählen Sie für **Ausgabespalte auswählen** die Spalte mit Textdaten in Ihrem Datensatz aus, die die Beispielmodell-Antworten enthält.
1. (Optional) Um erweiterte Einstellungen für den Trainingsjob zu konfigurieren, wählen Sie **Modell konfigurieren** aus. Weitere Informationen zu den erweiterten Einstellungen für die Modellerstellung finden Sie unter [Erweiterte Konfigurationen für die Modellerstellung](canvas-advanced-settings.md).
Führen Sie im Pop-up-Fenster **Modell konfigurieren** die folgenden Schritte aus:
1. Bei **Hyperparametern** können Sie für jedes Modell, das Sie ausgewählt haben, die **Epochenzahl**, die **Batchgröße**, die **Lernrate** und die **Aufwärmschritte für die Lernrate** anpassen. Weitere Informationen zu diesen Parametern finden Sie im [Abschnitt Hyperparameter](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-fine-tune.html#jumpstart-hyperparameters) in der Dokumentation. JumpStart
1. Bei der **Datenteilung** können Sie Prozentsätze angeben, wie Ihre Daten zwischen dem **Trainingssatz** und dem **Validierungssatz** aufgeteilt werden sollen.
1. Für **Max. Laufzeit des Auftrags** können Sie festlegen, wie lange Canvas den Build-Auftrag maximal ausführt. Diese Funktion ist nur für JumpStart Fundamentmodelle verfügbar.
1. Nachdem Sie die Einstellungen konfiguriert haben, wählen Sie **Speichern** aus.
1. Wählen Sie **Feinabstimmung** aus, um mit dem Training der ausgewählten Grundlagenmodelle zu beginnen.
Nachdem die Feinabstimmung begonnen hat, können Sie die Seite verlassen. Wenn das Modell auf der Seite **Meine Modelle** als **Bereit** angezeigt wird, ist es einsatzbereit, und Sie können nun die Leistung Ihres optimierten Grundlagenmodells analysieren.
### Analysieren des optimierten Grundlagenmodells
Auf der Registerkarte **Analysieren** Ihres optimierten Grundlagenmodells können Sie die Leistung des Modells sehen.
Auf dieser Seite finden Sie auf der Registerkarte **Übersicht** die Perplexitäts- und Verlustwerte sowie Analysen, die die Verbesserung des Modells im Laufe des Trainings visualisieren. Auf dem Screenshot unten sehen Sie die Registerkarte **Übersicht**.
![\[Die Registerkarte „Analysieren“ eines optimierten Grundlagenmodells in Canvas, auf der die Perplexitäts- und Verlustkurven angezeigt werden.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-fine-tune-analyze-2.png)
Auf dieser Seite können Sie die folgenden Visualisierungen sehen:
+ Die **Perplexitätskurve** misst, wie gut das Modell das nächste Wort in einer Sequenz vorhersagt oder wie grammatikalisch korrekt die Ausgabe des Modells ist. Im Idealfall nimmt der Wert ab, wenn sich das Modell während des Trainings verbessert, was zu einer Kurve führt, die sich mit der Zeit absenkt und flacher wird.
+ Die **Verlustkurve** quantifiziert die Differenz zwischen der korrekten Ausgabe und der vom Modell vorhergesagten Ausgabe. Eine Verlustkurve, die im Laufe der Zeit abnimmt und flacher wird, deutet darauf hin, dass das Modell seine Fähigkeit verbessert, genaue Vorhersagen zu treffen.
Auf der Registerkarte **Erweiterte Metriken** werden Ihnen die Hyperparameter und zusätzliche Metriken für Ihr Modell angezeigt. Sie sieht wie im folgenden Screenshot aus:
![\[Screenshot der Registerkarte „Erweiterte Metriken“ eines optimierten Grundlagenmodells in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-fine-tune-metrics.png)
Die Registerkarte **Erweiterte Metriken** enthält die folgenden Informationen:
+ Der Abschnitt **Erklärbarkeit** enthält die **Hyperparameter**. Dabei handelt es sich um Werte, die vor dem Auftrag festgelegt wurden, um die Feinabstimmung des Modells zu steuern. Wenn Sie in den erweiterten Einstellungen des Modells im Abschnitt [Optimieren Sie das Modell.](#canvas-fm-chat-fine-tune-procedure-model) keine benutzerdefinierten Hyperparameter angegeben haben, wählt Canvas die Standard-Hyperparameter für Sie aus.
Bei JumpStart Modellen steht Ihnen auch die erweiterte Metrik [ROUGE (Recall-Oriented Understudy for Gisting Evaluation)](https://en.wikipedia.org/wiki/ROUGE_(metric)) zur Verfügung, mit der die Qualität der vom Modell generierten Zusammenfassungen bewertet wird. Sie misst, wie gut das Modell die wichtigsten Punkte einer Passage zusammenfassen kann.
+ Im Abschnitt **Artefakte** finden Sie Links zu Artefakten, die während der Feinabstimmung generiert wurden. Sie können auf die in Amazon S3 gespeicherten Schulungs- und Validierungsdaten sowie auf den Link zum Modellbewertungsbericht zugreifen (weitere Informationen finden Sie im folgenden Absatz).
Um mehr Einblicke in die Modellbewertung zu erhalten, können Sie einen Bericht herunterladen, der mit [SageMaker Clarify](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-configure-processing-jobs.html) generiert wurde. Dabei handelt es sich um eine Funktion, mit der Sie Verzerrungen in Ihrem Modell und Ihren Daten erkennen können. Generieren Sie zunächst den Bericht, indem Sie unten auf der Seite die Option **Bewertungsbericht erstellen** auswählen. Nachdem der Bericht generiert wurde, können Sie den vollständigen Bericht herunterladen, indem Sie auf **Bericht herunterladen** klicken oder zum Abschnitt **Artefakte** zurückkehren.
Sie können auch auf ein Jupyter Notebook zugreifen, das Ihnen zeigt, wie Sie Ihren Feinabstimmungsauftrag in Python-Code replizieren können. Sie können dies verwenden, um Ihren Feinabstimmungsauftrag zu replizieren oder programmatische Änderungen daran vorzunehmen oder ein tieferes Verständnis dafür zu erlangen, wie Canvas Ihr Modell optimiert. Weitere Informationen zu Modell-Notebooks und wie Sie auf sie zugreifen können finden Sie unter [Herunterladen eines Modell-Notebooks](canvas-notebook.md).
Weitere Informationen zur Interpretation der Informationen auf der Registerkarte **Analysieren** Ihres optimierten Grundlagenmodells finden Sie unter dem Thema [Bewertung des Modells](canvas-evaluate-model.md).
Nachdem Sie die Registerkarten **Überblick** und **Erweiterte Metriken** analysiert haben, können Sie auch die **Modell-Bestenliste** öffnen, in der die Liste der während des Builds trainierten Grundlagenmodelle angezeigt wird. Das Modell mit der niedrigsten Verlustrate gilt als das Modell mit der besten Leistung und wird als **Standardmodell** ausgewählt. Dabei handelt es sich um das Modell, dessen Analyse Sie auf der Registerkarte **Analysieren** sehen. Sie können nur das Standardmodell testen und bereitstellen. Weitere Informationen zur Modell-Bestenliste und zum Ändern des Standardmodells finden Sie unter [Anzeigen von Modellkandidaten in der Modell-Bestenliste](canvas-evaluate-model-candidates.md).
### Testen eines optimierten Grundlagenmodells in einem Chat
Nachdem Sie die Leistung eines optimierten Grundlagenmodells analysiert haben, möchten Sie es vielleicht testen oder seine Antworten mit dem Basismodell vergleichen. Sie können ein optimiertes Grundlagenmodell in einem Chat mit dem Feature **Inhalt generieren, extrahieren und zusammenfassen** testen.
Starten Sie einen Chat mit einem optimierten Modell, indem Sie eine der folgenden Methoden wählen:
+ Wählen Sie auf der Registerkarte **Analysieren** des fein abgestimmten Modells die Option **In Ready-to-use Basismodellen testen** aus.
+ Wählen Sie auf der Seite **Ready-to-use Canvas-Modelle** die Option **Inhalt generieren, extrahieren und zusammenfassen** aus. Wählen Sie dann **Neuer Chat** und anschließend die Version des Modells aus, die Sie testen möchten.
Das Modell wird in einem Chat gestartet und Sie können damit wie mit jedem anderen Grundlagenmodell interagieren. Sie können dem Chat weitere Modelle hinzufügen und deren Ergebnisse vergleichen. Weitere Informationen zur Funktionalität von Chats finden Sie unter [Generative KI-Grundmodelle in SageMaker Canvas](canvas-fm-chat.md).
## Operationalisieren von optimierten Grundlagenmodellen
Nach der Feinabstimmung Ihres Modells in Canvas können Sie wie folgt vorgehen:
+ Registrieren Sie das Modell im SageMaker Model Registry, um es in Ihre MLOps Unternehmensprozesse zu integrieren. Weitere Informationen finden Sie unter [Registrieren Sie eine Modellversion in der AI-Modellregistrierung SageMaker](canvas-register-model.md).
+ Stellen Sie das Modell auf einem SageMaker KI-Endpunkt bereit und senden Sie Anfragen von Ihrer Anwendung oder Website aus an das Modell, um Vorhersagen (oder *Schlussfolgerungen*) zu erhalten. Weitere Informationen finden Sie unter [Stellen Sie Ihre Modelle auf einem Endpunkt bereit](canvas-deploy-model.md).
**Wichtig**
Sie können nur auf der JumpStart Grundlage fein abgestimmter Foundation-Modelle registrieren und bereitstellen, keine auf Amazon Bedrock basierenden Modelle.
# Ready-to-use Modelle
Mit Amazon SageMaker Ready-to-use Canvas-Modellen können Sie Vorhersagen zu Ihren Daten treffen, ohne eine einzige Codezeile schreiben oder ein Modell erstellen zu müssen — alles, was Sie mitbringen müssen, sind Ihre Daten. Die Ready-to-use Modelle verwenden vorgefertigte Modelle, um Vorhersagen zu generieren, ohne dass Sie die Zeit, das Fachwissen oder die Kosten aufwenden müssen, die für die Erstellung eines Modells erforderlich sind. Sie können aus einer Vielzahl von Anwendungsfällen wählen, die von der Spracherkennung bis hin zur Kostenanalyse reichen.
Canvas lässt sich in bestehende AWS Dienste wie [Amazon Textract, Amazon](https://docs.aws.amazon.com/textract/latest/dg/what-is.html) [Rekognition und Amazon](https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html) [Comprehend](https://docs.aws.amazon.com/comprehend/latest/dg/what-is.html) integrieren, um Ihre Daten zu analysieren und Vorhersagen zu treffen oder Erkenntnisse zu gewinnen. Sie können die Vorhersagekraft dieser Dienste innerhalb der Canvas-Anwendung nutzen, um qualitativ hochwertige Prognosen für Ihre Daten zu erhalten.
Canvas unterstützt die folgenden Modelltypen: Ready-to-use
| Ready-to-use Modell | Description | Unterstützte Datentypen |
| --- | --- | --- |
| Sentiment-Analyse | Erkennen Sie Stimmungen in Textzeilen, die positiv, negativ, neutral oder gemischt sein können. Derzeit können Sie nur Stimmungsanalysen für englischsprachigen Text durchführen. | Klartext oder tabellarisch (CSV, Parquet) |
| Extraktion von Entitäten | Extrahieren Sie Entitäten, bei denen es sich um reale Objekte wie Personen, Orte und Handelsgüter oder Einheiten wie Daten und Mengen handelt, aus Text. | Klartext oder tabellarisch (CSV, Parquet) |
| Spracherkennung | Ermitteln Sie die dominante Sprache in Text wie Englisch, Französisch oder Deutsch. | Klartext oder tabellarisch (CSV, Parquet) |
| Erkennung personenbezogener Daten | Ermitteln Sie anhand von Textnachrichten persönliche Informationen, die zur Identifizierung einer Person verwendet werden könnten, wie Adressen, Bankkontonummern und Telefonnummern. | Klartext oder tabellarisch (CSV, Parquet) |
| Erkennung von Objekten in Bildern | Erkennen Sie Objekte, Konzepte, Szenen und Aktionen in Ihren Bildern. | Bild (JPG, PNG) |
| Erkennung von Text in Bildern | Erkennen Sie Text in Ihren Bildern. | Bild (JPG, PNG) |
| Kostenanalyse | Extrahieren Sie Informationen aus Rechnungen und Quittungen, wie Datum, Anzahl, Artikelpreise, Gesamtbetrag und Zahlungsbedingungen. | Dokument (PDF, JPG, PNG, TIFF) |
| Analyse von Ausweisdokumenten | Extrahieren Sie Informationen aus Reisepässen, Führerscheinen und anderen von der US-Regierung ausgestellten Ausweisdokumenten. | Dokument (PDF, JPG, PNG, TIFF) |
| Analyse von Dokumenten | Analysieren Sie Dokumente und Formulare auf Beziehungen zwischen erkanntem Text. | Dokument (PDF, JPG, PNG, TIFF) |
| Anfragen zu Dokumenten | Extrahieren Sie Informationen aus strukturierten Dokumenten wie Gehaltsabrechnungen, Kontoauszügen, W-2-Formularen und Hypothekenantragsformularen, indem Sie Fragen in natürlicher Sprache stellen. | Dokument (PDF) |
## Erste Schritte
Lesen Sie die folgenden Informationen, um mit Ready-to-use Modellen zu beginnen.
**Voraussetzungen**
Um Ready-to-use Modelle in Canvas zu verwenden, müssen Sie bei der [Einrichtung Ihrer Amazon SageMaker AI-Domain](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites) die **Konfigurationsberechtigungen für Ready-to-use Canvas-Modelle** aktivieren. Die **Konfiguration der Ready-to-use Canvas-Modelle** ordnet die [AmazonSageMakerCanvasAIServicesZugriffsrichtlinie](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) der Ausführungsrolle Ihres Canvas-Benutzers AWS Identity and Access Management (IAM) zu. Wenn Sie Probleme mit der Vergabe von Berechtigungen haben, finden Sie weitere Informationen im Thema [Behebung von Problemen bei der Erteilung von Berechtigungen über die SageMaker AI-Konsole](canvas-limits.md#canvas-troubleshoot-trusted-services).
Wenn Sie Ihre Domain bereits eingerichtet haben, können Sie Ihre Domaineinstellungen bearbeiten und die Berechtigungen aktivieren. Anweisungen zur Bearbeitung Ihrer Domaineinstellungen finden Sie unter [Domaineinstellungen bearbeiten](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-edit.html). Gehen Sie bei der Bearbeitung der Einstellungen für Ihre Domain zu den **Canvas-Einstellungen** und aktivieren Sie die Option ** Ready-to-useCanvas-Modelle aktivieren**.
**(Optional) Deaktivieren der Datenspeicherung durch KI-Services**
Bestimmte AWS KI-Dienste speichern und verwenden Ihre Daten, um den Service zu verbessern. Sie können der Speicherung oder Verwendung Ihrer Daten zur Verbesserung unserer Dienstleistungen widersprechen. Weitere Informationen zum Ablehnen finden Sie in den [Opt-Out-Richtlinien für KI-Services](https://docs.aws.amazon.com/organizations/latest/userguide/orgs_manage_policies_ai-opt-out.html) im *Benutzerhandbuch für AWS Organizations *.
**Wie benutzt man Ready-to-use Modelle**
Gehen Sie wie folgt vor, um mit Ready-to-use Modellen zu beginnen:
1. **(Optional) Importieren Sie Ihre Daten.** Sie können einen tabellarischen Datensatz, einen Bild- oder einen Dokumentdatensatz importieren, um Batch-Vorhersagen oder einen Datensatz mit Vorhersagen mit Ready-to-use Modellen zu generieren. Informationen zu den ersten Schritten beim Importieren eines Datensatzes finden Sie unter [Erstellen eines Datenablaufs](canvas-data-flow.md).
1. **Voraussagen generieren.** Sie können mit dem von Ihnen ausgewählten Ready-to-use Modell Einzel- oder Batch-Vorhersagen generieren. Informationen zum Erstellen von Prognosen finden Sie unter [Treffen Sie Vorhersagen für Textdaten](canvas-ready-to-use-predict-text.md).
# Treffen Sie Vorhersagen für Textdaten
In den folgenden Verfahren wird beschrieben, wie Sie Einzel- und Batchvorhersagen für Textdatensätze erstellen. Jedes Ready-to-use Modell unterstützt sowohl **Einzelvorhersagen** als auch **Batch-Vorhersagen** für Ihren Datensatz. Bei einer **einzelnen Vorhersage** müssen Sie nur eine Vorhersage treffen. Sie haben beispielsweise ein Bild, aus dem Sie Text extrahieren möchten, oder einen Textabsatz, für den Sie die dominante Sprache ermitteln möchten. Bei einer **Batch-Vorhersage** möchten Sie Vorhersagen für einen gesamten Datensatz treffen. Möglicherweise haben Sie eine CSV-Datei mit Kundenrezensionen, für die Sie die Kundenstimmung analysieren möchten, oder Sie haben Bilddateien, in denen Sie Objekte erkennen möchten.
Sie können diese Verfahren für die folgenden Ready-to-use Modelltypen verwenden: Stimmungsanalyse, Extraktion von Entitäten, Spracherkennung und Erkennung personenbezogener Daten.
**Anmerkung**
Für die Stimmungsanalyse können Sie nur Text in englischer Sprache verwenden.
## Einzelne Vorhersagen
Gehen Sie wie folgt vor, um eine einzige Vorhersage für Ready-to-use Modelle zu treffen, die Textdaten akzeptieren:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **eady-to-useR-Modelle** aus.
1. Wählen Sie auf der **Ready-to-use Modellseite** das Ready-to-use Modell für Ihren Anwendungsfall aus. Bei Textdaten sollte es sich um eine der folgenden Optionen handeln: **Stimmungsanalyse**, **Extrahieren von Entitäten**, **Spracherkennung** oder **Erkennung personenbezogener Daten**.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** für das von Ihnen gewählte Ready-to-use Modell die Option **Einzelne Vorhersage** aus.
1. Geben Sie in das **Textfeld** den Text ein, für den Sie eine Vorhersage erhalten möchten.
1. Wählen Sie **Vorhersageergebnisse generieren**, um Ihre Vorhersage zu erhalten.
Im rechten Bereich **Vorhersageergebnisse** erhalten Sie eine Analyse Ihres Textes sowie einen **Vertrauenswert** für jedes Ergebnis oder jede Bezeichnung. Wenn Sie beispielsweise die Spracherkennung ausgewählt und eine Textpassage auf Französisch eingegeben haben, erhalten Sie möglicherweise Französisch mit einem Konfidenzwert von 95% und Spuren anderer Sprachen, wie Englisch, mit einem Konfidenzwert von 5%.
Der folgende Screenshot zeigt die Ergebnisse einer einzelnen Vorhersage mithilfe der Spracherkennung, bei der das Modell zu 100% sicher ist, dass es sich bei der Textstelle um Englisch handelt.
![\[Screenshot der Ergebnisse einer einzelnen Vorhersage mit dem Ready-to-use Spracherkennungsmodell.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-text-prediction.png)
## Stapelvoraussagen
Gehen Sie wie folgt vor, um Batch-Vorhersagen für Ready-to-use Modelle zu treffen, die Textdaten akzeptieren:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **eady-to-useR-Modelle** aus.
1. Wählen Sie auf der **Ready-to-use Modellseite** das Ready-to-use Modell für Ihren Anwendungsfall aus. Bei Textdaten sollte es sich um eine der folgenden Optionen handeln: **Stimmungsanalyse**, **Extrahieren von Entitäten**, **Spracherkennung** oder **Erkennung personenbezogener Daten**.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** für das von Ihnen gewählte Ready-to-use Modell die Option **Batch-Vorhersage** aus.
1. Wählen Sie **Datensatz auswählen**, wenn Sie Ihren Datensatz bereits importiert haben. Wenn nicht, wählen Sie **Neuen Datensatz importieren** aus, und Sie werden dann durch den Datenimport-Workflow geleitet.
1. Wählen Sie aus der Liste der verfügbaren Datensätze Ihren Datensatz aus und wählen Sie **Vorhersage generieren** aus, um Ihre Vorhersagen abzurufen.
Nachdem die Ausführung des Vorhersageauftrags abgeschlossen ist, sehen Sie auf der Seite **Vorhersagen ausführen** einen Ausgabedatensatz, der unter **Vorhersagen** aufgeführt ist. Dieser Datensatz enthält Ihre Ergebnisse. Wenn Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen, können Sie eine **Vorschau** der Ausgabedaten anzeigen. Anschließend können Sie **Herunterladen** wählen, um die Ergebnisse herunterzuladen.
# Treffen Sie Vorhersagen für Bilddaten
In den folgenden Verfahren wird beschrieben, wie Sie sowohl Einzel- als auch Batchvorhersagen für Bilddatensätze erstellen. Jedes Ready-to-use Modell unterstützt sowohl **Einzelvorhersagen** als auch **Batch-Vorhersagen** für Ihren Datensatz. Bei einer **einzelnen Vorhersage** müssen Sie nur eine Vorhersage treffen. Sie haben beispielsweise ein Bild, aus dem Sie Text extrahieren möchten, oder einen Textabsatz, für den Sie die dominante Sprache ermitteln möchten. Bei einer **Batch-Vorhersage** möchten Sie Vorhersagen für einen gesamten Datensatz treffen. Möglicherweise haben Sie eine CSV-Datei mit Kundenrezensionen, für die Sie die Kundenstimmung analysieren möchten, oder Sie haben Bilddateien, in denen Sie Objekte erkennen möchten.
Sie können diese Verfahren für die folgenden Ready-to-use Modelltypen verwenden: Objekterkennungsbilder und Texterkennung in Bildern.
## Einzelne Vorhersagen
Gehen Sie wie folgt vor, um eine einzige Vorhersage für Ready-to-use Modelle zu treffen, die Bilddaten akzeptieren:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **eady-to-useR-Modelle** aus.
1. Wählen Sie auf der **Ready-to-use Modellseite** das Ready-to-use Modell für Ihren Anwendungsfall aus. Für Bilddaten sollte es eines der folgenden sein: **Objekterkennungsbilder** oder **Texterkennung** in Bildern.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** für das von Ihnen gewählte Ready-to-use Modell die Option **Einzelne Vorhersage** aus.
1. Wählen Sie **Bild hochladen** aus.
1. Sie werden aufgefordert, ein Bild auszuwählen, das von Ihrem lokalen Computer hochgeladen werden soll. Wählen Sie das Bild aus Ihren lokalen Dateien aus, und dann werden die Vorhersageergebnisse generiert.
Im rechten Bereich mit den **Vorhersageergebnissen** erhalten Sie eine Analyse Ihres Bilds sowie einen **Vertrauenswert** für jedes erkannte Objekt oder jeden erkannten Text. Wenn Sie beispielsweise die Objekterkennung in Bildern ausgewählt haben, erhalten Sie eine Liste der Objekte im Bild zusammen mit einem Konfidenzwert, der angibt, wie sicher das Modell ist, dass jedes Objekt korrekt erkannt wurde, z. B. 93 %.
Der folgende Screenshot zeigt die Ergebnisse für eine einzelne Vorhersage mithilfe der Lösung zur Objekterkennung in Bildern, bei der das Modell Objekte wie einen Uhrturm und einen Bus mit 100-prozentiger Sicherheit vorhersagt.
![\[Die Ergebnisse einer einzelnen Vorhersage mit dem Ready-to-use Modell der Objekterkennungslösung in Bildern.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-image-prediction.png)
## Stapelvoraussagen
Gehen Sie wie folgt vor, um Batch-Vorhersagen für Ready-to-use Modelle zu treffen, die Bilddaten akzeptieren:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **eady-to-useR-Modelle** aus.
1. Wählen Sie auf der **Ready-to-use Modellseite** das Ready-to-use Modell für Ihren Anwendungsfall aus. Für Bilddaten sollte es eines der folgenden sein: **Objekterkennungsbilder** oder **Texterkennung** in Bildern.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** für das von Ihnen gewählte Ready-to-use Modell die Option **Batch-Vorhersage** aus.
1. Wählen Sie **Datensatz auswählen**, wenn Sie Ihren Datensatz bereits importiert haben. Wenn nicht, wählen Sie **Neuen Datensatz importieren** aus, und Sie werden dann durch den Datenimport-Workflow geleitet.
1. Wählen Sie aus der Liste der verfügbaren Datensätze Ihren Datensatz aus und wählen Sie **Vorhersage generieren** aus, um Ihre Vorhersagen abzurufen.
Nachdem die Ausführung des Vorhersageauftrags abgeschlossen ist, sehen Sie auf der Seite **Vorhersagen ausführen** einen Ausgabedatensatz, der unter **Vorhersagen** aufgeführt ist. Dieser Datensatz enthält Ihre Ergebnisse. Wenn Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen, können Sie **Vorhersageergebnisse anzeigen** wählen, um eine Vorschau der Ausgabedaten anzuzeigen. Anschließend können Sie **Vorhersage herunterladen** auswählen und die Ergebnisse als CSV- oder ZIP-Datei herunterladen.
# Treffen Sie Vorhersagen für Dokumentdaten
In den folgenden Verfahren wird beschrieben, wie Sie sowohl Einzel- als auch Batchvorhersagen für Dokumentdatensätze erstellen. Jedes Ready-to-use Modell unterstützt sowohl **Einzelvorhersagen** als auch **Batch-Vorhersagen** für Ihren Datensatz. Bei einer **einzelnen Vorhersage** müssen Sie nur eine Vorhersage treffen. Sie haben beispielsweise ein Bild, aus dem Sie Text extrahieren möchten, oder einen Textabsatz, für den Sie die dominante Sprache ermitteln möchten. Bei einer **Batch-Vorhersage** möchten Sie Vorhersagen für einen gesamten Datensatz treffen. Möglicherweise haben Sie eine CSV-Datei mit Kundenrezensionen, für die Sie die Kundenstimmung analysieren möchten, oder Sie haben Bilddateien, in denen Sie Objekte erkennen möchten.
Sie können diese Verfahren für die folgenden Ready-to-use Modelltypen verwenden: Kostenanalyse, Analyse von Ausweisdokumenten und Dokumentenanalyse.
**Anmerkung**
Für Dokumentabfragen werden derzeit nur einzelne Vorhersagen unterstützt.
## Einzelne Vorhersagen
Gehen Sie wie folgt vor, um eine einzige Vorhersage für Ready-to-use Modelle zu treffen, die Dokumentdaten akzeptieren:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **eady-to-useR-Modelle** aus.
1. Wählen Sie auf der **Ready-to-use Modellseite** das Ready-to-use Modell für Ihren Anwendungsfall aus. Bei Dokumentdaten sollte es sich um eine der folgenden Optionen handeln: **Kostenanalyse**, **Analyse von Ausweisdokumenten** oder **Dokumentenanalyse**.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** für das von Ihnen gewählte Ready-to-use Modell die Option **Einzelne Vorhersage** aus.
1. Wenn es sich bei Ihrem Ready-to-use Modell um eine Identitätsdokumentanalyse oder eine Dokumentenanalyse handelt, führen Sie die folgenden Aktionen aus. Wenn Sie eine Kostenanalyse oder Dokumentenabfragen durchführen, überspringen Sie diesen Schritt und fahren Sie mit Schritt 5 bzw. Schritt 6 fort.
1. Wählen Sie **Dokument hochladen**.
1. Sie werden aufgefordert, eine PDF-, JPG- oder PNG-Datei von Ihrem lokalen Computer hochzuladen. Wählen Sie das Dokument aus Ihren lokalen Dateien aus, und dann werden die Vorhersageergebnisse generiert.
1. Wenn es sich bei Ihrem Ready-to-use Modell um eine Kostenanalyse handelt, gehen Sie wie folgt vor:
1. Wählen Sie **Rechnung oder Quittung hochladen**.
1. Sie werden aufgefordert, eine PDF-, JPG-, PNG- oder TIFF-Datei von Ihrem lokalen Computer hochzuladen. Wählen Sie das Dokument aus Ihren lokalen Dateien aus, und dann werden die Vorhersageergebnisse generiert.
1. Wenn es sich bei Ihrem Ready-to-use Modell um Dokumentabfragen handelt, gehen Sie wie folgt vor:
1. Wählen Sie **Dokument hochladen** aus.
1. Sie werden aufgefordert, eine PDF-Datei von Ihrem lokalen Computer upzuloaden. Wählen Sie das Dokument aus Ihren lokalen Dateien aus. Ihr PDF muss 1–100 Seiten lang sein.
**Anmerkung**
Wenn Sie sich in den Regionen Asien-Pazifik (Seoul), Asien-Pazifik (Singapur), Asien-Pazifik (Sydney) oder Europa (Frankfurt) befinden, beträgt die maximale PDF-Größe für Dokumentabfragen 20 Seiten.
1. Geben Sie im rechten Seitenbereich Abfragen ein, um nach Informationen im Dokument zu suchen. Die Anzahl der Zeichen, die Sie in einer einzelnen Abfrage haben können, liegt zwischen 1 und 200. Sie können bis zu 15 Abfragen gleichzeitig hinzufügen.
1. Wählen Sie **Abfragen absenden** aus. Daraufhin werden die Ergebnisse mit Antworten auf Ihre Fragen generiert. Für jede Einreichung von Anfragen, die Sie stellen, wird Ihnen einmal eine Rechnung gestellt.
Im rechten Bereich **Vorhersageergebnisse** erhalten Sie eine Analyse Ihres Dokuments.
In den folgenden Informationen werden die Ergebnisse für jeden Lösungstyp beschrieben:
+ Für die Kostenanalyse werden die Ergebnisse in **Zusammenfassungsfelder** unterteilt, die Felder wie die Summe auf einer Quittung enthalten, und **Einzelpostenfelder**, die Felder wie einzelne Posten auf einer Quittung enthalten. Die identifizierten Felder werden in der Ausgabe auf dem Dokumentbild hervorgehoben.
+ Bei der Analyse von Ausweisdokumenten zeigt Ihnen die Ausgabe die Felder, die das Ready-to-use Modell identifiziert hat, z. B. Vor- und Nachname, Adresse oder Geburtsdatum. Die identifizierten Felder werden in der Ausgabe auf dem Dokumentbild hervorgehoben.
+ Für die Dokumentenanalyse werden die Ergebnisse in **Rohtext**, **Formulare**, **Tabellen** und **Signaturen** unterteilt. **Rohtext** umfasst den gesamten extrahierten Text, wohingegen **Formulare**, **Tabellen** und **Signaturen** nur Informationen zu dem Formular enthalten, das in diese Kategorien fällt. Beispielsweise enthält **Tabellen** nur Informationen, die aus Tabellen im Dokument extrahiert wurden. Die identifizierten Felder werden in der Ausgabe auf dem Dokumentbild hervorgehoben.
+ Bei Dokumentabfragen gibt Canvas Antworten auf jede Ihrer Abfragen zurück. Sie können das zusammenklappbare Abfrage-Dropdown-Menü öffnen, um ein Ergebnis zusammen mit einem Konfidenzwert für die Vorhersage anzuzeigen. Wenn Canvas mehrere Antworten im Dokument findet, haben Sie möglicherweise mehr als ein Ergebnis für jede Abfrage.
Der folgende Screenshot zeigt die Ergebnisse für eine einzelne Vorhersage mithilfe der Dokumentenanalyselösung.
![\[Screenshot der Ergebnisse einer einzelnen Vorhersage mit dem Ready-to-use Dokumentenanalysemodell.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-document-analysis.png)
## Stapelvoraussagen
Gehen Sie wie folgt vor, um Batch-Vorhersagen für Ready-to-use Modelle zu treffen, die Dokumentdaten akzeptieren:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **eady-to-useR-Modelle** aus.
1. Wählen Sie auf der **Ready-to-use Modellseite** das Ready-to-use Modell für Ihren Anwendungsfall aus. Bei Bilddaten sollte es sich um einen der folgenden Werte handeln: **Kostenanalyse**, **Analyse von Ausweisdokumenten** oder **Dokumentenanalyse**.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** für das von Ihnen gewählte Ready-to-use Modell die Option **Batch-Vorhersage** aus.
1. Wählen Sie **Datensatz auswählen**, wenn Sie Ihren Datensatz bereits importiert haben. Wenn nicht, wählen Sie **Neuen Datensatz importieren** aus, und Sie werden dann durch den Datenimport-Workflow geleitet.
1. Wählen Sie aus der Liste der verfügbaren Datensätze Ihren Datensatz aus und wählen Sie **Vorhersage generieren** aus. Wenn Ihr Anwendungsfall die Dokumentenanalyse ist, fahren Sie mit Schritt 6 fort.
1. (Optional) Wenn es sich bei Ihrem Anwendungsfall um die Dokumentenanalyse handelt, wird ein weiteres Dialogfeld mit dem Titel **Features auswählen, die in die Batchvorhersage aufgenommen werden sollen**, angezeigt. Sie können **Formulare**, **Tabellen** und **Signaturen** auswählen, um die Ergebnisse nach diesen Funktionen zu gruppieren. Wählen Sie dann **Vorhersagen generieren** aus.
Nachdem die Ausführung des Vorhersageauftrags abgeschlossen ist, sehen Sie auf der Seite **Vorhersagen ausführen** einen Ausgabedatensatz, der unter **Vorhersagen** aufgeführt ist. Dieser Datensatz enthält Ihre Ergebnisse. Wenn Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen, können Sie **Vorhersageergebnisse anzeigen** auswählen, um eine Vorschau der Analyse Ihrer Dokumentdaten anzuzeigen.
In den folgenden Informationen werden die Ergebnisse für jeden Lösungstyp beschrieben:
+ Für die Kostenanalyse werden die Ergebnisse in **Zusammenfassungsfelder** unterteilt, die Felder wie die Summe auf einer Quittung enthalten, und **Einzelpostenfelder**, die Felder wie einzelne Posten auf einer Quittung enthalten. Die identifizierten Felder werden in der Ausgabe auf dem Dokumentbild hervorgehoben.
+ Für die Analyse von Ausweisdokumenten zeigt Ihnen die Ausgabe die Felder, die das Ready-to-use Modell identifiziert hat, z. B. Vor- und Nachname, Adresse oder Geburtsdatum. Die identifizierten Felder werden in der Ausgabe auf dem Dokumentbild hervorgehoben.
+ Für die Dokumentenanalyse werden die Ergebnisse in **Rohtext**, **Formulare**, **Tabellen** und **Signaturen** unterteilt. **Rohtext** umfasst den gesamten extrahierten Text, wohingegen **Formulare**, **Tabellen** und **Signaturen** nur Informationen zu dem Formular enthalten, das in diese Kategorien fällt. Beispielsweise enthält **Tabellen** nur Informationen, die aus Tabellen im Dokument extrahiert wurden. Die identifizierten Felder werden in der Ausgabe auf dem Dokumentbild hervorgehoben.
Nachdem Sie sich Ihre Ergebnisse in der Vorschau angesehen haben, können Sie **Prognose herunterladen** wählen und die Ergebnisse als ZIP-Datei herunterladen.
# Benutzerdefinierte Modelle
In Amazon SageMaker Canvas können Sie benutzerdefinierte Modelle für maschinelles Lernen trainieren, die auf Ihre spezifischen Daten und Ihren Anwendungsfall zugeschnitten sind. Indem Sie ein benutzerdefiniertes Modell anhand Ihrer Daten trainieren, sind Sie in der Lage, Merkmale und Trends zu erfassen, die spezifisch und für Ihre Daten am repräsentativsten sind. Beispielsweise könnten Sie ein benutzerdefiniertes Zeitreihen-Vorhersagemodell erstellen, das Sie anhand von Bestandsdaten aus Ihrem Lager trainieren, um Ihre Logistikabläufe zu verwalten.
Canvas unterstützt das Training einer Reihe von Modelltypen. Nachdem Sie ein benutzerdefiniertes Modell trainiert haben, können Sie dessen Leistung und Genauigkeit bewerten. Sobald Sie mit einem Modell zufrieden sind, können Sie Vorhersagen zu neuen Daten treffen. Außerdem haben Sie die Möglichkeit, das benutzerdefinierte Modell zur weiteren Analyse mit Datenwissenschaftlern zu teilen oder es auf einem SageMaker KI-gehosteten Endpunkt für Echtzeit-Inferenzen bereitzustellen — alles von der Canvas-Anwendung aus.
Sie können ein benutzerdefiniertes Canvas-Modell mit den folgenden Arten von Datensätzen trainieren:
+ Tabellarisch (einschließlich numerischer, kategorialer, zeitreihenbezogener und Textdaten)
+ Image
Die folgende Tabelle zeigt die Typen von benutzerdefinierten Modellen, die Sie in Canvas erstellen können, sowie die unterstützten Datentypen und Datenquellen.
| Modelltyp | Beispielanwendungsfall | Unterstützte Datentypen | Unterstützte Datenquellen |
| --- | --- | --- | --- |
| Numerische Vorhersage | Vorhersage von Immobilienpreisen auf der Grundlage von Features wie der Quadratmeterzahl | Numerischer Wert | Lokaler Upload, Amazon S3, SaaS-Konnektoren |
| Vorhersage von 2 Kategorien | Vorhersage, ob ein Kunde wahrscheinlich abwandern wird | Binär oder kategorisch | Lokaler Upload, Amazon S3, SaaS-Konnektoren |
| Vorhersage von 3\$1 Kategorien | Vorhersage der Behandlungsergebnisse nach der Entlassung aus dem Krankenhaus | Kategorisch | Lokaler Upload, Amazon S3, SaaS-Konnektoren |
| Zeitreihenprognosen | Vorhersage Ihres Inventars für das nächste Quartal | Zeitreihen | Lokaler Upload, Amazon S3, SaaS-Konnektoren |
| Vorhersage von Bildern mit einer einzigen Beschriftungen | Vorhersage von Arten von Herstellungsfehlern in Bildern | Bild (JPG, PNG) | Lokaler Upload, Amazon S3 |
| Textvorhersage für mehrere Kategorien | Vorhersage von Produktkategorien wie Kleidung, Elektronik oder Haushaltswaren auf der Grundlage von Produktbeschreibungen | Quellspalte: Text Zielspalte: binär oder kategorisch | Lokaler Upload, Amazon S3 |
**Erste Schritte**
Gehen Sie wie folgt vor, um mit der Erstellung und Generierung von Vorhersagen anhand eines benutzerdefinierten Modells zu beginnen:
+ Ermitteln Sie Ihren Anwendungsfall und die Art des Modells, das Sie erstellen möchten. Weitere Informationen zu den benutzerdefinierten Modellen finden Sie unter [So funktionieren benutzerdefinierte Modelle](canvas-build-model.md). Weitere Informationen zu den Datentypen und -quellen, die für benutzerdefinierte Modelle unterstützt werden, finden Sie unter [Datenimport](canvas-importing-data.md).
+ [Importieren Sie Ihre Daten](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-importing-data.html) in Canvas. Sie können ein benutzerdefiniertes Modell mit jedem Tabellen- oder Bilddatensatz erstellen, der die Eingabeanforderungen erfüllt. Weitere Informationen zu den Anforderungen finden Sie unter [Erstellen eines Datensatzes](canvas-import-dataset.md).
Weitere Informationen zu von SageMaker KI bereitgestellten Beispieldatensätzen, mit denen Sie experimentieren können, finden Sie unter. [Beispieldatensatz in Canvas](canvas-sample-datasets.md)
+ [Erstellen](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) Sie Ihr benutzerdefiniertes Modell. Sie können einen **Schnellaufbau** durchführen, um Ihr Modell zu erhalten und schneller Vorhersagen zu treffen, oder Sie können einen **Standardaufbau** für eine höhere Genauigkeit ausführen.
Für numerische, kategoriale und Zeitreihen-Prognosemodelle können Sie Ihre Daten mit dem [Data-Wrangler-Feature](canvas-data-prep.md) bereinigen und vorbereiten. In Data Wrangler können Sie einen Datenfluss erstellen und verschiedene Techniken zur Datenaufbereitung anwenden, beispielsweise erweiterte Transformationen oder das Zusammenführen von Datensätzen. Bei Modellen zur Bildvorhersage können Sie [Bearbeiten Sie einen Bilddatensatz](canvas-edit-image.md) um Ihre Beschriftungen aktualisieren oder Bilder hinzufügen und löschen. Beachten Sie, dass Sie diese Features nicht für Textvorhersagemodelle mit mehreren Kategorien verwenden können.
+ [Bewerten Sie die Leistung Ihres Modells](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html) und ermitteln Sie, wie gut es bei realen Daten abschneiden könnte.
+ [Treffen Sie Einzel- oder Batch-Vorhersagen](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-make-predictions.html) mit Ihrem Modell.
# So funktionieren benutzerdefinierte Modelle
Verwenden Sie Amazon SageMaker Canvas, um ein benutzerdefiniertes Modell für den Datensatz zu erstellen, den Sie importiert haben. Verwenden Sie das Modell, das Sie erstellt haben, um Vorhersagen für neue Daten zu treffen. SageMaker Canvas verwendet die Informationen im Datensatz, um bis zu 250 Modelle zu erstellen und das Modell auszuwählen, das die beste Leistung erbringt.
Wenn Sie mit der Erstellung eines Modells beginnen, empfiehlt Canvas automatisch einen oder mehrere *Modelltypen*. Modelltypen lassen sich in eine der folgenden Kategorien einteilen:
+ **Numerische Vorhersage** – Dies wird beim Machine Learning als *Regression* bezeichnet. Verwenden Sie den numerischen Prognosemodelltyp, wenn Sie Vorhersagen für numerische Daten treffen möchten. Möglicherweise möchten Sie den Preis von Häusern anhand von Features wie der Quadratmeterzahl des Hauses vorhersagen.
+ **Kategorische Vorhersage** – Dies wird beim Machine Learning als *Klassifizierung* bezeichnet. Wenn Sie Daten in Gruppen kategorisieren möchten, verwenden Sie die Typen von kategorialen Vorhersagemodellen:
+ **Vorhersage mit 2 Kategorien** – Verwenden Sie den Vorhersagemodelltyp 2 Kategorien (beim Machine Learning auch als *binäre Klassifikation* bezeichnet), wenn Sie zwei Kategorien haben, die Sie für Ihre Daten vorhersagen möchten. Beispielsweise können Sie feststellen, ob ein Kunde wahrscheinlich abwandern wird.
+ **Vorhersage für 3 oder mehr Kategorien** – Verwenden Sie den Modelltyp für die Vorhersage von Kategorien ab 3 oder mehr (beim Machine Learning auch als *Klassifizierung mit mehreren Klassen* bezeichnet), wenn Sie drei oder mehr Kategorien haben, die Sie für Ihre Daten vorhersagen möchten. So können Sie z. B. den Kreditstatus eines Kunden anhand von Features wie früheren Zahlungen vorhersagen.
+ **Zeitreihenprognosen** – Verwenden Sie Zeitreihenprognosen, wenn Sie Vorhersagen über einen bestimmten Zeitraum treffen möchten. So können Sie beispielsweise die Anzahl der Artikel vorhersagen, die Sie im nächsten Quartal verkaufen werden. Informationen zu Zeitreihenprognosen finden Sie unter [Zeitreihenprognosen in Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-time-series.html).
+ **Bildvorhersage** – Verwenden Sie den Modelltyp für die Bildvorhersage mit einer einzigen Beschriftung (beim Machine Learning auch als *Bildklassifizierung mit einfacher Bezeichnung* bezeichnet), wenn Sie Bildern Beschriftungen zuweisen möchten. So können Sie z. B. verschiedene Arten von Herstellungsfehlern in Bildern Ihres Produkts klassifizieren.
+ **Textvorhersage** – Verwenden Sie den Modelltyp für Textvorhersagen mit mehreren Kategorien (beim Machine Learning auch als *Textklassifizierung mit mehreren Klassen* bezeichnet), wenn Sie Textpassagen Beschriftungen zuweisen möchten. Angenommen, Sie verfügen über einen Datensatz mit Kundenrezensionen für ein Produkt und möchten ermitteln, ob Kunden das Produkt möchten oder nicht. Sie könnten Ihr Modell vorhersagen lassen, ob eine bestimmte Textpassage `Positive`, `Negative`, oder `Neutral` ist.
Eine Tabelle der unterstützten Eingabedatentypen für jeden Modelltyp finden Sie unter [Benutzerdefinierte Modelle](canvas-custom-models.md).
Für jedes tabellarische Datenmodell, das Sie erstellen (das numerische, kategoriale, Zeitreihenprognosen und Textvorhersagemodelle umfasst), wählen Sie die **Zielspalte** aus. Die **Zielspalte** ist die Spalte, die die Informationen enthält, die Sie vorhersagen möchten. Wenn Sie beispielsweise ein Modell erstellen, um vorherzusagen, ob Personen ihre Abonnements gekündigt haben, enthält die **Zielspalte** Datenpunkte, die entweder ein `yes` oder ein `no` zum Kündigungsstatus einer Person sind.
Bei Modellen zur Bildvorhersage erstellen Sie das Modell mit einem Datensatz von Bildern, denen Beschriftungen zugewiesen wurden. Für die unbeschrifteten Bilder, die Sie bereitstellen, prognostiziert das Modell eine Beschriftung. Wenn Sie beispielsweise ein Modell erstellen, um vorherzusagen, ob es sich bei dem Bild um eine Katze oder einen Hund handelt, geben Sie beim Erstellen des Modells Bilder an, die als Katzen oder Hunde gekennzeichnet sind. Dann kann das Modell unbeschriftete Bilder akzeptieren und sie entweder als Katzen oder Hunde vorhersagen.
**Was geschieht, wenn Sie ein Modell erstellen**
Um Ihr Modell zu erstellen, können Sie entweder einen **Schnellaufbau** oder einen **Standardaufbau** wählen. Der **Schnellaufbau** hat eine kürzere Bauzeit, der **Standardaufbau** hat jedoch im Allgemeinen eine höhere Genauigkeit.
Bei tabellarischen und Zeitreihen-Prognosemodellen verwendet Canvas *Downsampling*, um die Größe von Datensätzen zu reduzieren, die größer als 5 GB bzw. 30 GB sind. Canvas führt ein Downsampling mit der stratifizierten Sampling-Methode durch. Die folgende Tabelle listet die Größe des Downsamples nach Modelltyp auf. Zur Steuerung des Sampling-Verfahrens können Sie Data Wrangler in Canvas verwenden, um mit Ihrer bevorzugten Sampling-Methode Stichproben zu ziehen. Bei Zeitreihendaten können Sie ein Resampling durchführen, um Datenpunkte zu aggregieren. Weitere Informationen zum Sampling finden Sie unter [Sampling](canvas-transform.md#canvas-transform-sampling). Weitere Informationen zum Resampling von Zeitreihendaten finden Sie unter [Nehmen Sie erneut Proben aus den Zeitreihendaten](canvas-transform.md#canvas-resample-time-series).
Wenn Sie sich für einen **Quick-Build** eines Datensatzes mit mehr als 50 000 Zeilen entscheiden, reduziert Canvas Ihre Daten auf 50 000 Zeilen, um die Modelltrainingszeit zu verkürzen.
In der folgenden Tabelle werden die wichtigsten Merkmale des Modellbildungsprozesses zusammengefasst, darunter die durchschnittlichen Erstellungszeiten für jedes Modell und jeden Modelltyp, die Größe der Downsampling-Datei bei der Erstellung von Modellen mit großen Datensätzen sowie die minimale und maximale Anzahl von Datenpunkten, die für jeden Modelltyp erforderlich sind.
| Limit | Numerische und kategoriale Vorhersage | Zeitreihenprognosen | Bildvorhersage | Textvorhersage |
| --- | --- | --- | --- | --- |
| **Schnelle Aufbauzeit** | 2-20 Minuten | 2-20 Minuten | 15-30 Minuten | 15-30 Minuten |
| **Standardbauzeit** | 2-4 Stunden | 2-4 Stunden | 2-5 Stunden | 2-5 Stunden |
| Downsampling-Größe (die reduzierte Größe eines großen Datensatzes nach dem Canvas-Downsampling) | 5 GB | 30 GB | – | – |
| Mindestanzahl von Einträgen (Zeilen) für **Schnellaufbau** | Kategorie 2: 500 Zeilen Kategorie 3\$1, numerisch, Zeitreihen: N/A | – | – | – |
| Mindestanzahl von Einträgen (Zeilen, Bilder oder Dokumente) für **Standardaufbau** | 250 | 50 | 50 | – |
| Maximale Anzahl von Einträgen (Zeilen, Bilder oder Dokumente) für **Schnellaufbau** | – | – | 5000 | 7500 |
| Maximale Anzahl von Einträgen (Zeilen, Bilder oder Dokumente) für **Standardaufbau** | – | 150.000 | 180 000 | – |
| Maximale Anzahl von Spalten | 1.000 | 1.000 | – | – |
Canvas prognostiziert Werte anhand der Informationen im Rest des Datensatzes, je nach Modelltyp:
+ Für kategoriale Vorhersagen ordnet Canvas jede Zeile einer der Kategorien zu, die in der Spalte **Ziel** aufgeführt sind.
+ Für numerische Vorhersagen verwendet Canvas die Informationen im Datensatz, um die numerischen Werte in der **Zielspalte** vorherzusagen.
+ Für Zeitreihenprognosen verwendet Canvas historische Daten, um Werte für die **Zielspalte** in der Zukunft vorherzusagen.
+ Für die Bildvorhersage verwendet Canvas Bilder, denen Beschriftungen zugewiesen wurden, um Beschriftungen für Bilder ohne Beschriftungen vorherzusagen.
+ Für die Textvorhersage analysiert Canvas Textdaten, denen Beschriftungen zugewiesen wurden, um Beschriftungen für Textpassagen ohne Beschriftungen vorherzusagen.
**Zusätzliche Features, die Ihnen bei der Erstellung Ihres Modells helfen**
Bevor Sie Ihr Modell erstellen, können Sie Data Wrangler in Canvas verwenden, um Ihre Daten mithilfe von mehr als 300 integrierten Transformationen und Operatoren vorzubereiten. Data Wrangler unterstützt Transformationen sowohl für tabellarische als auch für Bilddatensätze. Darüber hinaus können Sie eine Verbindung zu Datenquellen außerhalb von Canvas herstellen, Aufträge erstellen, um Transformationen auf Ihren gesamten Datensatz anzuwenden, und Ihre vollständig vorbereiteten und bereinigten Daten zur Verwendung in ML-Workflows außerhalb von Canvas exportieren. Weitere Informationen finden Sie unter [Datenaufbereitung](canvas-data-prep.md).
Um Visualisierungen und Analysen anzuzeigen, mit denen Sie Ihre Daten untersuchen und festlegen können, welche Features in Ihr Modell aufgenommen werden sollen, können Sie die integrierten Analysen von Data Wrangler verwenden. Sie können auch auf einen **Datenqualitäts- und Insights-Bericht** zugreifen, in dem potenzielle Probleme mit Ihrem Datensatz hervorgehoben und Empfehlungen zu deren Behebung gegeben werden. Weitere Informationen finden Sie unter [Durchführen einer explorativen Datenanalyse (EDA)](canvas-analyses.md).
Zusätzlich zu den fortschrittlicheren Funktionen zur Datenaufbereitung und Erkundung von Daten, die von Data Wrangler bereitgestellt werden, bietet Canvas einige grundlegende Features, die Sie verwenden können:
+ Informationen zum Filtern Ihrer Daten und zum Zugriff auf eine Reihe grundlegender Datentransformationen finden Sie unter [Vorbereiten der Daten für die Modellerstellung](canvas-prepare-data.md).
+ Informationen zum Zugriff auf einfache Visualisierungen und Analytik für die Erkundung von Features finden Sie unter [Datenexploration und Analyse](canvas-explore-data.md).
+ Weitere Informationen zu zusätzlichen Featureswie der Vorschau Ihres Modells, der Validierung Ihres Datensatzes und der Änderung der Größe der Zufallsstichprobe, die zur Erstellung Ihres Modells verwendet wurde, finden Sie unter [Zeigen Sie eine Vorschau Ihres Modells an](canvas-preview-model.md).
Bei tabellarischen Datensätzen mit mehreren Spalten (z. B. Datensätze für die Erstellung von Modelltypen für kategoriale, numerische oder Zeitreihenprognosen) gibt es möglicherweise Zeilen mit fehlenden Datenpunkten. Während Canvas das Modell erstellt, fügt es fehlende Werte automatisch hinzu. Canvas verwendet die Werte in Ihrem Datensatz, um eine mathematische Näherung für die fehlenden Werte durchzuführen. Für die höchste Modellgenauigkeit empfehlen wir, die fehlenden Daten hinzuzufügen, wenn Sie sie finden können. Beachten Sie, dass die Feature für fehlende Daten für Modelle zur Textvorhersage oder Bildvorhersage nicht unterstützt wird.
**Erste Schritte**
Informationen zu den ersten Schritten beim Erstellen eines benutzerdefinierten Modells finden Sie in [Ein Modell erstellen](canvas-build-model-how-to.md) und folgen Sie dem Verfahren für den Modelltyp, den Sie erstellen möchten.
# Zeigen Sie eine Vorschau Ihres Modells an
**Anmerkung**
Die folgenden Features sind nur für benutzerdefinierte Modelle verfügbar, die mit tabellarischen Datensätzen erstellt wurden. Textvorhersagemodelle mit mehreren Kategorien sind ebenfalls ausgeschlossen.
SageMaker Canvas bietet Ihnen ein Tool, mit dem Sie eine Vorschau Ihres Modells anzeigen können, bevor Sie mit der Erstellung beginnen. Dadurch erhalten Sie einen geschätzten Genauigkeitswert und eine vorläufige Vorstellung davon, wie sich jede Spalte auf das Modell auswirken könnte.
Um eine Vorschau der Modellbewertung anzuzeigen, wählen Sie auf der Registerkarte **Erstellen** Ihres Modells die Option **Modellvorschau** aus.
Die Modellvorschau generiert eine Vorhersage mit **geschätzter Genauigkeit** darüber, wie gut das Modell Ihre Daten analysieren könnte. Die Genauigkeit eines **Schnellaufbaus** oder **Standardaufbaus** gibt an, wie gut das Modell mit realen Daten abschneiden kann, und ist im Allgemeinen höher als die **geschätzte Genauigkeit**.
Die Modellvorschau liefert Ihnen auch die **Spaltenauswirkungswerte**, die Aufschluss über die Bedeutung jeder Spalte für die Vorhersagen des Modells geben können.
Der folgende Screenshot zeigt eine Modellvorschau in der Canvas-Anwendung.
![\[Screenshot der Registerkarte Erstellen für ein Modell in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-build/canvas-build-preview-model.png)
Amazon SageMaker Canvas verarbeitet fehlende Werte in Ihrem Datensatz automatisch, während das Modell erstellt wird. Es leitet die fehlenden Werte ab, indem es benachbarte Werte verwendet, die im Datensatz vorhanden sind.
Wenn Sie mit Ihrer Modellvorschau zufrieden sind und mit dem Erstellen eines Modells fortfahren möchten, finden Sie weitere Informationen unter [Ein Modell erstellen](canvas-build-model-how-to.md).
# Datenvalidierung
Bevor Sie Ihr Modell erstellen, überprüft SageMaker Canvas Ihren Datensatz auf Probleme, die dazu führen könnten, dass Ihr Build fehlschlägt. Wenn SageMaker Canvas Probleme feststellt, werden Sie auf der **Build-Seite** gewarnt, bevor Sie versuchen, ein Modell zu erstellen.
Sie können **Daten validieren** wählen, um eine Liste der Probleme mit Ihrem Datensatz anzuzeigen. Anschließend können Sie die [Datenvorbereitungsfunktionen von SageMaker Canvas Data Wrangler](canvas-data-prep.md) oder Ihre eigenen Tools verwenden, um Ihren Datensatz zu korrigieren, bevor Sie mit einem Build beginnen. Wenn Sie die Probleme mit Ihrem Datensatz nicht beheben, schlägt Ihr Build fehl.
Wenn Sie Änderungen an Ihrem Datensatz vornehmen, um die Probleme zu beheben, haben Sie die Möglichkeit, Ihren Datensatz erneut zu validieren, bevor Sie einen Build versuchen. Wir empfehlen, dass Sie Ihren Datensatz vor der Erstellung erneut überprüfen.
Die folgende Tabelle zeigt die Probleme, nach denen SageMaker Canvas in Ihrem Datensatz sucht, und zeigt, wie Sie sie lösen können.
| Problem | Auflösung |
| --- | --- |
| Falscher Modelltyp für Ihre Daten | Versuchen Sie es mit einem anderen Modelltyp oder verwenden Sie einen anderen Datensatz. |
| Fehlende Werte in Ihrer Zielspalte | Ersetzen Sie die fehlenden Werte, löschen Sie Zeilen mit fehlenden Werten oder verwenden Sie einen anderen Datensatz. |
| Zu viele eindeutige Beschriftungen in Ihrer Zielspalte | Vergewissern Sie sich, dass Sie die richtige Spalte für Ihre Zielspalte verwendet haben, oder verwenden Sie einen anderen Datensatz. |
| Zu viele nicht numerische Werte in Ihrer Zielspalte | Wählen Sie eine andere Zielspalte, wählen Sie einen anderen Modelltyp oder verwenden Sie einen anderen Datensatz. |
| Ein oder mehrere Spaltennamen enthalten doppelte Unterstriche | Benennen Sie die Spalten um, um alle doppelten Unterstriche zu entfernen, und versuchen Sie es erneut. |
| Keine der Zeilen in Ihrem Datensatz ist vollständig | Ersetzen Sie die fehlenden Werte, oder verwenden Sie einen anderen Datensatz. |
| Zu viele eindeutige Beschriftungen für die Anzahl der Zeilen in Ihren Daten | Vergewissern Sie sich, dass Sie die richtige Zielspalte verwenden, erhöhen Sie die Anzahl der Zeilen in Ihrem Datensatz, konsolidieren Sie ähnliche Beschriftungen oder verwenden Sie einen anderen Datensatz. |
# Zufällige Stichprobe
SageMaker Canvas verwendet die Methode der Zufallsstichprobe, um Ihren Datensatz zu stichproben. Die Methode der Zufallsstichprobe bedeutet, dass jede Zeile die gleiche Chance hat, für die Stichprobe ausgewählt zu werden. Sie können in der Vorschau eine Spalte auswählen, um zusammenfassende Statistiken für die Zufallsstichprobe zu erhalten, z. B. den Mittelwert und den Modus.
Standardmäßig verwendet SageMaker Canvas eine Zufallsstichprobengröße von 20.000 Zeilen aus Ihrem Datensatz für Datensätze mit mehr als 20.000 Zeilen. Für Datensätze mit weniger als 20.000 Zeilen entspricht die Standardstichprobengröße der Anzahl der Zeilen in Ihrem Datensatz. Sie können die Stichprobengröße erhöhen oder verringern, indem Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Zufallsstichprobe** auswählen. Sie können den Schieberegler verwenden, um die gewünschte Stichprobengröße auszuwählen, und dann **Aktualisieren** wählen, um die Stichprobengröße zu ändern. Die maximale Stichprobengröße, die Sie für einen Datensatz wählen können, beträgt 40.000 Zeilen, und die minimale Stichprobengröße beträgt 500 Zeilen. Wenn Sie einen großen Stichprobenumfang wählen, kann es einige Zeit dauern, bis die Datensatzvorschau und die zusammenfassenden Statistiken erneut geladen werden.
Auf der Seite **Erstellen** wird eine Vorschau von 100 Zeilen aus Ihrem Datensatz angezeigt. Wenn die Stichprobengröße der Größe Ihres Datensatzes entspricht, verwendet die Vorschau die ersten 100 Zeilen Ihres Datensatzes. Andernfalls verwendet die Vorschau die ersten 100 Zeilen der Zufallsstichprobe.
# Ein Modell erstellen
In den folgenden Abschnitten wird gezeigt, wie Sie für jeden der wichtigsten Typen von benutzerdefinierten Modellen ein Modell erstellen.
+ Informationen zum Erstellen numerischer Prognosemodelle, Vorhersagemodelle für zwei Kategorien oder Vorhersagemodelle für mehr Kategorien finden Sie unter [Erstellen Sie ein benutzerdefiniertes numerisches oder kategoriales Vorhersagemodell](#canvas-build-model-numeric-categorical).
+ Informationen zum Erstellen von Vorhersagemodellen für Bilder mit nur einer Beschriftung finden Sie unter [Erstellen Sie ein benutzerdefiniertes Bildvorhersagemodell](#canvas-build-model-image).
+ Informationen zum Erstellen von Textvorhersagemodellen mit mehreren Kategorien finden Sie unter [Erstellen Sie ein benutzerdefiniertes Textvorhersagemodell](#canvas-build-model-text).
+ Informationen zum Erstellen von Prognosemodellen für Zeitreihen finden Sie unter [Erstellen eines Zeitreihen-Prognosemodells](#canvas-build-model-forecasting).
**Anmerkung**
Wenn Sie während der Analyse nach der Erstellung auf einen Fehler stoßen, der Sie auffordert, Ihr Kontingent für `ml.m5.2xlarge` Instances zu erhöhen, finden Sie weitere Informationen unter [Eine Erhöhung des Kontingents beantragen](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-requesting-quota-increases.html).
## Erstellen Sie ein benutzerdefiniertes numerisches oder kategoriales Vorhersagemodell
Numerische und kategoriale Vorhersagemodelle unterstützen sowohl **Schnellaufbau** als auch **Standardaufbau**.
Gehen Sie wie folgt vor, um ein numerisches oder kategoriales Vorhersagemodell zu erstellen:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie **Neues Modell**.
1. Führen Sie im Dialogfeld **Neues Modell erstellen** die folgenden Schritte aus:
1. Geben Sie einen Namen in das Feld **Modellname** ein.
1. Wählen Sie den Problemtyp **Prädiktive Analyse** aus.
1. Wählen Sie **Erstellen** aus.
1. Für **Datensatz auswählen**, wählen Sie Ihren Datensatz aus der Liste der Datensätze aus. Wenn Sie Ihre Daten noch nicht importiert haben, wählen Sie **Import** aus, um durch den Datenimport-Workflow geleitet zu werden.
1. Wenn Sie bereit sind, mit der Erstellung Ihres Modells zu beginnen, wählen Sie **Datensatz auswählen** aus.
1. Wählen Sie auf der Registerkarte **Erstellen** in der Dropdown-Liste **Zielspalte** das Ziel für Ihr Modell aus, das Sie vorhersagen möchten.
1. Für den **Modelltyp** erkennt Canvas automatisch den Problemtyp für Sie. Wenn Sie den Typ ändern oder erweiterte Modelleinstellungen konfigurieren möchten, wählen Sie **Modell konfigurieren** aus.
Wenn das Dialogfeld **Modell konfigurieren** geöffnet wird, führen Sie die folgenden Schritte aus:
1. Wählen Sie unter **Modelltyp** den Modelltyp aus, die Sie erstellen möchten.
1. Nachdem Sie den Modelltyp ausgewählt haben, gibt es weitere **erweiterte Einstellungen**. Weitere Informationen zu den einzelnen erweiterten Einstellungen finden Sie unter [Erweiterte Konfigurationen für die Modellerstellung](canvas-advanced-settings.md). Um die erweiterten Einstellungen zu konfigurieren, gehen Sie wie folgt vor:
1. (Optional) Wählen Sie im Dropdown-Menü **Zielmetrik** die Metrik aus, die Canvas bei der Erstellung Ihres Modells optimieren soll. Wenn Sie keine Metrik auswählen, wählt Canvas standardmäßig eine für Sie aus. Beschreibungen der verfügbaren Metriken finden Sie unter [Referenz zu den Metriken](canvas-metrics.md).
1. Wählen Sie als **Trainingsmethode** den Modus **Auto**, **Ensemble** oder **Hyperparameter-Optimierung (HPO)** aus.
1. Wählen Sie unter **Algorithmen** die Algorithmen aus, die Sie für Gebäudemodellkandidaten einbeziehen möchten.
1. Geben Sie bei der **Datenteilung** die Prozentsätze an, wie Ihre Daten zwischen dem **Trainingssatz** und dem **Validierungssatz** aufgeteilt werden sollen. Der Trainingssatz wird für die Erstellung des Modells verwendet, während der Validierungssatz verwendet wird, um die Genauigkeit von Modellkandidaten zu testen.
1. Gehen Sie für **Max. Anzahl der Kandidaten und Laufzeit** wie folgt vor:
1. Legen Sie den Wert **Max. Kandidaten** oder die maximale Anzahl von Modellkandidaten fest, die Canvas generieren kann. Beachten Sie, dass **Max. Kandidaten** nur im HPO-Modus verfügbar ist.
1. Legen Sie die Stunden- und Minutenwerte für **Max. Auftragslaufzeit** oder die maximale Zeit fest, die Canvas für die Erstellung Ihres Modells aufwenden kann. Nach Ablauf der Höchstzeit beendet Canvas die Erstellung und wählt den besten Modellkandidaten aus.
1. Nachdem Sie die erweiterten Einstellungen konfiguriert haben, wählen Sie **Speichern** aus.
1. Wählen Sie Spalten in Ihren Daten aus oder deaktivieren Sie sie, um sie in Ihren Build aufzunehmen oder daraus zu entfernen.
**Anmerkung**
Wenn Sie mit Ihrem Modell nach der Erstellung Batch-Vorhersagen treffen, fügt Canvas Ihren Prognoseergebnissen gelöschte Spalten hinzu. Canvas fügt die gelöschten Spalten jedoch nicht zu Ihren Batch-Vorhersagen für Zeitreihenmodelle hinzu.
1. (Optional) Verwenden Sie die von Canvas bereitgestellten Visualisierungs- und Analysetools, um Ihre Daten zu visualisieren und zu bestimmen, welche Funktionen Sie möglicherweise in Ihr Modell aufnehmen möchten. Weitere Informationen finden Sie unter [Erkunden und Analysieren Ihrer Daten](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html).
1. (Optional) Verwenden Sie Datentransformationen, um Ihre Daten zu bereinigen, zu transformieren und für die Modellerstellung vorzubereiten. Weitere Informationen finden Sie unter [ Vorbereiten Ihrer Daten mit erweiterten Transformationen](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html). Sie können Ihre Transformationen anzeigen und entfernen, indem Sie **Modellrezept** wählen, um den Seitenbereich **Modellrezept** zu öffnen.
1. (Optional) Weitere Funktionen wie die Vorschau der Genauigkeit Ihres Modells, die Validierung Ihres Datensatzes und die Änderung der Größe der Zufallsstichprobe, die Canvas Ihrem Datensatz entnimmt, finden Sie unter [Zeigen Sie eine Vorschau Ihres Modells an](canvas-preview-model.md).
1. Nachdem Sie Ihre Daten überprüft und Änderungen an Ihrem Datensatz vorgenommen haben, wählen Sie **Schnellaufbau** oder **Standardaufbau**, um mit dem Build für Ihr Modell zu beginnen. Der folgende Screenshot zeigt die **Build**-Seite und die Optionen **Schnellaufbau** und **Standardaufbau**.
![\[Die Build-Seite für ein Modell mit 2 Kategorien, auf der die Optionen Schnellaufbau und Standardaufbau angezeigt werden.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/build-page-tabular-quick-standard-options.png)
Nachdem Ihr Modell mit der Erstellung begonnen hat, können Sie die Seite verlassen. Wenn das Modell auf der Seite **Meine Modelle** als **Bereit** angezeigt wird, ist es bereit für Analysen und Vorhersagen.
## Erstellen Sie ein benutzerdefiniertes Bildvorhersagemodell
Bildvorhersagemodelle mit einer Beschriftung unterstützen sowohl **Schnellaufbau** als auch **Standardaufbau**.
Gehen Sie wie folgt vor, um ein Bildvorhersagemodell mit einer einzigen Beschriftung zu erstellen:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie **Neues Modell**.
1. Führen Sie im Dialogfeld **Neues Modell erstellen** die folgenden Schritte aus:
1. Geben Sie einen Namen in das Feld **Modellname** ein.
1. Wählen Sie den Problemtyp **Bildanalyse** aus.
1. Wählen Sie **Erstellen** aus.
1. Für **Datensatz auswählen**, wählen Sie Ihren Datensatz aus der Liste der Datensätze aus. Wenn Sie Ihre Daten noch nicht importiert haben, wählen Sie **Import** aus, um durch den Datenimport-Workflow geleitet zu werden.
1. Wenn Sie bereit sind, mit der Erstellung Ihres Modells zu beginnen, wählen Sie **Datensatz auswählen** aus.
1. Auf der Registerkarte **Erstellen** sehen Sie die **Beschriftungsverteilung** für die Bilder in Ihrem Datensatz. Der **Modelltyp** ist auf **Single-Beschriftung-Bildvorhersage** eingestellt.
1. Auf dieser Seite können Sie eine Vorschau Ihrer Bilder anzeigen und den Datensatz bearbeiten. Wenn Sie über unbeschriftete Bilder verfügen, wählen Sie **Datensatz bearbeiten** und [Weisen Sie Bildern ohne Beschriftung Beschriftungen zu](canvas-edit-image.md#canvas-edit-image-assign). Sie können auch andere Aufgaben ausführen wenn Sie [Bearbeiten Sie einen Bilddatensatz](canvas-edit-image.md), z. B. Beschriftungen umbenennen und Bilder zum Datensatz hinzufügen.
1. Nachdem Sie Ihre Daten überprüft und Änderungen an Ihrem Datensatz vorgenommen haben, wählen Sie **Schnellaufbau** oder **Standardaufbau**, um mit der Erstellung Ihres Modells zu beginnen. Der folgende Screenshot zeigt die **Build**-Seite eines Bildvorhersagemodells, das zur Erstellung bereit ist.
![\[Die Build-Seite für ein Bildvorhersagemodell mit einer einzigen Beschriftung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/build-page-image-model.png)
Nachdem Ihr Modell mit der Erstellung begonnen hat, können Sie die Seite verlassen. Wenn das Modell auf der Seite **Meine Modelle** als **Bereit** angezeigt wird, ist es bereit für Analysen und Vorhersagen.
## Erstellen Sie ein benutzerdefiniertes Textvorhersagemodell
Textvorhersagemodelle mit mehreren Kategorien unterstützen sowohl **Schnellaufbau** als auch **Standardaufbau**.
Gehen Sie wie folgt vor, um ein Textvorhersagemodell zu erstellen:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie **Neues Modell**.
1. Führen Sie im Dialogfeld **Neues Modell erstellen** die folgenden Schritte aus:
1. Geben Sie einen Namen in das Feld **Modellname** ein.
1. Wählen Sie den Problemtyp **Textanalyse** aus.
1. Wählen Sie **Erstellen** aus.
1. Für **Datensatz auswählen**, wählen Sie Ihren Datensatz aus der Liste der Datensätze aus. Wenn Sie Ihre Daten noch nicht importiert haben, wählen Sie **Import** aus, um durch den Datenimport-Workflow geleitet zu werden.
1. Wenn Sie bereit sind, mit der Erstellung Ihres Modells zu beginnen, wählen Sie **Datensatz auswählen** aus.
1. Wählen Sie auf der Registerkarte **Erstellen** in der Dropdown-Liste **Zielspalte** das Ziel für Ihr Modell aus, das Sie vorhersagen möchten. Die Zielspalte muss einen binären oder kategorialen Datentyp haben, und für jede eindeutige Beschriftung in der Zielspalte müssen mindestens 25 Einträge (oder Datenzeilen) vorhanden sein.
1. Vergewissern Sie sich, dass der **Modelltyp** automatisch auf **Textvorhersage für mehrere Kategorien** festgelegt ist.
1. Wählen Sie für das Trainingsspalte Ihre Quellspalte mit Textdaten aus. Dies sollte die Spalte sein, die den Text enthält, den Sie analysieren möchten.
1. Wählen Sie **Schnellaufbau** oder **Standardaufbau**, um mit der Erstellung Ihres Modells zu beginnen. Der folgende Screenshot zeigt die **Build**-Seite eines Textvorhersagemodells, das zur Erstellung bereit ist.
![\[Die Build-Seite für ein Textvorhersagemodell mit mehreren Kategorien.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/build-page-text-model.png)
Nachdem Ihr Modell mit der Erstellung begonnen hat, können Sie die Seite verlassen. Wenn das Modell auf der Seite **Meine Modelle** als **Bereit** angezeigt wird, ist es bereit für Analysen und Vorhersagen.
## Erstellen eines Zeitreihen-Prognosemodells
Zeitreihen-Prognosemodelle unterstützen sowohl **Quick-Builds** als auch **Standard-Builds**.
Um ein Zeitreihenprognosemodell zu erstellen, gehen Sie wie folgt vor:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie **Neues Modell**.
1. Führen Sie im Dialogfeld **Neues Modell erstellen** die folgenden Schritte aus:
1. Geben Sie einen Namen in das Feld **Modellname** ein.
1. Wählen Sie den Problemtyp **Zeitreihenprognose** aus.
1. Wählen Sie **Erstellen** aus.
1. Für **Datensatz auswählen**, wählen Sie Ihren Datensatz aus der Liste der Datensätze aus. Wenn Sie Ihre Daten noch nicht importiert haben, wählen Sie **Import** aus, um durch den Datenimport-Workflow geleitet zu werden.
1. Wenn Sie bereit sind, mit der Erstellung Ihres Modells zu beginnen, wählen Sie **Datensatz auswählen** aus.
1. Wählen Sie auf der Registerkarte **Erstellen** in der Dropdown-Liste **Zielspalte** das Ziel für Ihr Modell aus, das Sie vorhersagen möchten.
1. Wählen Sie im Abschnitt **Modelltyp** die Option **Modell konfigurieren** aus.
1. Das Feld **Modell konfigurieren** wird geöffnet. Füllen Sie für den Abschnitt **Zeitreihenkonfiguration** die folgenden Felder aus:
1. Wählen Sie für die Spalte **Element-ID** eine Spalte in Ihrem Datensatz aus, die jede Zeile eindeutig identifiziert. Die Spalte sollte den Datentyp `Text` haben.
1. (Optional) Wählen Sie für **Spalte gruppieren** eine oder mehrere kategoriale Spalten (mit dem Datentyp `Text`) aus, die Sie für die Gruppierung Ihrer Prognosewerte verwenden möchten.
1. Wählen Sie unter **Zeitstempelspalte** die Spalte mit Zeitstempeln (im Datetime-Format) aus. Weitere Informationen zu den akzeptierten Datetime-Formaten finden Sie unter [Zeitreihenprognosen in Amazon SageMaker Canvas](canvas-time-series.md).
1. Geben Sie für das Feld **Prognoselänge** den Zeitraum ein, für den Sie Werte prognostizieren möchten. Canvas erkennt automatisch die Zeiteinheiten in Ihren Daten.
1. (Optional) Aktivieren Sie den Schalter **Feiertagsplan verwenden**, um einen Feiertagsplan aus verschiedenen Ländern auszuwählen und Ihre Prognosen anhand von Feiertagsdaten genauer zu gestalten.
1. Im Feld **Modell konfigurieren** gibt es im Abschnitt **Erweitert** zusätzliche Einstellungen. Weitere Informationen zu den einzelnen erweiterten Einstellungen finden Sie unter [Erweiterte Konfigurationen für die Modellerstellung](canvas-advanced-settings.md). Um die **erweiterten** Einstellungen zu konfigurieren, gehen Sie wie folgt vor:
1. Wählen Sie im Dropdown-Menü **Zielmetrik** die Metrik aus, die Canvas bei der Erstellung Ihres Modells optimieren soll. Wenn Sie keine Metrik auswählen, wählt Canvas standardmäßig eine für Sie aus. Beschreibungen der verfügbaren Metriken finden Sie unter [Referenz zu den Metriken](canvas-metrics.md).
1. Wenn Sie einen Standard-Build ausführen, wird der Abschnitt **Algorithmen** angezeigt. In diesem Abschnitt wählen Sie die Algorithmen für die Zeitreihenprognose aus, die Sie für die Erstellung Ihres Modells verwenden möchten. Sie können eine Teilmenge der verfügbaren Algorithmen auswählen oder Sie können alle auswählen, wenn Sie sich nicht sicher sind, welche Sie ausprobieren sollen.
Wenn Sie Ihren Standard-Build ausführen, erstellt Canvas ein Ensemble-Modell, das alle Algorithmen miteinander kombiniert, um die Vorhersagegenauigkeit zu optimieren.
**Anmerkung**
Wenn Sie einen Quick-Build ausführen, verwendet Canvas einen einzigen baumbasierten Lernalgorithmus, um Ihr Modell zu trainieren, und Sie müssen keine Algorithmen auswählen.
1. Geben Sie für **Prognosequantile** bis zu 5 durch Kommas getrennte Quantilwerte ein, um die Ober- und Untergrenzen Ihrer Vorhersage festzulegen.
1. Nachdem Sie die **erweiterten** Einstellungen konfiguriert haben, wählen Sie **Speichern** aus.
1. Wählen Sie Spalten in Ihren Daten aus oder deaktivieren Sie sie, um sie in Ihren Build aufzunehmen oder daraus zu entfernen.
**Anmerkung**
Wenn Sie mit Ihrem Modell nach der Erstellung Batch-Vorhersagen treffen, fügt Canvas Ihren Prognoseergebnissen gelöschte Spalten hinzu. Canvas fügt die gelöschten Spalten jedoch nicht zu Ihren Batch-Vorhersagen für Zeitreihenmodelle hinzu.
1. (Optional) Verwenden Sie die von Canvas bereitgestellten Visualisierungs- und Analysetools, um Ihre Daten zu visualisieren und zu bestimmen, welche Funktionen Sie möglicherweise in Ihr Modell aufnehmen möchten. Weitere Informationen finden Sie unter [Erkunden und Analysieren Ihrer Daten](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html).
1. (Optional) Verwenden Sie Datentransformationen, um Ihre Daten zu bereinigen, zu transformieren und für die Modellerstellung vorzubereiten. Weitere Informationen finden Sie unter [ Vorbereiten Ihrer Daten mit erweiterten Transformationen](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html). Sie können Ihre Transformationen anzeigen und entfernen, indem Sie **Modellrezept** wählen, um den Seitenbereich **Modellrezept** zu öffnen.
1. (Optional) Weitere Funktionen wie die Vorschau der Genauigkeit Ihres Modells, die Validierung Ihres Datensatzes und die Änderung der Größe der Zufallsstichprobe, die Canvas Ihrem Datensatz entnimmt, finden Sie unter [Zeigen Sie eine Vorschau Ihres Modells an](canvas-preview-model.md).
1. Nachdem Sie Ihre Daten überprüft und Änderungen an Ihrem Datensatz vorgenommen haben, wählen Sie **Schnellaufbau** oder **Standardaufbau**, um mit dem Build für Ihr Modell zu beginnen.
Nachdem Ihr Modell mit der Erstellung begonnen hat, können Sie die Seite verlassen. Wenn das Modell auf der Seite **Meine Modelle** als **Bereit** angezeigt wird, ist es bereit für Analysen und Vorhersagen.
# Erweiterte Konfigurationen für die Modellerstellung
Amazon SageMaker Canvas unterstützt verschiedene erweiterte Einstellungen, die Sie beim Erstellen eines Modells konfigurieren können. Auf der folgenden Seite sind alle erweiterten Einstellungen zusammen mit zusätzlichen Informationen zu ihren Optionen und Konfigurationen aufgeführt.
**Anmerkung**
Die folgenden erweiterten Einstellungen werden derzeit nur für numerische, kategoriale und Zeitreihenprognosemodelle unterstützt.
## Erweiterte Einstellungen für numerische und kategoriale Vorhersagemodelle
Canvas unterstützt die folgenden erweiterten Einstellungen für numerische und kategoriale Vorhersagemodelltypen.
### Zielmetrik
Die Zielmetrik ist die Metrik, die Canvas beim Erstellen Ihres Modells optimieren soll. Wenn Sie keine Metrik auswählen, wählt Canvas standardmäßig eine für Sie aus. Beschreibungen der verfügbaren Metriken finden Sie unter [Referenz zu den Metriken](canvas-metrics.md).
### Trainingsmethode
Canvas kann anhand der Datensatzgröße die Trainingsmethode automatisch auswählen oder Sie können sie manuell auswählen. Die folgenden Trainingsmethoden stehen Ihnen zur Auswahl:
+ **Ensembling** — SageMaker KI nutzt die AutoGluon Bibliothek, um mehrere Basismodelle zu trainieren. Um die optimale Kombination für Ihren Datensatz zu finden, führt der Ensemble-Modus 5–10 Versuche mit unterschiedlichen Modell- und Metaparametereinstellungen durch. Anschließend werden diese Modelle mithilfe einer Stacking-Ensemble-Methode kombiniert, um ein optimales Vorhersagemodell zu erstellen. Eine Liste der Algorithmen, die vom Ensemble-Modus für tabellarische Daten unterstützt werden, finden Sie im folgenden [Algorithmen](#canvas-advanced-settings-predictive-algos)-Abschnitt.
+ **Hyperparameter-Optimierung (HPO)** — SageMaker KI findet die beste Version eines Modells, indem sie Hyperparameter mithilfe der Bayesschen Optimierung oder der Multi-Fidelity-Optimierung optimiert und gleichzeitig Trainingsaufgaben an Ihrem Datensatz ausführt. Der HPO-Modus wählt die Algorithmen aus, die für Ihren Datensatz am ehesten relevant sind, und wählt den optimalen Bereich für die Hyperparameter für die Optimierung Ihrer Modelle aus. Zur Optimierung Ihrer Modelle führt der HPO-Modus bis zu 100 Versuche durch (Standard), um die optimalen Einstellungen für die Hyperparameter innerhalb des ausgewählten Bereichs zu finden. Wenn Ihre Datensatzgröße weniger als 100 MB beträgt, verwendet KI die Bayessche Optimierung. SageMaker SageMaker KI entscheidet sich für die Multi-Fidelity-Optimierung, wenn Ihr Datensatz größer als 100 MB ist.
Eine Liste der Algorithmen, die vom HPO-Modus für tabellarische Daten unterstützt werden, finden Sie im folgenden [Algorithmen](#canvas-advanced-settings-predictive-algos)-Abschnitt.
+ **Automatisch** — SageMaker KI wählt je nach Größe Ihres Datensatzes automatisch entweder den Ensembling-Modus oder den HPO-Modus. Wenn Ihr Datensatz größer als 100 MB ist, wählt SageMaker AI den HPO-Modus. Andernfalls wählt er den Ensembling-Modus.
### Algorithmen
Im **Ensembling**-Modus unterstützt Autopilot die folgenden Algorithmen für Machine Learning:
+ [LightGBM](https://docs.aws.amazon.com/sagemaker/latest/dg/lightgbm.html) – Ein optimiertes Framework, das Baumalgorithmen mit Gradientenverstärkung nutzt. Dieser Algorithmus verwendet Bäume, die eher in die Breite als in die Tiefe wachsen, und ist in hohem Maße auf Geschwindigkeit optimiert.
+ [CatBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/catboost.html)— Ein Framework, das baumbasierte Algorithmen mit Gradientenverstärkung verwendet. Es ist für den Umgang mit kategorischen Variablen optimiert.
+ [XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)— Ein Framework, das baumbasierte Algorithmen mit Gradientenverstärkung verwendet, die eher an Tiefe als an Breite zunehmen.
+ [Random Forest](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html) – Ein Baumalgorithmus, der mehrere Entscheidungsbäume für zufällige Teilstichproben der Daten verwendet und ersetzt. Die Bäume werden auf jeder Ebene in optimale Knoten aufgeteilt. Die Entscheidungen der einzelnen Bäume werden zusammen gemittelt, um Überanpassungen zu vermeiden und die Prognosen zu verbessern.
+ [Extra Trees](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.ExtraTreesClassifier.html#sklearn.ensemble.ExtraTreesClassifier) – Ein Baumalgorithmus, der für den gesamten Datensatz mehrere Entscheidungsbäume verwendet. Die Bäume werden auf jeder Ebene nach dem Zufallsprinzip aufgeteilt. Die Entscheidungen der einzelnen Bäume werden gemittelt, um Überanpassungen zu vermeiden und die Prognosen zu verbessern. Zusätzliche Bäume sorgen im Vergleich zum Random-Forest-Algorithmus für ein gewisses Maß an Randomisierung.
+ [Lineare Modelle](https://scikit-learn.org/stable/modules/classes.html#module-sklearn.linear_model) – Ein Framework, das die Beziehung zwischen zwei Variablen in den beobachteten Daten mit Hilfe einer linearen Gleichung modelliert.
+ Neural Network Torch – Ein Modell für ein neuronales Netzwerk, das mit [Pytorch](https://pytorch.org/) implementiert wird.
+ Neural Network fast.ai – Ein Modell für ein neuronales Netzwerk, das mit [fast.ai](https://www.fast.ai/) implementiert wird.
Im **HPO**-Modus unterstützt Canvas die folgenden Algorithmen für Machine Learning:
+ [XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)— Ein Algorithmus für überwachtes Lernen, der versucht, eine Zielvariable genau vorherzusagen, indem er ein Ensemble von Schätzungen aus einer Reihe einfacherer und schwächerer Modelle kombiniert.
+ Deep-Learning-Algorithmus – Ein künstliches neuronales Netzwerk mit mehrschichtigem Perceptron (MLP) und Feedforward. Dieser Algorithmus kann Daten verarbeiten, die nicht linear trennbar sind.
### Datenteilung
Sie haben die Möglichkeit, festzulegen, wie Sie Ihren Datensatz zwischen dem Trainingssatz (dem Teil Ihres Datensatzes, der zum Erstellen des Modells verwendet wird) und dem Validierungssatz (dem Teil Ihres Datensatzes, der zum Überprüfen der Genauigkeit des Modells verwendet wird) aufteilen möchten. Ein gängiges Aufteilungsverhältnis ist beispielsweise 80 % Training und 20 % Validierung, wobei 80 % Ihrer Daten zum Aufbau des Modells verwendet werden, während 20 % für die Messung der Modellleistung gespeichert werden. Wenn Sie kein benutzerdefiniertes Verhältnis angeben, teilt Canvas Ihren Datensatz automatisch auf.
### Max. Kandidaten
**Anmerkung**
Diese Feature ist ausschließlich im HPO-Trainingsmodus verfügbar.
Sie können die maximale Anzahl von Modellkandidaten angeben, die Canvas beim Erstellen Ihres Modells generiert. Wir empfehlen Ihnen, die Standardanzahl von Kandidaten (100) zu verwenden, um möglichst genaue Modelle zu erstellen. Die maximale Anzahl, die Sie angeben können, ist 250. Eine Verringerung der Anzahl der Modellkandidaten kann sich auf die Genauigkeit Ihres Modells auswirken.
### Max. Auftragslaufzeit
Sie können die maximale Auftragslaufzeit oder die maximale Zeit festlegen, die Canvas für die Erstellung Ihres Modells benötigt. Nach Ablauf des Zeitlimits beendet Canvas die Erstellung und wählt den besten Modellkandidaten aus.
Die maximale Zeit, die Sie angeben können, beträgt 720 Stunden. Es wird dringend empfohlen, die maximale Auftragslaufzeit auf mehr als 30 Minuten festzulegen, um sicherzustellen, dass Canvas genügend Zeit hat, Modellkandidaten zu generieren und die Erstellung Ihres Modells abzuschließen.
## Erweiterte Einstellungen für Zeitreihen-Prognosemodelle
Für Zeitreihen-Prognosemodelle unterstützt Canvas die Objective-Metrik, die im vorherigen Abschnitt aufgeführt ist.
Zeitreihen-Prognosemodelle unterstützen auch die folgenden erweiterten Einstellungen:
### Algorithmusauswahl
Wenn Sie ein Zeitreihen-Prognosemodell erstellen, verwendet Canvas ein *Ensemble* (oder eine Kombination) aus statistischen und Machine-Learning-Lernalgorithmen, um äußert genaue Zeitreihenprognosen zu liefern. Standardmäßig wählt Canvas die optimale Kombination aller verfügbaren Algorithmen auf der Grundlage der Zeitreihen in Ihrem Datensatz aus. Sie haben jedoch die Möglichkeit, einen oder mehrere Algorithmen anzugeben, die für Ihr Prognosemodell verwendet werden sollen. In diesem Fall bestimmt Canvas die beste Mischung nur anhand der von Ihnen ausgewählten Algorithmen. Wenn Sie sich nicht sicher sind, welchen Algorithmus Sie für das Training Ihres Modells auswählen sollen, empfehlen wir Ihnen, alle verfügbaren Algorithmen auszuwählen.
**Anmerkung**
Die Auswahl des Algorithmus wird nur für Standard-Builds unterstützt. Wenn Sie in den erweiterten Einstellungen keine Algorithmen auswählen, führt SageMaker KI standardmäßig einen Schnellaufbau durch und trainiert Modellkandidaten mithilfe eines einzigen baumbasierten Lernalgorithmus. Weitere Informationen zum Unterschied zwischen Quick-Builds und Standard-Builds finden Sie unter [So funktionieren benutzerdefinierte Modelle](canvas-build-model.md).
Canvas unterstützt die folgenden Algorithmen für Zeitreihenprognosen:
+ [Autoregressive Integrated Moving Average (ARIMA)](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average) – ein einfaches stochastisches Zeitreihenmodell, das statistische Analysen zur Interpretation der Daten und zur Erstellung von Zukunftsprognosen verwendet. Dieser Algorithmus ist nützlich für einfache Datensätze mit weniger als 100 Zeitreihen.
+ [Convolutional Neural Network – Quantile Regression (CNN-QR)](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html) – ein proprietärer, überwachter Lernalgorithmus, der ein globales Modell aus einer großen Sammlung von Zeitreihen trainiert und einen Quantil-Decoder verwendet, um Vorhersagen zu treffen. CNN-QR eignet sich am besten für große Datensätze, die Hunderte von Zeitreihen enthalten.
+ [DeePar\$1](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) — Ein proprietärer, überwachter Lernalgorithmus zur Prognose skalarer Zeitreihen unter Verwendung rekurrenter neuronaler Netze (RNNs), um ein einzelnes Modell gemeinsam über alle Zeitreihen zu trainieren. DeepAR\$1 funktioniert am besten mit umfangreichen Datensätzen, die Hunderte von Feature-Zeitreihen enthalten.
+ [Non-Parametric Time Series (NPTS)](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html) – ein skalierbares, probabilistisches Basisprognosemodell, das die zukünftige Wertverteilung einer bestimmten Zeitreihe durch Stichproben aus vergangenen Beobachtungen vorhersagt. NPTS ist nützlich bei der Arbeit mit spärlichen oder intermittierenden Zeitreihen (z. B. bei der Prognose der Nachfrage nach einzelnen Artikeln, bei denen die Zeitreihe viele Nullen oder niedrige Werte aufweist).
+ [Exponential Smoothing (ETS)](https://en.wikipedia.org/wiki/Exponential_smoothing) – eine Prognosemethode, die Prognosen erstellt, die gewichtete Durchschnittswerte vergangener Beobachtungen sind, wobei die Gewichtung älterer Beobachtungen exponentiell abnimmt. Der Algorithmus eignet sich für einfache Datensätze mit weniger als 100 Zeitreihen und Datensätze mit saisonalen Mustern.
+ [Prophet](https://facebook.github.io/prophet/) – ein additives Regressionsmodell, das am besten bei Zeitreihen mit starken saisonalen Effekten und mehreren Saisons historischer Daten funktioniert. Der Algorithmus ist nützlich für Datensätze mit nichtlinearen Wachstumstrends, die sich einem Grenzwert nähern.
### Prognosequantile
Für Zeitreihenprognosen trainiert SageMaker KI 6 Modellkandidaten anhand Ihrer Zielzeitreihen. Anschließend kombiniert SageMaker KI diese Modelle mithilfe einer Stacking-Ensemble-Methode, um ein optimales Prognosemodell für eine bestimmte Zielmetrik zu erstellen. Jedes Prognosemodell erstellt eine probabilistische Prognose, indem es Prognosen in Quantilen zwischen P1 und P99 erstellt. Mit Hilfe dieser Quantile wird der Prognoseunsicherheit Rechnung getragen. Standardmäßig werden Prognosen für 0,1 (`p10`), 0,5 (`p50`) und 0,9 (`p90`) erzeugt. Sie können bis zu fünf Ihrer eigenen Quantile zwischen 0,01 (`p1`) und 0,99 (`p99`) in Schritten von 0,01 oder höher angeben.
# Bearbeiten Sie einen Bilddatensatz
In Amazon SageMaker Canvas können Sie Ihre Bilddatensätze bearbeiten und Ihre Beschriftungen überprüfen, bevor Sie ein Modell erstellen. Möglicherweise möchten Sie Aufgaben wie das Zuweisen von Beschriftungen zu Bildern ohne Beschriftung oder das Hinzufügen weiterer Bilder zum Datensatz ausführen. Diese Aufgaben können alle in der Canvas-Anwendung ausgeführt werden, sodass Sie Ihren Datensatz an einem Ort ändern und ein Modell erstellen können.
**Anmerkung**
Bevor Sie ein Modell erstellen, müssen Sie allen Bildern in Ihrem Datensatz Beschriftungen zuweisen. Außerdem müssen Sie mindestens 25 Bilder pro Beschriftung und mindestens zwei Beschriftungen haben. Weitere Informationen zum Zuweisen von Beschriftungen finden Sie im Abschnitt **Zuweisen von Beschriftungen zu Bildern ohne Beschriftung** auf dieser Seite. Wenn Sie keine Beschriftung für ein Bild ermitteln können, sollten Sie es aus Ihrem Datensatz löschen. Weitere Informationen zum Löschen von Bildern in diesem, finden Sie im Abschnitt unter [Bilder zum Datensatz hinzufügen oder daraus löschen](#canvas-edit-image-add-delete).
Um mit der Bearbeitung Ihres Bilddatensatzes zu beginnen, sollten Sie sich während der Erstellung Ihres Bildvorhersagemodells mit nur einer Bezeichnung auf der Registerkarte **Erstellen** befinden.
Eine neue Seite wird geöffnet, auf der die Bilder in Ihrem Datensatz zusammen mit ihren Beschriftungen angezeigt werden. Auf dieser Seite wird Ihr Bilddatensatz in **Bilder insgesamt**, **Beschriftete Bilder** und **Nicht beschriftete Bilder** unterteilt. Best Practices zur Erstellung eines genaueren Bildvorhersagemodells finden Sie auch im **Leitfaden zur Datensatzvorbereitung**.
Der folgende Screenshot zeigt die Seite zur Bearbeitung Ihres Bilddatensatzes.
![\[Screenshot der Seite zur Verwaltung von Bilddatensätzen in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/dataset-management-page.png)
Auf dieser Seite können Sie die folgenden Aktionen ausführen.
## Sehen Sie sich die Eigenschaften für jedes Bild an (Beschriftung, Größe, Abmessungen)
Um ein einzelnes Bild anzusehen, können Sie in der Suchleiste anhand des Dateinamens danach suchen. Wählen Sie dann das Bild aus, um die Vollansicht zu öffnen. Sie können die Bildeigenschaften anzeigen und dem Bild die Beschriftung neu zuweisen. Wählen Sie **Speichern**, wenn Sie das Bild ansehen.
## Hinzufügen, Umbenennen oder Löschen von Beschriftungen im Datensatz
Canvas listet die Beschriftungen für Ihren Datensatz im linken Navigationsbereich auf. Sie können dem Datensatz neue Beschriftungen hinzufügen, indem Sie eine Bezeichnung in das Textfeld **Bezeichnung hinzufügen** eingeben.
Um eine Beschriftung aus Ihrem Datensatz umzubenennen oder zu löschen, wählen Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) neben der Beschriftung aus und wählen Sie entweder **Umbenennen** oder **Löschen** aus. Wenn Sie die Beschriftung umbenennen, können Sie den neuen Beschrfiftungsnamen eingeben und **Bestätigen** wählen. Wenn Sie die Beschriftung löschen, wird die Beschriftung aus allen Bildern in Ihrem Datensatz entfernt, die diese Beschriftung haben. Alle Bilder mit dieser Beschriftung werden nicht beschriftet.
## Weisen Sie Bildern ohne Beschriftung Beschriftungen zu
Um die unbeschrifteten Bilder in Ihrem Datensatz anzuzeigen, wählen Sie im linken Navigationsbereich **Unbeschriftet** aus. Wählen Sie jedes Bild aus und öffnen Sie die Beschriftung mit dem Titel **Unbeschriftet**. Wählen Sie dann aus der Dropdown-Liste eine Beschriftung aus, das dem Bild zugewiesen werden soll. Sie können auch mehr als ein Bild auswählen und diese Aktion ausführen. Allen ausgewählten Bildern wird dann die von Ihnen gewählte Beschriftung zugewiesen.
## Ordnen Sie Bildern Beschriftungen neu zu
Sie können Bildern Beschriftungen neu zuweisen, indem Sie das Bild (oder mehrere Bilder gleichzeitig) auswählen und das Dropdown-Menü mit der aktuellen Beschriftung öffnen. Wählen Sie die gewünschte Beschriftung aus, und das Bild oder die Bilder werden mit der neuen Beschriftung aktualisiert.
## Sortieren Sie Ihre Bilder nach Beschriftung
Sie können alle Bilder für eine bestimmte Beschriftung anzeigen, indem Sie die Beschriftung im linken Navigationsbereich auswählen.
## Bilder zum Datensatz hinzufügen oder daraus löschen
Sie können Ihrem Datensatz weitere Bilder hinzufügen, indem Sie im oberen Navigationsbereich **Bilder hinzufügen** auswählen. Sie werden durch den Arbeitsablauf zum Importieren weiterer Bilder geführt. Die Bilder, die Sie importieren, werden Ihrem vorhandenen Datensatz hinzugefügt.
Sie können Bilder aus Ihrem Datensatz löschen, indem Sie sie auswählen und dann im oberen Navigationsbereich auf **Löschen** klicken.
**Anmerkung**
Nachdem Sie Änderungen an Ihrem Datensatz vorgenommen haben, wählen Sie **Datensatz speichern**, um sicherzustellen, dass Ihre Änderungen nicht verloren gehen.
# Datenexploration und Analyse
**Anmerkung**
Sie können SageMaker Canvas-Visualisierungen und -Analysen nur für Modelle verwenden, die auf tabellarischen Datensätzen basieren. Textvorhersagemodelle mit mehreren Kategorien sind ebenfalls ausgeschlossen.
In Amazon SageMaker Canvas können Sie die Variablen in Ihrem Datensatz mithilfe von Visualisierungen und Analysen untersuchen und anwendungsinterne Visualisierungen und Analysen erstellen. Sie können diese Untersuchungen verwenden, um Beschriftungen zwischen Ihren Variablen aufzudecken, bevor Sie Ihr Modell erstellen.
Weitere Informationen zu Visualisierungstechniken in Canvas finden Sie unter [Erkunden Ihrer Daten mit Visualisierungstechniken](canvas-explore-data-visualization.md).
Weitere Informationen zu Analytics in Canvas finden Sie unter [Erkunden Ihrer Daten mit Analytik](canvas-explore-data-analytics.md).
# Erkunden Ihrer Daten mit Visualisierungstechniken
**Anmerkung**
Sie können SageMaker Canvas-Visualisierungen nur für Modelle verwenden, die auf tabellarischen Datensätzen basieren. Textvorhersagemodelle mit mehreren Kategorien sind ebenfalls ausgeschlossen.
Mit Amazon SageMaker Canvas können Sie Ihre Daten untersuchen und visualisieren, um erweiterte Einblicke in Ihre Daten zu gewinnen, bevor Sie Ihre ML-Modelle erstellen. Sie können mithilfe von Streudiagrammen, Balkendiagrammen und Boxplots visualisieren, was Ihnen helfen kann, Ihre Daten zu verstehen und die Beziehungen zwischen Features zu ermitteln, die sich auf die Modellgenauigkeit auswirken könnten.
Wählen Sie auf der Registerkarte **Erstellen** der SageMaker Canvas-Anwendung **Data Visualizer** aus, um mit der Erstellung Ihrer Visualisierungen zu beginnen.
Sie können die Stichprobengröße der Visualisierung ändern, um die Größe der Zufallsstichprobe aus Ihrem Datensatz anzupassen. Ein zu großer Stichprobenumfang kann sich auf die Leistung Ihrer Datenvisualisierungen auswirken. Wir empfehlen Ihnen daher, einen geeigneten Stichprobenumfang zu wählen. Um die Stichprobengröße zu ändern, führen Sie die folgenden Schritte aus.
1. Wählen Sie **Visualisierungsbeispiel** aus.
1. Verwenden Sie den Schieberegler, um die gewünschte Stichprobengröße auszuwählen.
1. Wählen Sie **Aktualisieren**, um die Änderung Ihrer Stichprobengröße zu bestätigen.
**Anmerkung**
Bestimmte Visualisierungstechniken erfordern Spalten eines bestimmten Datentyps. Beispielsweise können Sie numerische Spalten nur für die X- und Y-Achsen von Streudiagrammen verwenden.
## Streudiagramm
Um mit Ihrem Datensatz ein Streudiagramm zu erstellen, wählen Sie im Bedienfeld **Visualisierung** die Option **Streudiagramm**. Wählen Sie im Abschnitt **Spalten** die Features aus, die Sie auf der X- und Y-Achse zeichnen möchten. Sie können die Spalten per Drag-and-Drop auf die Achsen ziehen oder, sobald eine Achse gelöscht wurde, eine Spalte aus der Liste der unterstützten Spalten auswählen.
Sie können **Farbe nach** verwenden, um die Datenpunkte im Diagramm mit einer dritten Featureseinzufärben. Sie können auch **Gruppieren nach** verwenden, um die Daten auf der Grundlage eines vierten Features in separate Diagramme zu gruppieren.
Die folgende Abbildung zeigt ein Streudiagramm, in dem **Farbe nach** und **Gruppieren nach** verwendet werden. In diesem Beispiel wird jeder Datenpunkt nach dem `MaritalStatus` Feature farbig dargestellt, und die Gruppierung nach dem `Department` Feature führt zu einem Streudiagramm für die Datenpunkte der einzelnen Abteilungen.
![\[Screenshot eines Streudiagramms in der Datenvisualisierer-Ansicht der Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-eda-scatter-plot.png)
## Balkendiagramm
Um ein Balkendiagramm mit Ihrem Datensatz zu erstellen, wählen Sie im **Visualisierungsfenster** die Option **Balkendiagramm** aus. Wählen Sie im Abschnitt **Spalten** die Features aus, die Sie auf der X- und Y-Achse zeichnen möchten. Sie können die Spalten per Drag-and-Drop auf die Achsen ziehen oder, sobald eine Achse gelöscht wurde, eine Spalte aus der Liste der unterstützten Spalten auswählen.
Sie können **Gruppieren nach** verwenden, um das Balkendiagramm nach einer dritten Feature zu gruppieren. Sie können **Stack nach** verwenden, um jeden Balken auf der Grundlage der Einzelwerte eines vierten Features vertikal zu schattieren.
Die folgende Abbildung zeigt ein Balkendiagramm, das **Gruppieren nach** und **Stack nach** verwendet. In diesem Beispiel wird das Balkendiagramm nach dem `MaritalStatus` Feature gruppiert und nach dem `JobLevel` Feature gestapelt. Für jede `JobRole` auf der X-Achse gibt es einen eigenen Balken für die einzelnen Kategorien im `MaritalStatus` Feature, und jeder Balken wird vertikal nach dem `JobLevel` Feature gestapelt.
![\[Screenshot eines Balkendiagramms in der Datenvisualisierer-Ansicht der Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-eda-bar-chart.png)
## Boxplot
Um einen Boxplot mit Ihrem Datensatz zu erstellen, wählen Sie im **Visualisierungsfenster** die Option **Boxplot** aus. Wählen Sie im Abschnitt **Spalten** die Features aus, die Sie auf der X- und Y-Achse zeichnen möchten. Sie können die Spalten per Drag-and-Drop auf die Achsen ziehen oder, sobald eine Achse gelöscht wurde, eine Spalte aus der Liste der unterstützten Spalten auswählen.
Sie können **Gruppieren nach** verwenden, um die Boxplots nach einer dritten Feature zu gruppieren.
Die folgende Abbildung zeigt einen Boxplot, der **Gruppieren nach** verwendet. In diesem Beispiel zeigen die X- und Y-Achsen jeweils `JobLevel` und `JobSatisfaction`, die farbigen Boxplots sind nach dem `Department` Feature gruppiert.
![\[Screenshot eines Boxplots in der Datenvisualisierer-Ansicht der Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-eda-box-plot.png)
# Erkunden Ihrer Daten mit Analytik
**Anmerkung**
Sie können SageMaker Canvas-Analysen nur für Modelle verwenden, die auf tabellarischen Datensätzen basieren. Textvorhersagemodelle mit mehreren Kategorien sind ebenfalls ausgeschlossen.
Mit Analysen in Amazon SageMaker Canvas können Sie Ihren Datensatz untersuchen und Einblicke in all Ihre Variablen gewinnen, bevor Sie ein Modell erstellen. Sie können die Beziehungen zwischen Features in Ihrem Datensatz mithilfe von Korrelationsmatrizen bestimmen. Sie können diese Technik verwenden, um Ihren Datensatz in einer Matrix zusammenzufassen, die die Korrelationen zwischen zwei oder mehr Werten zeigt. Auf diese Weise können Sie Muster in einem bestimmten Datensatz für eine erweiterte Datenanalyse identifizieren und visualisieren.
In der Matrix wird die Korrelation zwischen den einzelnen Features als positiv, negativ oder neutral dargestellt. Möglicherweise möchten Sie beim Erstellen Ihres Modells Features einbeziehen, die eine hohe Korrelation zueinander aufweisen. Features, die wenig bis gar keine Korrelation aufweisen, sind für Ihr Modell möglicherweise irrelevant, und Sie können diese Features beim Erstellen Ihres Modells weglassen.
Informationen zu den ersten Schritten mit Korrelationsmatrizen in SageMaker Canvas finden Sie im folgenden Abschnitt.
## Erstellen Sie eine Korrelationsmatrix
Sie können eine Korrelationsmatrix erstellen, wenn Sie die Erstellung eines Modells auf der Registerkarte **Erstellen** der SageMaker Canvas-Anwendung vorbereiten.
Eine Anleitung, wie Sie mit der Erstellung eines Modells beginnen, finden Sie unter [Ein Modell erstellen](canvas-build-model-how-to.md).
Nachdem Sie mit der Vorbereitung eines Modells in der SageMaker Canvas-Anwendung begonnen haben, gehen Sie wie folgt vor:
1. Wählen Sie auf der Registerkarte **Erstellen** die Option **Datenvisualisierung** aus.
1. Wählen Sie dann **Analytics** aus.
1. Wählen Sie **Korrelationsmatrix**.
Sie sollten eine Visualisierung sehen, die dem folgenden Screenshot ähnelt. Sie zeigt bis zu 15 Spalten des Datensatzes, die in einer Korrelationsmatrix organisiert sind.
![\[Screenshot einer Korrelationsmatrix in der Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-correlation-matrix-2.png)
Nachdem Sie die Korrelationsmatrix erstellt haben, können Sie sie folgendermaßen anpassen:
### 1. Wählen Sie Ihre Spalten
Für **Spalten** können Sie die Spalten auswählen, die Sie in die Matrix aufnehmen möchten. Sie können bis zu 15 Spalten aus Ihrem Datensatz vergleichen.
**Anmerkung**
Sie können numerische, kategoriale oder binäre Spaltentypen für eine Korrelationsmatrix verwenden. Die Korrelationsmatrix unterstützt keine Spaltentypen für Datetime- oder Textdaten.
Um der Korrelationsmatrix Spalten hinzuzufügen oder aus ihr zu entfernen, wählen Sie Spalten im **Spalten**-Bedienfeld aus und deaktivieren Sie sie. Sie können Spalten auch direkt aus dem Bedienfeld in die Matrix ziehen und dort ablegen. Wenn Ihr Datensatz viele Spalten enthält, können Sie in der Leiste **Spalten durchsuchen** nach den gewünschten Spalten suchen.
Um die Spalten nach Datentyp zu filtern, wählen Sie die Dropdown-Liste aus und wählen Sie **Alle**, **Numerisch** oder **Kategorisch** aus. Wenn Sie **Alle** auswählen, werden Ihnen alle Spalten aus Ihrem Datensatz angezeigt, wohingegen die Filter **Numerisch** und **Kategorisch** nur die numerischen oder kategorialen Spalten in Ihrem Datensatz anzeigen. Beachten Sie, dass binäre Spaltentypen in den numerischen oder kategorialen Filtern enthalten sind.
Die besten Dateneinblicke erhalten Sie, wenn Sie Ihre Zielspalte in die Korrelationsmatrix aufnehmen. Wenn Sie Ihre Zielspalte in die Korrelationsmatrix aufnehmen, wird sie als letztes Feature in der Matrix mit einem Zielsymbol angezeigt.
### 2. Wählen Sie Ihren Korrelationstyp
SageMaker Canvas unterstützt verschiedene *Korrelationstypen* oder Methoden zur Berechnung der Korrelation zwischen Ihren Spalten.
Um den Korrelationstyp zu ändern, verwenden Sie den im vorherigen Abschnitt erwähnten **Spaltenfilter**, um nach Ihrem gewünschten Spaltentyp und den gewünschten Spalten zu filtern. Sie sollten den **Korrelationstyp** im Seitenbereich sehen. Für numerische Vergleiche haben Sie die Möglichkeit, entweder **Pearson** oder **Spearman** auszuwählen. **Für kategoriale Vergleiche ist der Korrelationstyp auf MI festgelegt.** Für kategoriale und gemischte Vergleiche wird der Korrelationstyp auf **Spearman** & MI festgelegt.
Bei Matrizen, die nur numerische Spalten vergleichen, ist der Korrelationstyp entweder Pearson oder Spearman. Die Pearson-Messgröße bewertet die lineare Beziehung zwischen zwei kontinuierlichen Variablen. Das Spearman-Maß bewertet die monotone Beziehung zwischen zwei Variablen. Sowohl bei Pearson als auch bei Spearman reicht die Korrelationsskala von -1 bis 1, wobei jedes Ende der Skala auf eine perfekte Korrelation (eine direkte 1:1 -Beziehung) und 0 auf keine Korrelation hinweist. Möglicherweise möchten Sie Pearson auswählen, wenn Ihre Daten linearere Beziehungen aufweisen (wie eine [Streudiagrammvisualisierung](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html#canvas-explore-data-scatterplot) zeigt). Wenn Ihre Daten nicht linear sind oder eine Mischung aus linearen und monotonen Beziehungen enthalten, sollten Sie Spearman auswählen.
Für Matrizen, die nur kategoriale Spalten vergleichen, ist der Korrelationstyp auf Mutual Information Classification (MI) festgelegt. Der MI-Wert ist ein Maß für die wechselseitige Abhängigkeit zwischen zwei Zufallsvariablen. Das MI-Maß liegt auf einer Skala von 0 bis 1, wobei 0 für keine Korrelation und 1 für eine perfekte Korrelation steht.
Bei Matrizen, die eine Mischung aus numerischen und kategorialen Spalten vergleichen, ist der Korrelationstyp **Spearman & MI** eine Kombination der Korrelationstypen Spearman und MI. Für Korrelationen zwischen zwei numerischen Spalten zeigt die Matrix den Spearman-Wert. Bei Korrelationen zwischen einer numerischen und einer kategorialen Spalte oder zwei kategorialen Spalten zeigt die Matrix den MI-Wert.
Denken Sie abschließend daran, dass Korrelation nicht unbedingt auf eine Kausalität hindeutet. Ein starker Korrelationswert weist nur darauf hin, dass ein Zusammenhang zwischen zwei Variablen besteht, aber die Variablen haben möglicherweise keinen kausalen Zusammenhang. Prüfen Sie die für Sie interessanten Spalten sorgfältig, um Verzerrungen bei der Modellerstellung zu vermeiden.
### 3. Ihre Korrelationen filtern
Im Seitenbereich können Sie die Funktion **Korrelationen filtern** verwenden, um nach dem Bereich von Korrelationswerten zu filtern, den Sie in die Matrix aufnehmen möchten. Wenn Sie beispielsweise nach Features filtern möchten, die nur eine positive oder neutrale Korrelation aufweisen, können Sie den **Minimalwert** auf 0 und den **Höchstwert** auf 1 festlegen (gültige Werte sind -1 bis 1).
Für Spearman- und Pearson-Vergleiche können Sie den **Korrelationsbereich des Filters** auf einen beliebigen Wert von -1 bis 1 festlegen, wobei 0 bedeutet, dass keine Korrelation besteht. -1 und 1 bedeuten, dass die Variablen eine starke negative bzw. positive Korrelation aufweisen.
Bei MI-Vergleichen reicht der Korrelationsbereich nur von 0 bis 1, wobei 0 bedeutet, dass keine Korrelation besteht und 1 bedeutet, dass die Variablen eine starke Korrelation aufweisen, entweder positiv oder negativ.
Jedes Feature hat eine perfekte Korrelation (1) mit sich selbst. Daher stellen Sie möglicherweise fest, dass die oberste Zeile der Korrelationsmatrix immer 1 ist. Wenn Sie diese Werte ausschließen möchten, können Sie den Filter verwenden, um den **Höchstwert** auf weniger als 1 festzulegen.
Denken Sie daran, dass, wenn Ihre Matrix eine Mischung aus numerischen und kategorialen Spalten vergleicht und den Korrelationstyp **Spearman & MI** verwendet, die *kategorialen x-numerischen* und *kategorialen x-kategorialen* Korrelationen (die das MI-Maß verwenden) auf einer Skala von 0 bis 1 liegen, wohingegen die *numerischen x-numerischen* Korrelationen (die das Spearman-Maß verwenden) auf einer Skala von -1 bis 1 liegen. Prüfen Sie Ihre interessierenden Korrelationen sorgfältig, um sicherzustellen, dass Sie den Korrelationstyp kennen, der zur Berechnung der einzelnen Werte verwendet wird.
### 4. Wählen Sie die Visualisierung-Methode aus.
Im Seitenbereich können Sie **Visualize by** verwenden, um die Visualisierungsmethode der Matrix zu ändern. Wählen Sie die Visualisierungsmethode **Numerisch** aus, um den Korrelationswert (Pearson, Spearman oder MI) anzuzeigen, oder wählen Sie die Visualisierungsmethode **Größe** aus, um die Korrelation mit unterschiedlich großen und farbigen Punkten darzustellen. Wenn Sie **Größe** wählen, können Sie den Mauszeiger über einen bestimmten Punkt in der Matrix bewegen, um den tatsächlichen Korrelationswert zu sehen.
### 5. Wählen Sie eine Farbpalette
Im Seitenbereich können Sie mithilfe der **Farbauswahl die Farbpalette** ändern, die für die Skala zwischen negativer und positiver Korrelation in der Matrix verwendet wird. Wählen Sie eine der alternativen Farbpaletten aus, um die in der Matrix verwendeten Farben zu ändern.
# Vorbereiten der Daten für die Modellerstellung
**Anmerkung**
Mit Data Wrangler können Sie jetzt eine erweiterte Datenvorbereitung in SageMaker Canvas durchführen. Data Wrangler bietet Ihnen eine Benutzeroberfläche in natürlicher Sprache und über 300 integrierte Transformationen. Weitere Informationen finden Sie unter [Datenaufbereitung](canvas-data-prep.md).
Ihr Datensatz für Machine Learning erfordert möglicherweise eine Datenvorbereitung, bevor Sie Ihr Modell erstellen. Möglicherweise möchten Sie Ihre Daten aufgrund verschiedener Probleme bereinigen, zu denen auch fehlende Werte oder Ausreißer gehören können, und Feature-Engineering durchführen, um die Genauigkeit Ihres Modells zu verbessern. Amazon SageMaker Canvas bietet ML-Datentransformationen, mit denen Sie Ihre Daten bereinigen, transformieren und für die Modellerstellung vorbereiten können. Sie können diese Transformationen für Ihre Datensätze ohne Code verwenden. SageMaker Canvas fügt die von Ihnen verwendeten Transformationen dem **Model-Rezept** hinzu. Dabei handelt es sich um eine Aufzeichnung der Datenvorbereitung, die vor der Erstellung des Modells an Ihren Daten vorgenommen wurde. Alle Datentransformationen, die Sie verwenden, ändern nur die Eingabedaten für die Modellerstellung und ändern nicht Ihre ursprüngliche Datenquelle.
Die Vorschau Ihres Datensatzes zeigt die ersten 100 Zeilen des Datensatzes. Wenn Ihr Datensatz mehr als 20.000 Zeilen enthält, nimmt Canvas eine Zufallsstichprobe von 20.000 Zeilen und zeigt eine Vorschau der ersten 100 Zeilen aus dieser Stichprobe an. Sie können nur nach Werten aus den in der Vorschau angezeigten Zeilen suchen und diese angeben, und die Filterfunktion filtert nur die in der Vorschau angezeigten Zeilen und nicht den gesamten Datensatz.
Die folgenden Transformationen sind in SageMaker Canvas verfügbar, damit Sie Ihre Daten für die Erstellung vorbereiten können.
**Anmerkung**
Sie können erweiterte Transformationen nur für Modelle verwenden, die auf tabellarischen Datensätzen basieren. Textvorhersagemodelle mit mehreren Kategorien sind ebenfalls ausgeschlossen.
## Spalten abwerfen
Sie können eine Spalte aus Ihrem Modellbuild ausschließen, indem Sie sie auf der Registerkarte **Erstellen** der SageMaker Canvas-Anwendung ablegen. Deaktivieren Sie die Spalte, die Sie löschen möchten, und sie wird beim Erstellen des Modells nicht berücksichtigt.
**Anmerkung**
Wenn Sie Spalten löschen und dann [Batch-Vorhersagen](canvas-make-predictions.md) mit Ihrem Modell treffen, fügt SageMaker Canvas die gelöschten Spalten wieder dem Ausgabedatensatz hinzu, der für Sie zum Herunterladen verfügbar ist. SageMaker Canvas fügt die gelöschten Spalten für Zeitreihenmodelle jedoch nicht wieder hinzu.
## Zeilen filtern
Die Filterfunktion filtert die in der Vorschau angezeigten Zeilen (die ersten 100 Zeilen Ihres Datensatzes) gemäß den von Ihnen angegebenen Bedingungen. Das Filtern von Zeilen erzeugt eine temporäre Vorschau der Daten und hat keine Auswirkungen auf die Modellerstellung. Sie können filtern, um eine Vorschau von Zeilen anzuzeigen, die fehlende Werte enthalten, Ausreißer enthalten oder benutzerdefinierte Bedingungen in einer von Ihnen ausgewählten Spalte erfüllen.
### Filtern Sie Zeilen nach fehlenden Werten
Fehlende Werte treten häufig in maschinellen Lerndatensätzen auf. Wenn Sie Zeilen mit Nullwerten oder leeren Werten in bestimmten Spalten haben, möchten Sie möglicherweise nach diesen Zeilen filtern und eine Vorschau anzeigen.
Um fehlende Werte aus den in der Vorschau angezeigten Daten zu filtern, führen Sie die folgenden Schritte aus.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Nach Zeilen filtern** (![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)) aus.
1. Wählen Sie die **Spalte** aus, die Sie auf fehlende Werte überprüfen möchten.
1. Wählen Sie für die **Operation** die Option **Fehlt** aus.
SageMaker Canvas filtert nach Zeilen, die fehlende Werte in der ausgewählten **Spalte** enthalten, und bietet eine Vorschau der gefilterten Zeilen.
![\[Screenshot des Vorgangs „Filtern nach fehlenden Werten“ in der SageMaker Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-filter-missing.png)
### Zeilen nach Ausreißern filtern
Ausreißer oder seltene Werte in der Verteilung und im Bereich Ihrer Daten können sich negativ auf die Modellgenauigkeit auswirken und zu längeren Erstellungszeiten führen. SageMaker Mit Canvas können Sie Zeilen erkennen und filtern, die Ausreißer in numerischen Spalten enthalten. Sie können wählen, ob Sie Ausreißer entweder mit Standardabweichungen oder einem benutzerdefinierten Bereich definieren möchten.
Um nach Ausreißern in Ihren Daten zu filtern, führen Sie die folgenden Schritte aus.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Nach Zeilen filtern** (![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)) aus.
1. Wählen Sie die **Spalte** aus, die Sie auf Ausreißer überprüfen möchten.
1. Wählen Sie für die **Operation** **Ist ein Ausreißer**.
1. Stellen Sie den **Bereich für Ausreißer** entweder auf **Standardabweichung** oder **Benutzerdefinierter** Bereich ein.
1. Wenn Sie **Standardabweichung** wählen, geben Sie einen **SD-Wert** (Standardabweichung) zwischen 1–3 an. Wenn Sie **Benutzerdefinierter Bereich** wählen, wählen Sie entweder **Perzentil** oder **Zahl** und geben Sie dann die **Min** – und **Max** Werte an.
Mit der Option **Standardabweichung** werden Ausreißer in numerischen Spalten anhand des Mittelwerts und der Standardabweichung erkannt und danach gefiltert. Sie geben die Anzahl der Standardabweichungen an, bei denen ein Wert vom Mittelwert abweichen muss, um als Ausreißer betrachtet zu werden. Wenn Sie beispielsweise `3` für **SD** angeben, muss ein Wert um mehr als 3 Standardabweichungen vom Mittelwert abweichen, um als Ausreißer betrachtet zu werden.
Mit der Option **Benutzerdefinierter Bereich** werden Ausreißer in numerischen Spalten anhand von Minimal- und Maximalwerten erkannt und danach gefiltert. Verwenden Sie diese Methode, wenn Sie Ihre Schwellenwerte zur Begrenzung von Ausreißern kennen. Sie können den **Typ** des Bereichs entweder auf **Perzentil** oder **Zahl** festlegen. Wenn Sie **Perzentil** wählen, sollten die Werte **Min** und **Max** dem Minimum und Maximum des Perzentilbereichs (0-100) entsprechen, den Sie zulassen möchten. Wenn Sie **Zahl** wählen, sollten die **Min** – und **Max** Werte die minimalen und maximalen numerischen Werte sein, die Sie in den Daten filtern möchten.
![\[Bildschirmfoto des Vorgangs „Nach Ausreißern filtern“ in der SageMaker Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-filter-outlier.png)
### Filtern Sie Zeilen nach benutzerdefinierten Werten
Sie können nach Zeilen mit Werten filtern, die benutzerdefinierte Bedingungen erfüllen. Möglicherweise möchten Sie eine Vorschau von Zeilen mit einem Preiswert von mehr als 100 anzeigen, bevor Sie sie entfernen. Mit dieser Funktion können Sie Zeilen filtern, die den von Ihnen festgelegten Schwellenwert überschreiten, und eine Vorschau der gefilterten Daten anzeigen.
Um die benutzerdefinierte Filterfunktion zu verwenden, führen Sie die folgenden Schritte aus.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Nach Zeilen filtern** (![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)) aus.
1. Wählen Sie die **Spalte** aus, die Sie überprüfen möchten.
1. Wählen Sie den **Operationstyp** aus, den Sie verwenden möchten, und geben Sie dann die Werte für die ausgewählte Bedingung an.
Für die **Operation** können Sie eine der folgenden Optionen wählen. Beachten Sie, dass die verfügbaren Operationen vom Datentyp der ausgewählten Spalte abhängen. Beispielsweise können Sie keine `is greater than` Operation für eine Spalte erstellen, die Textwerte enthält.
| Operation | Unterstützte Datentypen | Unterstützter Feature-Typ | Funktion |
| --- | --- | --- | --- |
| ist gleich | Numerisch, Text | Binär, kategorisch | Filtert Zeilen, in denen der Wert in **Spalte** den von Ihnen angegebenen Werten entspricht. |
| Ist nicht gleich | Numerisch, Text | Binär, kategorisch | Filtert Zeilen, in denen der Wert in **Spalte** nicht den von Ihnen angegebenen Werten entspricht. |
| Ist kleiner als | Numerischer Wert | – | Filtert Zeilen, in denen der Wert in **Spalte** kleiner als der von Ihnen angegebene Wert ist. |
| Ist kleiner als oder gleich | Numerischer Wert | – | Filtert Zeilen, in denen der Wert in **Spalte** kleiner oder gleich dem von Ihnen angegebenen Wert ist. |
| Ist größer als | Numerischer Wert | – | Filtert Zeilen, in denen der Wert in **Spalte** größer als der von Ihnen angegebene Wert ist. |
| Ist größer als oder gleich | Numerischer Wert | – | Filtert Zeilen, in denen der Wert in **Spalte** größer oder gleich dem von Ihnen angegebenen Wert ist. |
| Ist zwischen | Numerischer Wert | – | Filtert Zeilen, in denen der Wert in **Spalte** zwischen oder gleich zwei von Ihnen angegebenen Werten liegt. |
| Enthält | Text | Kategorisch | Filtert Zeilen, in denen der Wert in **Spalte** die von Ihnen angegebenen Werte enthält. |
| Beginnt mit | Text | Kategorisch | Filtert Zeilen, in denen der Wert in **Spalte** mit einem von Ihnen angegebenen Wert beginnt. |
| Endet mit | Kategorisch | Kategorisch | Filtert Zeilen, in denen der Wert in **Spalte** mit einem von Ihnen angegebenen Wert endet. |
Nachdem Sie den Filtervorgang festgelegt haben, aktualisiert SageMaker Canvas die Vorschau des Datensatzes, sodass Ihnen die gefilterten Daten angezeigt werden.
![\[Screenshot des Vorgangs „Filtern nach benutzerdefinierten Werten“ in der SageMaker Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-filter-custom.png)
## Funktionen und Operatoren
Sie können mathematische Funktionen und Operatoren verwenden, um Ihre Daten zu untersuchen und zu verteilen. Sie können die von SageMaker Canvas unterstützten Funktionen verwenden oder Ihre eigene Formel mit Ihren vorhandenen Daten erstellen und eine neue Spalte mit dem Ergebnis der Formel erstellen. Sie können beispielsweise die entsprechenden Werte von zwei Spalten hinzufügen und das Ergebnis in einer neuen Spalte speichern.
Sie können Anweisungen verschachteln, um komplexere Funktionen zu erstellen. Im Folgenden finden Sie einige Beispiele für verschachtelte Funktionen, die Sie verwenden könnten.
+ Um den BMI zu berechnen, könnten Sie die Funktion `weight / (height ^ 2)` verwenden.
+ Um das Alter zu klassifizieren, könnten Sie die Funktion `Case(age < 18, 'child', age < 65, 'adult', 'senior')` verwenden.
Sie können Funktionen in der Datenvorbereitungsphase angeben, bevor Sie Ihr Modell erstellen. Um eine Funktion zu verwenden, gehen Sie wie folgt vor.
+ Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte „**Erstellen**“ die Option „**Alle anzeigen**“ und anschließend „**Benutzerdefinierte Formel**“, um das Bedienfeld „**Benutzerdefinierte Formel**“ zu öffnen.
+ Im Bedienfeld „**Benutzerdefinierte Formel**“ können Sie eine **Formel** auswählen, die Sie Ihrem **Modellrezept** hinzufügen möchten. Jede Formel wird auf alle Werte in den von Ihnen angegebenen Spalten angewendet. Verwenden Sie für Formeln, die zwei oder mehr Spalten als Argumente akzeptieren, Spalten mit übereinstimmenden Datentypen. Andernfalls erhalten Sie einen Fehler oder `null`-Werte in der neuen Spalte.
+ Nachdem Sie eine **Formel** angegeben haben, fügen Sie im Feld „**Neuer Spaltenname“ einen Spaltennamen** hinzu. SageMaker Canvas verwendet diesen Namen für die neue Spalte, die erstellt wird.
+ (Optional) Wählen Sie **Vorschau**, um eine Vorschau Ihrer Transformation anzuzeigen.
+ Um die Funktion zu Ihrem **Modellrezept** hinzuzufügen, wählen Sie **Hinzufügen**.
SageMaker Canvas speichert das Ergebnis Ihrer Funktion in einer neuen Spalte unter dem Namen, den Sie unter **Neuer Spaltenname** angegeben haben. Sie können Funktionen im Bedienfeld **Modellrezepte** anzeigen oder entfernen.
SageMaker Canvas unterstützt die folgenden Operatoren für Funktionen. Sie können entweder das Textformat oder das Inline-Format verwenden, um Ihre Funktion zu spezifizieren.
| Operator | Description | Unterstützte Datentypen | Textformat | Inline-Format |
| --- | --- | --- | --- | --- |
| Addition | Gibt die Summe der Werte | Numerischer Wert | Addieren Sie (Umsatz1, Umsatz2) | Umsatz1 \$1 Umsatz2 |
| Subtraktion | Gibt den Unterschied zwischen den Werten zurück | Numerischer Wert | Subtrahieren Sie (Umsatz1, Umsatz2) | Umsatz1 ‐ Umsatz2 |
| Multiply (Multiplikation) | Gibt das Produkt der Werte zurück | Numerischer Wert | Multipliziere (Umsatz1, Umsatz2) | Umsatz1 \$1 Umsatz2 |
| Division | Gibt den Quotienten der Werte zurück | Numerischer Wert | Divide (Umsatz1, Umsatz2) | Umsatz1//Umsatz2 |
| Mod | Gibt das Ergebnis des Modulo-Operators zurück (den Rest nach der Division der beiden Werte) | Numerischer Wert | Mod (Umsatz1, Umsatz2) | Umsatz 1% Umsatz 2 |
| Abs | Gibt den absoluten Wert des Wertes zurück | Numerischer Wert | Abs (Umsatz1) | – |
| Negiert | Gibt das Negative des Werts zurück | Numerischer Wert | Negiere (c1) | -c1 |
| Exp | Gibt e (Eulersche Zahl) potenziert mit dem Wert zurück | Numerischer Wert | Exp (Umsatz1) | – |
| Protokoll | Gibt den Logarithmus (Basis 10) des Wertes | Numerischer Wert | Protokoll (Umsatz1) | – |
| Ln | Gibt den natürlichen Logarithmus (Basis e) des Werts zurück | Numerischer Wert | Ln (Umsatz1) | – |
| pow | Gibt den potenzierten Wert zurück | Numerischer Wert | Pow (Umsatz1, 2) | Umsatz1 ^ 2 |
| Wenn | Gibt basierend auf einer von Ihnen angegebenen Bedingung eine Bezeichnung „wahr“ oder „falsch“ zurück | Boolescher Wert, Numerisch, Text | Wenn (sales1>7000, 'truelabel', 'falselabel') | – |
| Oder | Gibt einen booleschen Wert zurück, der angibt, ob einer der angegebenen Werte oder Bedingungen wahr ist oder nicht | Boolesch | Oder (Vollpreis, discount) | Vollpreis \$1\$1 Rabatt |
| Bedingung 2 | Gibt einen booleschen Wert zurück, der angibt, ob zwei der angegebenen Werte oder Bedingungen wahr sind oder nicht | Boolesch | Und (Umsatz1, Umsatz2) | Umsatz1 && Umsatz2 |
| Nicht | Gibt einen booleschen Wert zurück, der das Gegenteil des angegebenen Werts oder der angegebenen Bedingungen darstellt | Boolesch | Nicht (sales1) | \$1Umsatz 1 |
| Case | Gibt einen booleschen Wert zurück, der auf bedingten Anweisungen basiert (gibt c1 zurück, wenn cond1 wahr ist, gibt c2 zurück, wenn cond2 wahr ist, andernfalls wird c3 zurückgegeben) | Boolescher Wert, Numerisch, Text | Groß- und Kleinschreibung (cond1, c1, cond2, c2, c3) | – |
| Gleich | Gibt einen booleschen Wert zurück, der angibt, ob zwei Werte gleich sind | Boolescher Wert, Numerisch, Text | – | c1 = c2c1 == c2 |
| Ungleich | Gibt einen booleschen Wert zurück, der angibt, ob zwei Werte nicht gleich sind | Boolescher Wert, Numerisch, Text | – | c1 \$1= c2 |
| Kleiner als | Gibt einen booleschen Wert zurück, der angibt, ob c1 kleiner als c2 ist | Boolescher Wert, Numerisch, Text | – | c1 < c2 |
| Größer als | Gibt einen booleschen Wert zurück, der angibt, ob c1 größer als c2 ist | Boolescher Wert, Numerisch, Text | – | c1 > c2 |
| Kleiner als oder gleich | Gibt einen booleschen Wert zurück, der angibt, ob c1 kleiner als oder gleich c2 ist | Boolescher Wert, Numerisch, Text | – | c1 <= c2 |
| Größer als oder gleich | Gibt einen booleschen Wert zurück, der angibt, ob c1 größer als oder gleich c2 ist | Boolescher Wert, Numerisch, Text | – | c1 >= c2 |
SageMaker Canvas unterstützt auch Aggregatoperatoren, mit denen Operationen wie die Berechnung der Summe aller Werte oder das Ermitteln des Mindestwerts in einer Spalte ausgeführt werden können. Sie können Aggregatoperatoren in Kombination mit Standardoperatoren in Ihren Funktionen verwenden. Um beispielsweise die Differenz zwischen Werten und dem Mittelwert zu berechnen, könnten Sie die Funktion verwenden`Abs(height – avg(height))`. SageMaker Canvas unterstützt die folgenden Aggregatoperatoren.
| Aggregat-Operatoren | Description | Format | Beispiel |
| --- | --- | --- | --- |
| sum | Gibt die Summe aller Werte in einer Spalte zurück | sum | Summe(c1) |
| Minimum | Gibt den Minimalwert einer Spalte zurück | min | min(c2) |
| Maximum | Gibt den Maximalwert einer Spalte zurück | max | max(c3) |
| Durchschnitt | Gibt den Durchschnittswert einer Spalte zurück | avg | avg(c4) |
| Std | Gibt die Standardabweichung der Stichprobe einer Spalte zurück | Std | std(c1) |
| stddev | Gibt die Standardabweichung der Werte in einer Spalte zurück | stddev | Stdabq(c1) |
| Varianz | Gibt die unverzerrte Varianz der Werte in einer Spalte zurück | Varianz | Varianz(c1) |
| APPROX\$1COUNT\$1DISTINCT | Gibt die ungefähre Anzahl verschiedener Elemente in einer Spalte zurück | APPROX\$1COUNT\$1DISTINCT | APPROX\$1COUNT\$1DISTINCT |
| count | Gibt den Cosinus einer Zahl zurück. | count | Anzahl(c1) |
| Erste | Gibt den ersten Wert einer Spalte zurück | Erste | zuerst(c1) |
| Letzte | Gibt den letzten Wert einer Spalte zurück | Letzte | letzter(c1) |
| stddev\$1pop | Gibt die Standardabweichung der Grundgesamtheit einer Spalte zurück | stddev\$1pop | stddev\$1pop(c1) |
| Varianz\$1Pop | Gibt die Populationsvarianz der Werte in einer Spalte zurück | variance\$1pop | variance\$1pop(c1) |
## Zeilen verwalten
Mit der Transformation „Zeilen verwalten“ können Sie Datenzeilen sortieren, nach dem Zufallsprinzip mischen und Datenzeilen aus dem Datensatz entfernen.
### Zeilen sortieren
Gehen Sie wie folgt vor, um die Zeilen in einem Datensatz nach einer bestimmten Spalte zu sortieren.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Zeilen verwalten** und anschließend **Zeilen sortieren** aus.
1. Wählen Sie unter **Spalte sortieren** die Spalte aus, nach der Sie sortieren möchten.
1. Wählen Sie für **Sortierreihenfolge** entweder **Aufsteigend** oder **Absteigend** aus.
1. Wählen Sie **Hinzufügen**, um die Transformation zum **Modellrezept** hinzuzufügen.
### Zeilen mischen
Gehen Sie wie folgt vor, um die Zeilen in einem Datensatz nach dem Zufallsprinzip zu mischen.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Zeilen verwalten** und anschließend **Zeilen mischen** aus.
1. Wählen Sie **Hinzufügen**, um die Transformation zum **Modellrezept** hinzuzufügen.
### Doppelte Zeilen verwerfen
Gehen Sie wie folgt vor, um doppelte Zeilen in einem Datensatz zu entfernen.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Zeilen verwalten** und anschließend **Doppelte Zeilen löschen** aus.
1. Wählen Sie **Hinzufügen**, um die Transformation zum **Modellrezept** hinzuzufügen.
### Entfernen Sie Zeilen nach fehlenden Werten
Fehlende Werte treten häufig in Datensätzen des maschinellen Lernens auf und können sich auf die Modellgenauigkeit auswirken. Verwenden Sie diese Transformation, wenn Sie Zeilen mit Nullwerten oder leeren Werten in bestimmten Spalten löschen möchten.
Gehen Sie wie folgt vor, um Zeilen zu entfernen, die fehlende Werte in einer bestimmten Spalte enthalten.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Zeilen verwalten** aus.
1. Wählen Sie **Zeilen nach fehlenden Werten löschen** aus.
1. Wählen Sie **Hinzufügen**, um die Transformation zum **Modellrezept** hinzuzufügen.
SageMaker Canvas löscht Zeilen, die fehlende Werte in der ausgewählten **Spalte** enthalten. Nach dem Entfernen der Zeilen aus dem Datensatz fügt SageMaker Canvas die Transformation im Abschnitt **Modellrezept** hinzu. Wenn Sie die Transformation aus dem Abschnitt **Modellrezept** entfernen, kehren die Zeilen zu Ihrem Datensatz zurück.
![\[Screenshot der Operation „Zeilen durch fehlende Werte entfernen“ in der SageMaker Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-remove-missing.png)
### Zeilen nach Ausreißern entfernen
Ausreißer oder seltene Werte in der Verteilung und im Bereich Ihrer Daten können sich negativ auf die Modellgenauigkeit auswirken und zu längeren Erstellungszeiten führen. Mit SageMaker Canvas können Sie Zeilen erkennen und entfernen, die Ausreißer in numerischen Spalten enthalten. Sie können wählen, ob Sie Ausreißer entweder mit Standardabweichungen oder einem benutzerdefinierten Bereich definieren möchten.
Gehen Sie wie folgt vor, um Ausreißer aus Ihren Daten zu entfernen.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Zeilen verwalten** aus.
1. Wählen Sie **Zeilen nach Ausreißerwerten löschen**.
1. Wählen Sie die **Spalte** aus, die Sie auf Ausreißer überprüfen möchten.
1. Stellen Sie den **Operator** auf **Standardabweichung**, **Benutzerdefinierter numerischer Bereich** oder **Benutzerdefinierter Quantilbereich** ein.
1. Wenn Sie **Standardabweichung** wählen, geben Sie einen Wert für **Standardabweichungen** (Standardabweichung) zwischen 1–3 an. Wenn Sie **Benutzerdefinierter numerischer Bereich** oder **Benutzerdefinierter Quantilbereich** wählen, geben Sie die **Min** und **Max** Werte an (Zahlen für numerische Bereiche oder Perzentile zwischen 0 und 100% für Quantilbereiche).
1. Wählen Sie **Hinzufügen**, um die Transformation zum **Modellrezept** hinzuzufügen.
Mit der Option **Standardabweichung** werden Ausreißer in numerischen Spalten anhand des Mittelwerts und der Standardabweichung erkannt und entfernt. Sie geben die Anzahl der Standardabweichungen an, bei denen ein Wert vom Mittelwert abweichen muss, um als Ausreißer betrachtet zu werden. Wenn Sie beispielsweise `3` für **Standardabweichungen** angeben, muss ein Wert um mehr als 3 Standardabweichungen vom Mittelwert abweichen, um als Ausreißer betrachtet zu werden.
Mit den Optionen **Benutzerdefinierter numerischer Bereich** und **Benutzerdefinierter Quantilbereich** werden Ausreißer in numerischen Spalten anhand von Minimal- und Maximalwerten erkannt und entfernt. Verwenden Sie diese Methode, wenn Sie Ihre Schwellenwerte kennen, mit denen Ausreißer abgegrenzt werden. Wenn Sie einen numerischen Bereich wählen, sollten die **Min** – und **Max** Werte die minimalen und maximalen numerischen Werte sein, die Sie in den Daten zulassen möchten. Wenn Sie einen Quantilbereich wählen, sollten die **Min** und **Max** Werte den Mindest- und Höchstwerten des Perzentilbereichs (0–100) entsprechen, den Sie zulassen möchten.
Nach dem Entfernen der Zeilen aus dem Datensatz fügt SageMaker Canvas die Transformation im Abschnitt **Modellrezept** hinzu. Wenn Sie die Transformation aus dem Abschnitt **Modellrezept** entfernen, kehren die Zeilen zu Ihrem Datensatz zurück.
![\[Screenshot des Vorgangs „Zeilen nach Ausreißern entfernen“ in der SageMaker Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-remove-outlier.png)
### Zeilen anhand benutzerdefinierter Werte entfernen
Sie können Zeilen mit Werten entfernen, die benutzerdefinierte Bedingungen erfüllen. Beispielsweise möchten Sie beim Erstellen Ihres Modells möglicherweise alle Zeilen mit einem Preiswert von mehr als 100 ausschließen. Mit dieser Transformation können Sie eine Regel erstellen, die alle Zeilen entfernt, die den von Ihnen festgelegten Schwellenwert überschreiten.
Gehen Sie wie folgt vor, um die benutzerdefinierte Transformation zum Entfernen zu verwenden.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Zeilen verwalten** aus.
1. Wählen Sie **Zeilen nach Formel löschen**.
1. Wählen Sie die **Spalte** aus, die Sie überprüfen möchten.
1. Wählen Sie den **Operationstyp** aus, den Sie verwenden möchten, und geben Sie dann die Werte für die ausgewählte Bedingung an.
1. Wählen Sie **Hinzufügen**, um die Transformation zum **Modellrezept** hinzuzufügen.
Für die **Operation** können Sie eine der folgenden Optionen wählen. Beachten Sie, dass die verfügbaren Operationen vom Datentyp der ausgewählten Spalte abhängen. Beispielsweise können Sie keine `is greater than` Operation für eine Spalte erstellen, die Textwerte enthält.
| Operation | Unterstützte Datentypen | Unterstützter Feature-Typ | Funktion |
| --- | --- | --- | --- |
| ist gleich | Numerisch, Text | Binär, kategorisch | Entfernt Zeilen, in denen der Wert in **Spalte** den von Ihnen angegebenen Werten entspricht. |
| Ist nicht gleich | Numerisch, Text | Binär, kategorisch | Entfernt Zeilen, in denen der Wert in **Spalte** nicht den von Ihnen angegebenen Werten entspricht. |
| Ist kleiner als | Numerischer Wert | – | Entfernt Zeilen, in denen der Wert in **Spalte** kleiner als der von Ihnen angegebene Wert ist. |
| Ist kleiner als oder gleich | Numerischer Wert | – | Entfernt Zeilen, in denen der Wert in **Spalte** kleiner oder gleich dem von Ihnen angegebenen Wert ist. |
| Ist größer als | Numerischer Wert | – | Entfernt Zeilen, in denen der Wert in **Spalte** größer als der von Ihnen angegebene Wert ist. |
| Ist größer als oder gleich | Numerischer Wert | – | Entfernt Zeilen, in denen der Wert in **Spalte** größer oder gleich dem von Ihnen angegebenen Wert ist. |
| Ist zwischen | Numerischer Wert | – | Entfernt Zeilen, in denen der Wert in **Spalte** zwischen oder gleich zwei von Ihnen angegebenen Werten liegt. |
| Enthält | Text | Kategorisch | Entfernt Zeilen, in denen der Wert in **Column** die von Ihnen angegebenen Werte enthält. |
| Beginnt mit | Text | Kategorisch | Entfernt Zeilen, in denen der Wert in **Column** mit einem von Ihnen angegebenen Wert beginnt. |
| Endet mit | Text | Kategorisch | Entfernt Zeilen, in denen der Wert in **Column** mit einem von Ihnen angegebenen Wert endet. |
Nach dem Entfernen der Zeilen aus dem Datensatz fügt SageMaker Canvas die Transformation im Abschnitt **Modellrezept** hinzu. Wenn Sie die Transformation aus dem Abschnitt **Modellrezept** entfernen, kehren die Zeilen zu Ihrem Datensatz zurück.
![\[Screenshot des Vorgangs „Zeilen mit benutzerdefinierten Werten entfernen“ in der SageMaker Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-remove-custom.png)
## Spalten umbenennen
Mit der Transformation zum Umbenennen von Spalten können Sie Spalten in Ihren Daten umbenennen. Wenn Sie eine Spalte umbenennen, ändert SageMaker Canvas den Spaltennamen in der Modelleingabe.
Sie können eine Spalte in Ihrem Datensatz umbenennen, indem Sie auf der Registerkarte **Erstellen** der SageMaker Canvas-Anwendung auf den Spaltennamen doppelklicken und einen neuen Namen eingeben. Durch Drücken der **Eingabetaste** wird die Änderung übermittelt, und wenn Sie auf eine beliebige Stelle außerhalb der Eingabe klicken, wird die Änderung rückgängig gemacht. Sie können eine Spalte auch umbenennen, indem Sie auf das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) klicken, das sich in der Listenansicht am Ende der Zeile oder in der Tabellenansicht am Ende der Kopfzeilenzelle befindet, und **Umbenennen** wählen.
Ihr Spaltenname darf nicht länger als 32 Zeichen sein oder doppelte Unterstriche (\$1\$1) enthalten, und Sie können eine Spalte nicht in denselben Namen wie eine andere Spalte umbenennen. Sie können eine gelöschte Spalte auch nicht umbenennen.
Der folgende Screenshot zeigt, wie Sie eine Spalte umbenennen, indem Sie auf den Spaltennamen doppelklicken.
![\[Screenshot des Umbenennens einer Spalte mit der Doppelklick-Methode in der SageMaker Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-rename-column.png)
Wenn Sie eine Spalte umbenennen, fügt SageMaker Canvas die Transformation im Abschnitt **Modellrezept** hinzu. Wenn Sie die Transformation aus dem Abschnitt **Modellrezept** entfernen, nimmt die Spalte wieder ihren ursprünglichen Namen an.
## Spalten verwalten
Mit den folgenden Transformationen können Sie den Datentyp von Spalten ändern und fehlende Werte oder Ausreißer für bestimmte Spalten ersetzen. SageMaker Canvas verwendet beim Erstellen Ihres Modells die aktualisierten Datentypen oder Werte, ändert jedoch nicht Ihren ursprünglichen Datensatz. Beachten Sie, dass Sie Werte in dieser Spalte nicht ersetzen können, wenn Sie mithilfe der [Spalten abwerfen](#canvas-prepare-data-drop) Transformation eine Spalte aus Ihrem Datensatz gelöscht haben.
### Fehlende Werte ersetzen
Fehlende Werte treten häufig in Datensätzen des maschinellen Lernens auf und können sich auf die Modellgenauigkeit auswirken. Sie können sich dafür entscheiden, Zeilen mit fehlenden Werten zu löschen, aber Ihr Modell ist genauer, wenn Sie stattdessen die fehlenden Werte ersetzen. Mit dieser Transformation können Sie fehlende Werte in numerischen Spalten durch den Mittelwert oder Median der Daten in einer Spalte ersetzen, oder Sie können auch einen benutzerdefinierten Wert angeben, durch den fehlende Werte ersetzt werden sollen. Bei nicht numerischen Spalten können Sie fehlende Werte durch den Modus (den häufigsten Wert) der Spalte oder einen benutzerdefinierten Wert ersetzen.
Verwenden Sie diese Transformation, wenn Sie die Null- oder Leerwerte in bestimmten Spalten ersetzen möchten. Gehen Sie wie folgt vor, um fehlende Werte in einer bestimmten Spalte zu ersetzen.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Spalten verwalten** aus.
1. Wählen Sie **Fehlende Werte ersetzen**.
1. Wählen Sie die **Spalte** aus, in der Sie fehlende Werte ersetzen möchten.
1. Stellen Sie den **Modus** auf **Manuell** ein, um fehlende Werte durch von Ihnen angegebene Werte zu ersetzen. Mit der Einstellung **Automatisch (Standard)** ersetzt SageMaker Canvas fehlende Werte durch imputierte Werte, die am besten zu Ihren Daten passen. Diese Imputationsmethode wird automatisch für jede Modellerstellung durchgeführt, sofern Sie nicht den Modus **Manuell** angeben.
1. Stellen Sie den Wert **Ersetzen durch** ein:
+ Wenn Ihre Spalte numerisch ist, wählen Sie **Mittelwert**, **Median** oder **Benutzerdefiniert** aus. Durch **Mittelwert** werden fehlende Werte durch den Mittelwert für die Spalte ersetzt, und **Median** ersetzt fehlende Werte durch den Median für die Spalte. Wenn Sie **Benutzerdefiniert** wählen, müssen Sie einen benutzerdefinierten Wert angeben, den Sie verwenden möchten, um fehlende Werte zu ersetzen.
+ Wenn Ihre Spalte nicht numerisch ist, wählen Sie **Modus** oder **Benutzerdefiniert**. **Mode** ersetzt fehlende Werte durch den Modus oder den gebräuchlichsten Wert für die Spalte. Geben Sie für **Benutzerdefiniert** einen benutzerdefinierten Wert an, den Sie verwenden möchten, um fehlende Werte zu ersetzen.
1. Wählen Sie **Hinzufügen**, um die Transformation zum **Modellrezept** hinzuzufügen.
Nach dem Ersetzen der fehlenden Werte im Datensatz fügt SageMaker Canvas die Transformation im Abschnitt **Modellrezept** hinzu. Wenn Sie die Transformation aus dem Abschnitt **Modellrezept** entfernen, kehren die fehlenden Werte in den Datensatz zurück.
![\[Screenshot des Vorgangs zum Ersetzen fehlender Werte in der SageMaker Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-replace-missing.png)
### Ausreißer ersetzen
Ausreißer oder seltene Werte in der Verteilung und im Bereich Ihrer Daten können sich negativ auf die Modellgenauigkeit auswirken und zu längeren Erstellungszeiten führen. SageMaker Mit Canvas können Sie Ausreißer in numerischen Spalten erkennen und die Ausreißer durch Werte ersetzen, die innerhalb eines akzeptierten Bereichs in Ihren Daten liegen. Sie können wählen, ob Sie Ausreißer entweder mit Standardabweichungen oder einem benutzerdefinierten Bereich definieren möchten, und Sie können Ausreißer durch die Minimal- und Maximalwerte im akzeptierten Bereich ersetzen.
Um Ausreißer in Ihren Daten zu ersetzen, führen Sie die folgenden Schritte aus.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option Spalten **verwalten** aus.
1. Wählen Sie **Ausreißerwerte ersetzen**.
1. Wählen Sie die **Spalte**, in der Sie Ausreißer ersetzen möchten.
1. Wählen Sie für **Ausreißer definieren** die Optionen **Standardabweichung**, **Benutzerdefinierter numerischer Bereich** oder **Benutzerdefinierter Quantilbereich** aus.
1. Wenn Sie **Standardabweichung** wählen, geben Sie einen Wert für **Standardabweichungen** (Standardabweichung) zwischen 1–3 an. Wenn Sie **Benutzerdefinierter numerischer Bereich** oder **Benutzerdefinierter Quantilbereich** wählen, geben Sie die **Min** und **Max** Werte an (Zahlen für numerische Bereiche oder Perzentile zwischen 0 und 100% für Quantilbereiche).
1. Wählen Sie für **Ersetzen durch** den **Min-/Max-Bereich** aus.
1. Wählen Sie **Hinzufügen**, um die Transformation zum **Modellrezept** hinzuzufügen.
Mit der Option **Standardabweichung** werden Ausreißer in numerischen Spalten anhand des Mittelwerts und der Standardabweichung erkannt. Sie geben die Anzahl der Standardabweichungen an, bei denen ein Wert vom Mittelwert abweichen muss, um als Ausreißer betrachtet zu werden. Wenn Sie beispielsweise 3 für **Standardabweichungen** angeben, muss ein Wert um mehr als 3 Standardabweichungen vom Mittelwert abweichen, um als Ausreißer betrachtet zu werden. SageMaker Canvas ersetzt Ausreißer durch den Minimal- oder Maximalwert im akzeptierten Bereich. Wenn Sie beispielsweise die Standardabweichungen so konfigurieren, dass sie nur Werte zwischen 200 und 300 enthalten, ändert SageMaker Canvas einen Wert von 198 auf 200 (das Minimum).
Die Optionen **Benutzerdefinierter numerischer Bereich** und **Benutzerdefinierter Quantilbereich** erkennen Ausreißer in numerischen Spalten anhand von Minimal- und Maximalwerten. Verwenden Sie diese Methode, wenn Sie Ihre Schwellenwerte kennen, mit denen Ausreißer abgegrenzt werden. Wenn Sie einen numerischen Bereich wählen, sollten die **Min** - und **Max-Werte** die minimalen und maximalen numerischen Werte sein, die Sie zulassen möchten. SageMaker Canvas ersetzt alle Werte, die außerhalb der Minimal- und Maximalwerte liegen, durch die Minimal- und Maximalwerte. Wenn Ihr Bereich beispielsweise nur Werte zwischen 1 und 100 zulässt, ändert SageMaker Canvas einen Wert von 102 auf 100 (das Maximum). Wenn Sie einen Quantilbereich wählen, sollten die **Min** – und **Max** Werte dem Minimum und Maximum des Perzentilbereichs (0–100) entsprechen, den Sie zulassen möchten.
Nach dem Ersetzen der Werte im Datensatz fügt SageMaker Canvas die Transformation im Abschnitt **Modellrezept** hinzu. Wenn Sie die Transformation aus dem Abschnitt **Modellrezept** entfernen, kehren die ursprünglichen Werte zum Datensatz zurück.
![\[Screenshot des Vorgangs „Ausreißer ersetzen“ in der SageMaker Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-replace-outlier.png)
### Ändern des Datentyps
SageMaker Canvas bietet Ihnen die Möglichkeit, den *Datentyp* Ihrer Spalten zwischen numerisch, text und datetime zu ändern und gleichzeitig den zugehörigen *Feature-Typ für diesen Datentyp* anzuzeigen. Ein *Datentyp* bezieht sich auf das Format der Daten und die Art und Weise, wie sie gespeichert werden, während sich der *Feature-Typ* auf die Eigenschaften der Daten bezieht, die in Algorithmen für Machine Learning verwendet werden, z. B. binär oder kategorisch. Dies gibt Ihnen die Flexibilität, den Datentyp in Ihren Spalten basierend auf den Funktionen manuell zu ändern. Die Möglichkeit, den richtigen Datentyp auszuwählen, gewährleistet Datenintegrität und Genauigkeit, bevor Modelle erstellt werden. Diese Datentypen werden beim Erstellen von Modellen verwendet.
**Anmerkung**
Derzeit wird das Ändern des Feature-Typs (z. B. von binär zu kategorisch) nicht unterstützt.
In der folgenden Tabelle sind alle in Canvas unterstützten Datentypen aufgeführt.
| Datentyp | Description | Beispiel |
| --- | --- | --- |
| Numerischer Wert | Numerische Daten stehen für numerische Werte | 1, 2, 31.1, 1.2. 1.3 |
| Text | Textdaten stellen Zeichenfolgen wie Namen oder Beschreibungen dar | A, B, C, DApfel, Banane, Orange1A\$1 , 2A\$1 , 3A\$1 |
| DateTime | Datetime-Daten stellen Daten und Uhrzeiten im Zeitstempelformat dar | 01.07.2019 01:00:00, 01.07.2019 02:00:00, 01.07.2019 03:00:00 |
Die folgende Tabelle führt alle unterstützten Feature-Typen in Canvas auf.
| Feature-Typ | Description | Beispiel |
| --- | --- | --- |
| Binär | Binäre Merkmale stellen zwei mögliche Werte dar | 0, 1, 0, 1, 0 (2 verschiedene Werte)wahr, falsch, wahr (2 unterschiedliche Werte) |
| Kategorisch | Kategoriale Merkmale stehen für unterschiedliche Kategorien oder Gruppen | Apfel, Banane, Orange, Apfel (3 unterschiedliche Werte)A, B, C, D, E, A, D, C (5 verschiedene Werte) |
Gehen Sie wie folgt vor, um den Datentyp einer Spalte in einem Datensatz zu ändern.
1. Gehen Sie auf der Registerkarte **Erstellen** der SageMaker Canvas-Anwendung zur **Spalten- oder **Rasteransicht**** und wählen Sie das Dropdownmenü **Datentyp** für die jeweilige Spalte aus.
1. Wählen Sie in der Dropdown-Liste **Datentyp** den Datentyp aus, in den konvertiert werden soll. Der folgende Screenshot zeigt das Dropdown-Menü.
![\[Das Dropdown-Menü zur Konvertierung von Datentypen für eine Spalte, das auf der Registerkarte Erstellen angezeigt wird.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-prepare-data-change.png)
1. Wählen Sie unter **Spalte** die Spalte aus, für die Sie den Datentyp ändern möchten, oder überprüfen Sie sie.
1. Wählen Sie unter **Neuer Datentyp** den neuen Datentyp aus, in den Sie konvertieren möchten, oder überprüfen Sie ihn.
1. Wenn der **neue Datentyp** `Datetime` oder `Numeric` lautet, wählen Sie unter **Ungültige Werte behandeln** eine der folgenden Optionen aus:
1. Durch **leeren Wert ersetzen** – Ungültige Werte werden durch einen leeren Wert ersetzt
1. **Zeilen löschen** – Zeilen mit einem ungültigen Wert werden aus dem Datensatz entfernt
1. Durch **benutzerdefinierten Wert ersetzen** – Ungültige Werte werden durch den von Ihnen angegebenen **benutzerdefinierten Wert** ersetzt.
1. Wählen Sie **Hinzufügen**, um die Transformation zum **Modellrezept** hinzuzufügen.
Der Datentyp für Ihre Spalte sollte jetzt aktualisiert sein.
## Bereitstellen von Zeitreihendaten
Verwenden Sie die folgenden Funktionen, um Ihre Zeitreihendaten für die Erstellung von Zeitreihen-Prognosemodellen vorzubereiten.
### Abtastung von Zeitreihendaten
Durch das Resampling von Zeitreihendaten können Sie regelmäßige Intervalle für die Beobachtungen in Ihrem Zeitreihendatensatz festlegen. Dies ist besonders nützlich, wenn Sie mit Zeitreihendaten arbeiten, die Beobachtungen in unregelmäßigen Abständen enthalten. Beispielsweise können Sie Resampling verwenden, um einen Datensatz mit Beobachtungen, die alle eine Stunde, zwei Stunden und drei Stunden aufgezeichnet wurden, in ein reguläres Intervall von einer Stunde zwischen den Beobachtungen umzuwandeln. Prognosealgorithmen erfordern, dass die Beobachtungen in regelmäßigen Abständen gemacht werden.
Gehen Sie wie folgt vor, um Zeitreihendaten erneut abzutasten.
1. Wählen Sie in der SageMaker Canvas-Anwendung auf der Registerkarte **Erstellen** die Option **Time series** aus.
1. Wählen Sie **Resample**.
1. Wählen Sie unter **Timestamp-Spalte** die Spalte aus, auf die Sie die Transformation anwenden möchten. Sie können nur Spalten vom Typ **Datetime** auswählen.
1. Wählen Sie im Bereich **Frequenzeinstellungen** eine **Frequenz** und eine **Rate** aus. **Frequenz** ist die Einheit der Frequenz und **Rate** ist das Intervall der Frequenzeinheit, das auf die Spalte angewendet werden soll. Wenn Sie beispielsweise für **Häufigkeitswert** und `Calendar Day` `1` für **Rate** wählen, wird das Intervall so festgelegt, dass es alle einen Kalendertag verlängert wird, z. B. `2023-03-26 00:00:00`, `2023-03-27 00:00:00`,`2023-03-28 00:00:00`. Eine vollständige Liste der **Häufigkeitswerte** finden Sie in der Tabelle nach diesem Verfahren.
1. Wählen Sie **Hinzufügen**, um die Transformation zum **Modellrezept** hinzuzufügen.
In der folgenden Tabelle sind alle **Frequenztypen** aufgeführt, die Sie beim Resampling von Zeitreihendaten auswählen können.
| Frequency (Frequenz) | Description | Beispielwerte (vorausgesetzt, Rate ist 1) |
| --- | --- | --- |
| Geschäftstag | Geben Sie für die Beobachtungen in der Datetime-Spalte eine Stichprobe von 5 Geschäftstagen der Woche (Montag, Dienstag, Mittwoch, Donnerstag, Freitag) ein | 2023-03-24 00:00:00 2023-03-27 00:00:00 2023-03-28 00:00:00 2023-03-29 00:00:00 2023-03-30 00:00:00 2023-03-31 00:00:00 2023-04-03 00:00:00 |
| Kalendertag | Geben Sie den Beobachtungen in der Datetime-Spalte eine Stichprobe für alle 7 Wochentage (Montag, Dienstag, Mittwoch, Donnerstag, Freitag, Samstag, Sonntag) | 2023-03-26 00:00:00 2023-03-27 00:00:00 2023-03-28 00:00:00 2023-03-29 00:00:00 2023-03-30 00:00:00 2023-03-31 00:00:00 2023-04-01 00:00:00 |
| Woche | Nehmen Sie für die Beobachtungen in der Datetime-Spalte eine Neuberechnung auf den ersten Tag jeder Woche vor | 2023-03-13 00:00:00 2023-03-20 00:00:00 2023-03-27 00:00:00 2023-04-03 00:00:00 |
| Monat | Vervollständigen Sie die Beobachtungen in der Datetime-Spalte mit dem ersten Tag jedes Monats | 2023-03-01 00:00:00 2023-04-01 00:00:00 2023-05-01 00:00:00 2023-06-01 00:00:00 |
| Jährliches Quartal | Geben Sie für die Beobachtungen in der Datetime-Spalte eine Stichprobe auf den letzten Tag jedes Quartals zurück | 2023-03-31 00:00:00 2023-06-30 00:00:00 2023-09-30 00:00:00 2023-12-31 00:00:00 |
| Jahr | Nehmen Sie für die Beobachtungen in der Datetime-Spalte eine Neuberechnung auf den letzten Tag jedes Jahres vor | 31.12.2022 0:00:00 2023-12-31 00:00:00 2024-12-31 00:00:00 |
| Stunde | Fügen Sie Beobachtungen in der Datetime-Spalte für jede Stunde jeden Tages neu. | 2023-03-24 00:00:00 2023-03-24 01:00:00 2023-03-24 02:00:00 2023-03-24 03:00:00 |
| Minute | Geben Sie für die Beobachtungen in der Datetime-Spalte eine Neuberechnung für jede Minute jeder Stunde ein | 2023-03-24 00:00:00 2023-03-24 00:01:00 2023-03-24 00:02:00 2023-03-24 00:03:00 |
| Sekunde | Geben Sie für die Beobachtungen in der Datetime-Spalte eine Neuberechnung auf jede Sekunde jeder Minute ein | 2023-03-24 00:00:00 2023-03-24 00:00:01 2023-03-24 00:00:02 2023-03-24 00:00:03 |
Wenn Sie die Resampling-Transformation anwenden, können Sie mit der Option **Erweitert** angeben, wie die Ergebniswerte der restlichen Spalten (mit Ausnahme der Zeitstempelspalte) in Ihrem Datensatz geändert werden. Dies kann erreicht werden, indem Sie die Resampling-Methode angeben, bei der es sich entweder um ein Downsampling oder ein Upsampling sowohl für numerische als auch für nicht numerische Spalten handeln kann.
Durch das *Downsampling* wird das Intervall zwischen den Beobachtungen im Datensatz verlängert. Wenn Sie beispielsweise Beobachtungen, die entweder jede Stunde oder alle zwei Stunden aufgenommen werden, neu berechnen, wird jede Beobachtung in Ihrem Datensatz alle zwei Stunden aufgenommen. Die Werte anderer Spalten der stündlichen Beobachtungen werden mithilfe einer Kombinationsmethode zu einem einzigen Wert aggregiert. Die folgenden Tabellen zeigen ein Beispiel für die Neuabtastung von Zeitreihendaten unter Verwendung des Mittelwerts als Kombinationsmethode. Die Daten werden alle zwei Stunden auf jede Stunde heruntergerechnet.
Die folgende Tabelle zeigt die stündlichen Temperaturwerte über einen Tag vor dem Downsampling.
| Zeitstempel | Temperatur (Celsius) |
| --- | --- |
| 12:00 pm | 30 |
| 1:00 am | 32 |
| 2:00 am | 35 |
| 3:00 am | 32 |
| 4:00 am | 30 |
Die folgende Tabelle zeigt die Temperaturwerte nach dem Downsampling auf alle zwei Stunden.
| Zeitstempel | Temperatur (Celsius) |
| --- | --- |
| 12:00 pm | 30 |
| 2:00 am | 33,5 |
| 2:00 am | 35 |
| 4:00 am | 32,5 |
Gehen Sie wie folgt vor, um Zeitreihendaten neu berechnen zu lassen:
1. Erweitern Sie den Abschnitt **Erweitert ** unter der Transformation **Resample**.
1. Wählen Sie „**Nichtnumerische Kombination**, um die Kombinationsmethode für nicht numerische Spalten anzugeben aus. In der nachfolgenden Tabelle finden Sie eine vollständige Liste der Kombinationsmethoden.
1. Wählen Sie **Numerische Kombination**, um die Kombinationsmethode für numerische Spalten anzugeben aus. In der nachfolgenden Tabelle finden Sie eine vollständige Liste der Kombinationsmethoden.
Wenn Sie keine Kombinationsmethoden angeben, gelten die Standardwerte `Most Common` für die **nichtnumerische Kombination** und `Mean` für die **numerische Kombination**. In der folgenden Tabelle sind die Methoden für numerische und nichtnumerische Kombinationen aufgeführt.
| Methode der Downsampling-Methode | Kombinationsmethode | Description |
| --- | --- | --- |
| Nichtnumerische Kombination | Am häufigsten | Aggregieren Sie die Werte in der nicht numerischen Spalte nach dem am häufigsten vorkommenden Wert |
| Nichtnumerische Kombination | Letzte | Aggregieren Sie die Werte in der nicht numerischen Spalte nach dem letzten Wert in der Spalte |
| Nichtnumerische Kombination | Erste | Aggregieren Sie die Werte in der nicht numerischen Spalte nach dem ersten Wert in der Spalte |
| Numerische Kombination | Mean | Aggregieren Sie die Werte in der numerischen Spalte, indem Sie den Mittelwert aller Werte in der Spalte bilden |
| Numerische Kombination | Median | Aggregieren Sie die Werte in der numerischen Spalte, indem Sie den Median aller Werte in der Spalte bilden |
| Numerische Kombination | Min | Aggregieren Sie die Werte in der numerischen Spalte, indem Sie das Minimum aller Werte in der Spalte nehmen |
| Numerische Kombination | Max | Aggregieren Sie die Werte in der numerischen Spalte, indem Sie das Maximum aller Werte in der Spalte nehmen |
| Numerische Kombination | Summe | Aggregieren Sie die Werte in der numerischen Spalte, indem Sie alle Werte in der Spalte addieren |
| Numerische Kombination | Quantil | Aggregieren Sie die Werte in der numerischen Spalte, indem Sie das Quantil aller Werte in der Spalte nehmen |
Durch *Upsampling* wird das Intervall zwischen den Beobachtungen im Datensatz reduziert. Wenn Sie beispielsweise Beobachtungen, die alle zwei Stunden aufgenommen werden, in stündliche Beobachtungen umwandeln, werden die Werte der anderen Spalten der stündlichen Beobachtungen anhand der Werte interpoliert, die alle zwei Stunden aufgenommen wurden.
Gehen Sie wie folgt vor, um Zeitreihendaten hochzuladen:
1. Erweitern Sie den Abschnitt **Erweitert** unter der Transformation **Resample**.
1. Wählen Sie **Nichtnumerische Schätzung**, um die Schätzmethode für nicht numerische Spalten anzugeben. Eine vollständige Liste der Methoden finden Sie in der Tabelle nach diesem Verfahren.
1. Wählen Sie **Numerische Schätzung**, um die Schätzmethode für numerische Spalten anzugeben. In der nachfolgenden Tabelle finden Sie eine vollständige Liste der Methoden.
1. (Optional) Wählen Sie **ID-Spalte**, um die Spalte anzugeben, die IDs die Beobachtungen der Zeitreihe enthält. Geben Sie diese Option an, wenn Ihr Datensatz zwei Zeitreihen enthält. Wenn Sie eine Spalte haben, die nur eine Zeitreihe darstellt, geben Sie keinen Wert für dieses Feld an. Sie können beispielsweise einen Datensatz haben, der die Spalten `id` und `purchase` enthält. Die `id` Spalte hat die folgenden Werte: `[1, 2, 2, 1]`. Die `purchase` Spalte hat die folgenden Werte `[$2, $3, $4, $1]`. Daher hat der Datensatz zwei Zeitreihen – eine Zeitreihe ist: `1: [$2, $1]` und die andere Zeitreihe ist `2: [$3, $4]`.
Wenn Sie keine Schätzmethoden angeben, gelten die Standardwerte `Forward Fill` für **nichtnumerische Schätzung** und `Linear` für **numerische Schätzung**. In der folgende Tabelle sind die Schätzmethoden aufgeführt.
| Upsampling-Methode | Methode zur Schätzung | Description |
| --- | --- | --- |
| Nichtnumerische Schätzung | Vorwärts füllen | Interpolieren Sie Werte in der nicht numerischen Spalte, indem Sie nach allen Werten in der Spalte die aufeinanderfolgenden Werte nehmen |
| Nichtnumerische Schätzung | Rückwärts füllen | Interpolieren Sie Werte in der nicht numerischen Spalte, indem Sie die aufeinanderfolgenden Werte vor allen Werten in der Spalte nehmen |
| Nichtnumerische Schätzung | Immer wieder vermisst | Interpolieren Sie Werte in der nicht numerischen Spalte, indem Sie leere Werte anzeigen |
| Numerische Schätzung | Linear, Zeit, Index, Null, S-Linear, Nearest, Quadratisch, Kubisch, Baryzentrisch, Polynomial, Krogh, Stückweises Polynom, Spline, P-Chip, Akima, Kubisches Spline, Aus Ableitungen | Interpolieren Sie Werte in der numerischen Spalte mithilfe des angegebenen Interpolators. [Informationen zu Interpolationsmethoden finden Sie unter Pandas. DataFrame.interpolate](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html) in der Pandas-Dokumentation. |
Der folgende Screenshot zeigt die **erweiterten** Einstellungen mit ausgefüllten Feldern für Downsampling und Upsampling.
![\[Die Canvas-Anwendung mit dem Seitenbereich für das Resampling von Zeitreihen mit den erweiterten Optionen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-prepare-data-resampling.png)
### Verwenden von Datums-/Uhrzeitab
Mit der Datetime-Extraktionstransformation können Sie Werte aus einer Datetime-Spalte in eine separate Spalte extrahieren. Wenn Sie beispielsweise über eine Spalte mit Kaufdaten verfügen, können Sie den Monatswert in eine separate Spalte extrahieren und die neue Spalte beim Erstellen Ihres Modells verwenden. Sie können mit einer einzigen Transformation auch mehrere Werte in separate Spalten extrahieren.
Ihre Datetime-Spalte muss ein unterstütztes Zeitstempelformat verwenden. Eine Liste der Formate, die SageMaker Canvas unterstützt, finden Sie unter. [Zeitreihenprognosen in Amazon SageMaker Canvas](canvas-time-series.md) Wenn Ihr Datensatz keines der unterstützten Formate verwendet, aktualisieren Sie Ihren Datensatz auf ein unterstütztes Zeitstempelformat und importieren Sie ihn erneut in Amazon SageMaker Canvas, bevor Sie Ihr Modell erstellen.
Gehen Sie wie folgt vor, um eine Datums-/Uhrzeit-Extraktion durchzuführen.
1. **Wählen Sie auf der Registerkarte **Erstellen** der SageMaker Canvas-Anwendung in der Transformationsleiste die Option Alle anzeigen aus.**
1. Wählen Sie **Funktionen extrahieren**.
1. Wählen Sie die **Timestamp-Spalte** aus, aus der Sie Werte extrahieren möchten.
1. Wählen Sie unter **Werte** einen oder mehrere Werte aus, die aus der Spalte extrahiert werden sollen. Die Werte, die Sie aus einer Zeitstempelspalte extrahieren können, sind **Jahr**, **Monat**, **Tag**, **Stunde**, **Woche des Jahres**, **Tag des Jahres** und **Quartal**.
1. (Optional) Wählen Sie **Vorschau**, um eine Vorschau der Transformationsergebnisse anzuzeigen.
1. Wählen Sie **Hinzufügen**, um die Transformation zum **Modellrezept** hinzuzufügen.
SageMaker Canvas erstellt für jeden der Werte, die Sie extrahieren, eine neue Spalte im Datensatz. Mit Ausnahme der **Jahreswerte** verwendet SageMaker Canvas eine auf 0 basierende Kodierung für die extrahierten Werte. Wenn Sie beispielsweise den **Monatswert** extrahieren, wird Januar als 0 und Februar als 1 extrahiert.
![\[Screenshot des Datetime-Extraktionsfeldes in der SageMaker Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-datetime-extract.png)
Die Transformation ist im Abschnitt **Modellrezept** aufgeführt. Wenn Sie die Transformation aus dem Abschnitt **Modellrezept** entfernen, werden die neuen Spalten aus dem Datensatz entfernt.
# Bewertung des Modells
Nachdem Sie Ihr Modell erstellt haben, können Sie bewerten, wie gut Ihr Modell bei Ihren Daten abgeschnitten hat, bevor Sie es für Vorhersagen verwenden. Sie können Informationen wie die Genauigkeit des Modells bei der Vorhersage von Labels und erweiterten Metriken verwenden, um festzustellen, ob Ihr Modell ausreichend genaue Vorhersagen für Ihre Daten treffen kann.
Im Abschnitt [Bewerten Sie die Leistung Ihres Modells](canvas-scoring.md)wird beschrieben, wie Sie die Informationen auf der Seite **Analysieren** Ihres Modells anzeigen und interpretieren können. Der Abschnitt [Verwenden Sie erweiterte Metriken in Ihren Analysen](canvas-advanced-metrics.md) enthält detailliertere Informationen zu den **erweiterten Metriken**, mit denen die Genauigkeit Ihres Modells quantifiziert wird.
Sie können sich auch detailliertere Informationen zu bestimmten *Modellkandidaten* anzeigen lassen. Dabei handelt es sich um alle Modelliterationen, die Canvas bei der Erstellung Ihres Modells durchläuft. Basierend auf den erweiterten Metriken für einen bestimmten Modellkandidaten können Sie einen anderen Kandidaten als Standardkandidaten oder die Version auswählen, die für Prognosen und die Bereitstellung verwendet wird. Für jeden Modellkandidaten können Sie sich die Informationen zu den **erweiterten Metriken** ansehen, um zu entscheiden, welchen Modellkandidaten Sie als Standard auswählen möchten. Sie können diese Informationen einsehen, indem Sie den Modellkandidaten aus der **Modell-Bestenliste** auswählen. Weitere Informationen finden Sie unter [Anzeigen von Modellkandidaten in der Modell-Bestenliste](canvas-evaluate-model-candidates.md).
Canvas bietet auch die Möglichkeit, ein Jupyter Notebook herunterzuladen, damit Sie den Code, der zum Erstellen Ihres Modells verwendet wurde, anzeigen und ausführen können. Dies ist nützlich, wenn Sie Anpassungen am Code vornehmen oder mehr darüber erfahren möchten, wie Ihr Modell erstellt wurde. Weitere Informationen finden Sie unter [Herunterladen eines Modell-Notebooks](canvas-notebook.md).
# Bewerten Sie die Leistung Ihres Modells
Amazon SageMaker Canvas bietet Übersichts- und Bewertungsinformationen für die verschiedenen Modelltypen. Anhand der Punktzahl Ihres Modells können Sie feststellen, wie genau Ihr Modell ist, wenn es Vorhersagen trifft. Die zusätzlichen Erkenntnisse zur Bewertung können Ihnen helfen, die Unterschiede zwischen den tatsächlichen und den vorhergesagten Werten zu quantifizieren.
Um die Analyse Ihres Modells anzusehen, führen Sie die folgenden Schritte aus:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie das Modell aus, das Sie gebaut haben.
1. Wählen Sie im Navigationsbereich die Registerkarte **Analyzieren** aus.
1. Auf der Registerkarte **Analysieren** können Sie die Übersicht und die Bewertungsinformationen für Ihr Modell einsehen.
In den folgenden Abschnitten wird die Interpretation der Bewertung für jeden Modelltyp beschrieben.
## Bewerten Sie kategoriale Vorhersagemodelle
Auf der Registerkarte **Übersicht** werden die Auswirkungen der einzelnen Spalten angezeigt. Die **Auswirkung auf Spalten** ist ein Prozentwert, der angibt, wie wichtig eine Spalte im Vergleich zu den anderen Spalten für Prognosen ist. Bei einer Spaltenauswirkung von 25% gewichtet Canvas die Prognose mit 25% für die Spalte und 75% für die anderen Spalten.
Der folgende Screenshot zeigt den **Genauigkeitswert** für das Modell zusammen mit der **Optimierungsmetrik**. Dabei handelt es sich um die Metrik, die Sie beim Erstellen des Modells für die Optimierung ausgewählt haben. In diesem Fall ist die **Optimierungsmetrik** **Accuracy**. Sie können eine andere Optimierungsmetrik angeben, wenn Sie eine neue Version Ihres Modells erstellen.
![\[Screenshot des Genauigkeitswerts und der Optimierungsmetrik auf der Registerkarte Analysieren in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-category.png)
Auf der Registerkarte **Bewertung** für ein kategoriales Prognosemodell können Sie alle Vorhersagen visualisieren. Liniensegmente erstrecken sich von links auf der Seite und geben alle Vorhersagen an, die das Modell getroffen hat. In der Mitte der Seite laufen die Liniensegmente zu einem senkrechten Segment zusammen, um das Verhältnis der einzelnen Vorhersagen zu einer einzelnen Kategorie anzugeben. Von der vorhergesagten Kategorie verzweigen sich die Segmente zur tatsächlichen Kategorie. Sie können sich ein Bild davon machen, wie genau die Vorhersagen waren, indem Sie jedem Liniensegment von der vorhergesagten Kategorie bis zur tatsächlichen Kategorie folgen.
Die folgende Abbildung zeigt ein Beispiel für einen Abschnitt **Bewertung** für ein **Vorhersagemodell mit mehr als 3 Kategorien**.
![\[Screenshot der Registerkarte Bewertung für ein Vorhersagemodell für Kategorien mit mehr als 3 Kategorien.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-multiclass-classification.png)
Auf der Registerkarte **Erweiterte Metriken** finden Sie auch detailliertere Informationen zur Leistung Ihres Modells, z. B. erweiterte Metriken, Fehlerdichtediagramme oder Konfusionsmatrizen. Weitere Informationen zur Registerkarte **Erweiterte Metriken** finden Sie unter [Verwenden Sie erweiterte Metriken in Ihren Analysen](canvas-advanced-metrics.md).
## Evaluieren Sie numerische Vorhersagemodelle
Auf der Registerkarte **Übersicht** werden die Auswirkungen der einzelnen Spalten angezeigt. Die **Auswirkung auf Spalten** ist ein Prozentwert, der angibt, wie wichtig eine Spalte im Vergleich zu den anderen Spalten für Prognosen ist. Bei einer Spaltenauswirkung von 25% gewichtet Canvas die Prognose mit 25% für die Spalte und 75% für die anderen Spalten.
Der folgende Screenshot zeigt die**RMSE** Punktzahl für das Modell auf der Registerkarte **Übersicht**. In diesem Fall handelt es sich um die **Optimierungsmetrik**. Die **Optimierungsmetrik** ist die Metrik, die Sie beim Erstellen des Modells optimieren möchten. Sie können eine andere Optimierungsmetrik angeben, wenn Sie eine neue Version Ihres Modells erstellen.
![\[Screenshot der RMSE-Optimierungsmetrik auf der Registerkarte Analysieren in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-numeric.png)
Auf der Registerkarte **Bewertung** für numerische Vorhersagen wird eine Linie angezeigt, die den prognostizierten Wert des Modells im Verhältnis zu den Daten angibt, die für die Vorhersagen verwendet wurden. Die Werte der numerischen Vorhersage entsprechen häufig \$1/- dem RMSE-Wert (Root Mean Squared Error). Der vom Modell vorhergesagte Wert liegt häufig im Bereich des RMSE. Die Breite des violetten Bandes um die Linie gibt den RMSE-Bereich an. Die vorhergesagten Werte liegen häufig innerhalb des Bereichs.
Die folgende Abbildung zeigt den Abschnitt **Bewertung** für numerische Vorhersagen.
![\[Screenshot der Registerkarte Bewertung für ein numerisches Prognosemodell.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-analyze-regression-scoring.png)
Auf der Registerkarte **Erweiterte Metriken** finden Sie auch detailliertere Informationen zur Leistung Ihres Modells, z. B. erweiterte Metriken, Fehlerdichtediagramme oder Konfusionsmatrizen. Weitere Informationen zur Registerkarte **Erweiterte Metriken** finden Sie unter [Verwenden Sie erweiterte Metriken in Ihren Analysen](canvas-advanced-metrics.md).
## Evaluieren Sie Zeitreihen-Prognosemodelle
Auf der Seite **Analysieren** für Zeitreihen-Prognosemodelle finden Sie einen Überblick über die Metriken des Modells. Bewegen Sie den Mauszeiger über die einzelnen Kennzahlen, um weitere Informationen anzuzeigen, oder sehen Sie sich [Verwenden Sie erweiterte Metriken in Ihren Analysen](canvas-advanced-metrics.md) für detaillierte Informationen zu den einzelnen Kennzahlen an.
Im Abschnitt **Auswirkung auf die Spalten** können Sie den Punktestand für jede Spalte einsehen. Die **Auswirkung auf Spalten** ist ein Prozentwert, der angibt, wie wichtig eine Spalte im Vergleich zu den anderen Spalten für Prognosen ist. Bei einer Spaltenauswirkung von 25% gewichtet Canvas die Prognose mit 25% für die Spalte und 75% für die anderen Spalten.
Der folgende Screenshot zeigt die Ergebnisse der Zeitreihenmetriken für das Modell zusammen mit der **Optimierungsmetrik**. Dabei handelt es sich um die Metrik, die Sie beim Erstellen des Modells für die Optimierung ausgewählt haben. In diesem Fall ist die **Optimierungsmetrik** **RMSE**. Sie können eine andere Optimierungsmetrik angeben, wenn Sie eine neue Version Ihres Modells erstellen. Diese Metrikwerte stammen aus Ihren Backtest-Ergebnissen, die auf der Registerkarte **Artefakte** zum Download zur Verfügung stehen.
![\[Screenshot der RMSE-Optimierungsmetrik auf der Registerkarte Analysieren in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-time-series.png)
Die Registerkarte **Artefakte** bietet Zugriff auf mehrere wichtige Ressourcen, mit denen Sie sich eingehender mit der Leistung Ihres Modells befassen und weiter daran arbeiten können:
+ **Gemischte Trainings- und Validierungsaufteilungen**: Dieser Abschnitt enthält Links zu den Artefakten, die bei der Aufteilung Ihres Datensatzes in Trainings- und Validierungssätze generiert wurden, sodass Sie die Datenverteilung und mögliche Verzerrungen überprüfen können.
+ **Backtest-Ergebnisse**: Dieser Abschnitt enthält einen Link zu den prognostizierten Werten für Ihren Validierungsdatensatz, der zur Generierung von Genauigkeitsmetriken und Bewertungsdaten für Ihr Modell verwendet wird.
+ **Genauigkeitsmetriken**: In diesem Abschnitt werden die erweiterten Metriken aufgeführt, mit denen die Leistung Ihres Modells bewertet wird, z. B. Root Mean Squared Error (RMSE). Weitere Informationen zu den jeweiligen Metriken finden Sie unter [Metriken für Zeitreihenprognosen](canvas-metrics.md#canvas-time-series-forecast-metrics).
+ **Bericht zur Erklärbarkeit**: Dieser Abschnitt enthält einen Link zum Herunterladen des Berichts zur Erklärbarkeit, der Einblicke in den Entscheidungsprozess des Modells und die relative Bedeutung der Eingabespalten bietet. Dieser Bericht kann Ihnen dabei helfen, Verbesserungspotenziale zu identifizieren.
Auf der Seite **Analysieren** können Sie auch auf die Schaltfläche **Herunterladen** klicken, um die Backtest-Ergebnisse, Genauigkeitsmetriken und Artefakte der Berichte zur Erklärbarkeit direkt auf Ihren lokalen Computer herunterzuladen.
## Evaluieren Sie Bildvorhersagemodelle
Auf der Registerkarte **Übersicht** wird die **Leistung pro Etikett** angezeigt, sodass Sie einen Gesamtgenauigkeitswert für die für jedes Etikett vorhergesagten Bilder erhalten. Sie können ein Etikett auswählen, um genauere Details zu sehen, z. B. die Bilder **Korrekt vorhergesagt** und **Falsch vorhergesagt** für das Etikett.
Sie können den **Heatmap-Schalter** einschalten, um für jedes Bild eine Heatmap zu sehen. Die Heatmap zeigt Ihnen die Interessenbereiche, die den größten Einfluss haben, wenn Ihr Modell Vorhersagen trifft. Weitere Informationen zu Heatmaps und deren Verwendung zur Verbesserung Ihres Modells erhalten Sie, wenn Sie neben dem **Heatmap-Schalter** auf das Symbol **Weitere Informationen** klicken.
Auf der Registerkarte **Bewertung** für Modelle zur Vorhersage von Bildern mit nur einem Label können Sie vergleichen, was das Modell als Bezeichnung vorhergesagt hat, und was das tatsächliche Etikett war. Sie können bis zu 10 Etiketten auf einmal auswählen. Sie können die Beschriftungen in der Visualisierung ändern, indem Sie das Dropdown-Menü Beschriftungen auswählen und Beschriftungen auswählen oder deren Auswahl aufheben.
Sie können auch Erkenntnisse für einzelne Beschriftungen oder Gruppen von Beschriftungen anzeigen, z. B. für die drei Beschriftungen mit der höchsten oder niedrigsten Genauigkeit, indem Sie im Abschnitt Einblicke zur **Modellgenauigkeit** das Dropdown-Menü **Ergebnisse anzeigen für** auswählen.
Der folgende Screenshot zeigt die **Bewertungsinformationen** für ein Bildvorhersagemodell mit einem einzigen Etikett.
![\[Tatsächliche und vorhergesagte Labels auf der Bewertungsseite für ein Textvorhersagemodell mit mehreren Kategorien.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/analyze-image-scoring.png)
## Evaluieren Sie Modelle zur Textvorhersage
Auf der Registerkarte **Übersicht** wird die **Leistung pro Etikett** angezeigt, sodass Sie einen Gesamtwert für die Genauigkeit der für jedes Etikett vorhergesagten Textpassagen erhalten. Sie können ein Etikett auswählen, um genauere Details zu sehen, z. B. die Textpassagen **Korrekt vorhergesagt** und **Falsch vorhergesagt** für das Etikett.
Die Registerkarte **Bewertung** für Textvorhersagemodelle mit mehreren Kategorien zeigt Ihnen einen Vergleich zwischen dem, was das Modell als Bezeichnung vorhergesagt hat, und dem, was das tatsächliche Etikett war.
Im Abschnitt **Einblicke in die Modellgenauigkeit** finden Sie die **Kategorie „Am häufigsten**“. Sie gibt an, welche Kategorie das Modell am häufigsten vorhergesagt hat, und wie genau diese Vorhersagen waren. Wenn Ihr Modell in 99% der Fälle **positiv** vorhersagt, können Sie sich ziemlich sicher sein, dass Ihr Modell positive Stimmungen im Text gut vorhersagen kann.
Der folgende Screenshot zeigt die **Bewertungsinformationen** für ein Textvorhersagemodell mit mehreren Kategorien.
![\[Tatsächliche und vorhergesagte Labels auf der Bewertungsseite für ein Bildvorhersagemodell mit nur einer Bezeichnung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/analyze-text-scoring.png)
# Verwenden Sie erweiterte Metriken in Ihren Analysen
Im folgenden Abschnitt wird beschrieben, wie Sie die erweiterten Metriken für Ihr Modell in Amazon SageMaker Canvas finden und interpretieren.
**Anmerkung**
Erweiterte Metriken sind derzeit nur für numerische und kategoriale Vorhersagemodelle verfügbar.
Gehen Sie wie folgt vor, um die Registerkarte **Erweiterte Metriken** zu finden:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie das Modell aus, das Sie gebaut haben.
1. Wählen Sie im Navigationsbereich die Registerkarte **Analyzieren** aus.
1. Wählen Sie auf der Registerkarte **Analysieren** die Registerkarte **Erweiterte Metriken** aus.
Auf der Registerkarte **Erweiterte Metriken** finden Sie die Registerkarte **Leistung**. Die Seite sieht wie im folgenden Screenshot aus.
![\[Screenshot der Registerkarte „Erweiterte Metriken“ für ein kategoriales Prognosemodell.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-analyze-performance.png)
Oben sehen Sie eine Übersicht über die Ergebnisse der Metriken, einschließlich der **Optimierungsmetrik**. Dabei handelt es sich um die Metrik, die Sie bei der Erstellung des Modells zur Optimierung ausgewählt haben (oder die von Canvas standardmäßig ausgewählt wurde).
In den folgenden Abschnitten werden detailliertere Informationen zur Registerkarte **Leistung** in den **erweiterten Metriken** beschrieben.
## Leistung
Auf der Registerkarte **Leistung** sehen Sie eine **Tabelle mit Metriken** sowie Visualisierungen, die Canvas auf der Grundlage Ihres Modelltyps erstellt. Für kategoriale Vorhersagemodelle bietet Canvas eine *Wahrheitsmatrix*, während Canvas für numerische Vorhersagemodelle *Residuen* und *Fehlerdichte*-Diagramme bereitstellt.
In der **Tabelle mit den Metriken** finden Sie eine vollständige Liste der Ergebnisse Ihres Modells für jede erweiterte Metrik, die umfassender ist als die Ergebnisübersicht oben auf der Seite. Die hier angezeigten Metriken hängen von Ihrem Modelltyp ab. Eine Referenz, die Ihnen hilft, die einzelnen Metriken zu verstehen und zu interpretieren, finden Sie unter [Referenz zu den Metriken](canvas-metrics.md).
Informationen zu den Visualisierungen, die je nach Modelltyp angezeigt werden können, finden Sie in den folgenden Optionen:
+ **Wahrheitsmatrix** – Canvas verwendet Konfusionsmatrizen, um Ihnen zu helfen, zu visualisieren, wann ein Modell korrekte Vorhersagen trifft. In einer Konfusionsmatrix sind Ihre Ergebnisse so angeordnet, dass die vorhergesagten Werte mit den tatsächlichen Werten verglichen werden. Im folgenden Beispiel wird erklärt, wie eine Konfusionsmatrix für ein Vorhersagemodell mit zwei Kategorien funktioniert, das positive und negative Kennzeichnungen vorhersagt:
+ Richtig positiv – Das Modell hat korrekt positiv vorhergesagt, als das wahre Etikett positiv war.
+ Richtig negativ – Das Modell hat korrekt negativ vorhergesagt, obwohl das wahre Etikett negativ war.
+ Falsch positiv – Das Modell hat fälschlicherweise positiv vorhergesagt, obwohl das wahre Etikett negativ war.
+ Falsch negativ – Das Modell hat fälschlicherweise negativ vorhergesagt, obwohl das wahre Etikett positiv war.
+ **Präzisions-Recall-Kurve**: Die Präzisions-Recall-Kurve ist eine Visualisierung des Präzisionswerts des Modells, der gegen den Recall-Score des Modells aufgetragen wird. Im Allgemeinen würde ein Modell, das perfekte Vorhersagen treffen kann, sowohl eine Präzisions- als auch eine Recall-Bewertung von 1 aufweisen. Die Präzisions-Recall-Kurve für ein recht genaues Modell ist sowohl hinsichtlich der Präzision als auch des Recalls relativ hoch.
+ **Residuen**: Residuen sind die Differenz zwischen den tatsächlichen Werten und den vom Modell vorhergesagten Werten. Ein Residuen-Diagramm stellt die Residuen gegenüber den entsprechenden Werten dar, um ihre Verteilung und etwaige Muster oder Ausreißer zu visualisieren. Eine normale Verteilung der Residuen um Null herum zeigt, dass das Modell gut zu den Daten passt. Wenn die Residuen jedoch stark verzerrt sind oder Ausreißer aufweisen, kann dies darauf hindeuten, dass das Modell die Daten überanpasst oder dass andere Probleme vorliegen, die behoben werden müssen.
+ **Fehlerdichte**: Ein Fehlerdichte-Diagramm ist eine Darstellung der Verteilung der Fehler, die ein Modell macht. Es zeigt die Wahrscheinlichkeitsdichte der Fehler an jedem Punkt und hilft Ihnen dabei, Bereiche zu identifizieren, in denen das Modell möglicherweise überangepasst ist oder systematische Fehler macht.
# Anzeigen von Modellkandidaten in der Modell-Bestenliste
Wenn Sie einen [Standard-Build](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) für tabellarische Prognosemodelle und Zeitreihenprognosemodelle in Amazon SageMaker Canvas ausführen, trainiert SageMaker KI mehrere *Modellkandidaten* (verschiedene Iterationen des Modells) und wählt standardmäßig den mit dem höchsten Wert für die Optimierungsmetrik aus. Für tabellarische Modelle erstellt Canvas bis zu 250 verschiedene Modellkandidaten mithilfe verschiedener Algorithmen und Hyperparametereinstellungen. Für Zeitreihen-Prognosemodelle erstellt Canvas sieben verschiedene Modelle – eines für jeden der [unterstützten Prognosealgorithmen](canvas-advanced-settings.md#canvas-advanced-settings-time-series) und ein Ensemble-Modell, das die Vorhersagen der anderen Modelle mittelt, um die Genauigkeit zu optimieren.
Der Standardmodellkandidat ist die einzige Version, die Sie in Canvas für Aktionen wie Vorhersagen, Registrierung in der Model Registry oder Bereitstellung an einem Endpunkt verwenden können. Sie sollten jedoch alle Modellkandidaten überprüfen und einen anderen Kandidaten als Standardmodell auswählen. Sie können alle Modellkandidaten und weitere Details zu jedem Kandidaten auf der **Model-Bestenliste** in Canvas einsehen.
Um die **Modell-Bestenliste** einzusehen, führen Sie die folgenden Schritte aus:
1. Öffnen Sie die Canvas-Anwendung SageMaker .
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie das Modell aus, das Sie gebaut haben.
1. Wählen Sie im Navigationsbereich die Registerkarte **Analyzieren** aus.
1. Wählen Sie auf der Registerkarte **Analysieren** die Option **Modell-Bestenliste** aus.
Die Seite mit der **Modell-Bestenliste** wird geöffnet, die für tabellarische Modelle wie im folgenden Screenshot aussieht.
![\[Die Modell-Bestenliste, in der alle Modellkandidaten aufgeführt sind, die Canvas trainiert hat.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-model-leaderboard.png)
Bei den Zeitreihen-Prognosemodellen werden 7 Modelle angezeigt, darunter jeweils eines für jeden von Canvas unterstützten Zeitreihen-Prognosealgorithmus und ein Ensemble-Modell. Weitere Informationen die Algorithmen finden Sie unter [Erweiterte Einstellungen für Zeitreihen-Prognosemodelle](canvas-advanced-settings.md#canvas-advanced-settings-time-series).
Im vorherigen Screenshot können Sie sehen, dass der erste aufgeführte Modellkandidat als **Standardmodell** markiert ist. Dies ist der Modellkandidat, mit dem Sie Vorhersagen treffen oder die Bereitstellung auf Endpunkten durchführen können.
Um detailliertere Metrikinformationen zu den Modellkandidaten anzuzeigen und diese zu vergleichen, können Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen und **Modelldetails anzeigen** auswählen.
**Wichtig**
Das Laden der Modelldetails für Modellkandidaten, die nicht dem Standard entsprechen, kann einige Minuten dauern (in der Regel weniger als 10 Minuten), und es fallen Gebühren für SageMaker AI Hosting an. Weitere Informationen finden Sie unter [SageMaker KI-Preise](https://aws.amazon.com/sagemaker/pricing/).
Der Modellkandidat wird auf der Registerkarte **Analysieren** geöffnet und die angezeigten Metriken sind spezifisch für diesen Modellkandidaten. Wenn Sie mit der Überprüfung der Metriken des Modellkandidaten fertig sind, können Sie zurückgehen oder die Ansicht verlassen, um zur **Modell-Bestenliste** zurückzukehren.
Wenn Sie das **Standardmodell** auf einen anderen Kandidaten festlegen möchten, klicken Sie auf das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) und wählen Sie **Zum Standardmodell wechseln** aus. Das Ändern des Standardmodells für ein im HPO-Modus trainiertes Modell kann mehrere Minuten dauern.
**Anmerkung**
Wenn Ihr Modell bereits in der Produktion eingesetzt, in [der Model Registry registriert](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-register-model.html) ist oder mit [Automatisierungen](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-manage-automations.html) ausgestattet ist, müssen Sie Ihre Bereitstellung, Model Registry oder Automatisierungen löschen, bevor Sie das Standardmodell ändern können.
# Referenz zu den Metriken
In den folgenden Abschnitten werden die Metriken beschrieben, die in Amazon SageMaker Canvas für jeden Modelltyp verfügbar sind.
## Metriken für numerische Vorhersagen
Die folgende Liste definiert die Metriken für numerische Vorhersagen in SageMaker Canvas und gibt Ihnen Informationen darüber, wie Sie sie verwenden können.
+ InferenceLatency — Die ungefähre Zeitspanne zwischen der Anforderung einer Modellvorhersage und deren Empfang von einem Echtzeit-Endpunkt, auf dem das Modell bereitgestellt wird. Diese Metrik wird in Sekunden gemessen und ist nur für Modelle verfügbar, die im **Ensembling**-Modus erstellt wurden.
+ MAE – Mittlerer absoluter Fehler. Im Durchschnitt entspricht die Vorhersage für die Zielspalte \$1/- \$1MAE\$1 dem tatsächlichen Wert.
Misst, wie stark die prognostizierten und tatsächlichen Werte voneinander abweichen, wenn sie über alle Werte gemittelt werden. MAE wird häufig in der numerischen Vorhersage verwendet, um Fehler bei der Modellprognose zu verstehen. Wenn die Vorhersagen linear sind, stellt MAE den durchschnittlichen Abstand zwischen einer vorhergesagten Linie und dem tatsächlichen Wert dar. MAE ist definiert als die Summe der absoluten Fehler geteilt durch die Anzahl der Beobachtungen. Die Werte reichen von 0 bis unendlich. Dabei weisen kleinere Zahlen auf eine bessere Anpassung des Modells an die Daten hin.
+ MAPE – Mittlerer absoluter Fehler in Prozent. Im Durchschnitt liegt die Vorhersage für die Zielspalte \$1/- \$1MAPE\$1% vom tatsächlichen Wert ab.
MAPE ist der Mittelwert der absoluten Differenzen zwischen den tatsächlichen Werten und den vorhergesagten oder geschätzten Werten, geteilt durch die tatsächlichen Werte und ausgedrückt als Prozentsatz. Ein niedrigerer MAPE-Wert weist auf eine bessere Leistung hin, da dies bedeutet, dass die vorhergesagten oder geschätzten Werte näher an den tatsächlichen Werten liegen.
+ MSE – Mittlerer quadratischer Fehler oder der Durchschnitt der quadrierten Differenzen zwischen den vorhergesagten und den tatsächlichen Werten.
MSE-Werte sind immer positiv. Je besser ein Modell die tatsächlichen Werte vorhersagen kann, desto kleiner ist der MSE-Wert.
+ R2 – Der Prozentsatz der Differenz in der Zielspalte, der durch die Eingabespalte erklärt werden kann.
Quantifiziert, inwieweit ein Modell die Varianz einer abhängigen Variablen erklären kann. Die Werte reichen von Eins (1) bis negativ Eins (-1). Höhere Zahlen weisen auf einen höheren Anteil der Erklärbarkeit hin. Werte nahe Null (0) deuten darauf hin, dass nur ein sehr geringer Teil der abhängigen Variablen durch das Modell erklärt werden kann. Negative Werte deuten auf eine schlechte Anpassung hin und darauf, dass das Modell durch eine konstante Funktion (oder eine horizontale Linie) übertroffen wird.
+ RMSE – Root Mean Squared Error (quadratischer Mittelwertfehler) oder die Standardabweichung der Fehler.
Misst die Quadratwurzel der quadrierten Differenz zwischen vorausgesagten und tatsächlichen Werten und wird über alle Werte gemittelt. Es wird verwendet, um Modellvorhersagefehler zu verstehen, und ist ein wichtiger Maßstab, um das Vorhandensein großer Modellfehler und Ausreißer anzuzeigen. Die Werte reichen von Null (0) bis unendlich. Dabei weisen kleinere Zahlen auf eine bessere Anpassung des Modells an die Daten hin. Der RMSE ist skalierungsabhängig und sollte nicht zum Vergleich von Datensätzen unterschiedlicher Art verwendet werden.
## Metriken für kategoriale Vorhersage
In diesem Abschnitt werden die Metriken für die kategoriale Vorhersage in SageMaker Canvas definiert und Sie erhalten Informationen darüber, wie Sie sie verwenden können.
Nachfolgend finden Sie eine Liste der verfügbaren Metriken für die 2-Kategorien-Vorhersage:
+ Genauigkeit – Der Prozentsatz der richtigen Vorhersagen.
Oder das Verhältnis der Anzahl korrekt vorhergesagter Elemente zur Gesamtzahl der Vorhersagen. Die Genauigkeit gibt an, wie nahe die vorhergesagten Klassenwerte an den tatsächlichen Werten liegen. Die Werte für Genauigkeitsmetriken variieren zwischen Null (0) und Eins (1). Der Wert 1 steht für perfekte Genauigkeit, während 0 für völlige Ungenauigkeit steht.
+ AUC – Ein Wert zwischen 0 und 1, der angibt, wie gut Ihr Modell die Kategorien in Ihrem Datensatz trennen kann. Ein Wert von 1 gibt an, dass die Kategorien perfekt getrennt werden konnten.
+ BalancedAccuracy — Misst das Verhältnis von genauen Vorhersagen zu allen Vorhersagen.
Dieses Verhältnis wird berechnet, nachdem wirklich positive (TP) und True negative Werte (TN) durch die Gesamtzahl der positiven (P) und negativen (N) Werte normalisiert wurden. Er ist wie folgt definiert: `0.5*((TP/P)+(TN/N))`, mit Werten im Bereich von 0 bis 1. Die Metrik „BalancedAccuracy“ liefert ein besseres Maß für die Genauigkeit, wenn die Anzahl der positiven oder negativen Ergebnisse in einem unausgewogenen Datensatz stark voneinander abweicht, beispielsweise wenn nur 1 % der E-Mails Spam sind.
+ F1 – Ein ausgewogenes Maß für Genauigkeit, das das Klassengleichgewicht berücksichtigt.
Es handelt sich um den harmonischen Mittelwert der Präzisions- und Recall-Werte, der wie folgt definiert ist: `F1 = 2 * (precision * recall) / (precision + recall)`. Die F1-Werte variieren zwischen 0 und 1. Ein Wert von 1 steht für die bestmögliche Leistung und 0 für die schlechteste.
+ InferenceLatency — Die ungefähre Zeitspanne zwischen der Anforderung einer Modellvorhersage und deren Empfang von einem Echtzeit-Endpunkt, auf dem das Modell bereitgestellt wird. Diese Metrik wird in Sekunden gemessen und ist nur für Modelle verfügbar, die im **Ensembling**-Modus erstellt wurden.
+ LogLoss — Der Logverlust, auch bekannt als Kreuzentropieverlust, ist eine Metrik, die verwendet wird, um die Qualität der Wahrscheinlichkeitsausgaben und nicht die Ergebnisse selbst zu bewerten. Der Protokollverlust ist eine wichtige Kennzahl, die angibt, wann ein Modell mit hoher Wahrscheinlichkeit falsche Voraussagen trifft. Werte liegen zwischen 0 und unendlich. Ein Wert von 0 steht für ein Modell, das die Daten perfekt vorhersagt.
+ Genauigkeit – Von allen Vorhersagen für \$1category x\$1 war die Vorhersage in \$1precision\$1 % der Fälle korrekt.
Mit der Präzision wird gemessen, wie gut ein Algorithmus unter allen von ihm identifizierten positiven Ergebnissen die wirklich positiven Ergebnisse (TP) voraussagt. Er ist wie folgt definiert: `Precision = TP/(TP+FP)`, mit Werten im Bereich von Null (0) bis Eins (1). Präzision ist eine wichtige Kennzahl, wenn die Kosten eines falsch positiven Ergebnisses hoch sind. Die Kosten eines falsch positiven Ergebnisses sind beispielsweise sehr hoch, wenn ein Flugzeugsicherheitssystem fälschlicherweise als flugsicher eingestuft wird. Ein falsch positives Ergebnis (FP) spiegelt eine positive Voraussage wider, die in den Daten tatsächlich negativ ist.
+ Erinnerung – Das Modell hat korrekt vorausgesagt, dass \$1recall\$1% \$1category x\$1 sein würde, obwohl \$1target\$1column\$1 tatsächlich \$1category x\$1 war.
Der Erinnerungswert misst, wie gut ein Algorithmus alle wirklich positiven Ergebnisse (TP) in einem Datensatz korrekt voraussagt. Ein wirklich positives Ergebnis ist eine positive Voraussage, die auch einen tatsächlich positiver Wert in den Daten darstellt. Der Erinnerungswert ist wie folgt definiert: `Recall = TP/(TP+FN)`, mit Werten im Bereich von 0 bis 1. Höhere Werte spiegeln die bessere Fähigkeit des Modells wider, wirklich positive Ergebnisse (TP) in den Daten vorauszusagen. Oft reicht es nicht aus, nur den Erinnerungswert zu messen, da die Voraussage jeder Ausgabe als wirklich positiv zu einem perfekten Erinnerungswert führt.
Im Folgenden finden Sie eine Liste der verfügbaren Metriken für Vorhersagen in mehr als 3 Kategorien.
+ Genauigkeit – Der Prozentsatz der richtigen Vorhersagen.
Oder das Verhältnis der Anzahl korrekt vorhergesagter Elemente zur Gesamtzahl der Vorhersagen. Die Genauigkeit gibt an, wie nahe die vorhergesagten Klassenwerte an den tatsächlichen Werten liegen. Die Werte für Genauigkeitsmetriken variieren zwischen Null (0) und Eins (1). Der Wert 1 steht für perfekte Genauigkeit, während 0 für völlige Ungenauigkeit steht.
+ BalancedAccuracy — Misst das Verhältnis von genauen Prognosen zu allen Vorhersagen.
Dieses Verhältnis wird berechnet, nachdem wirklich positive (TP) und True negative Werte (TN) durch die Gesamtzahl der positiven (P) und negativen (N) Werte normalisiert wurden. Er ist wie folgt definiert: `0.5*((TP/P)+(TN/N))`, mit Werten im Bereich von 0 bis 1. Die Metrik „BalancedAccuracy“ liefert ein besseres Maß für die Genauigkeit, wenn die Anzahl der positiven oder negativen Ergebnisse in einem unausgewogenen Datensatz stark voneinander abweicht, beispielsweise wenn nur 1 % der E-Mails Spam sind.
+ F1-Makro – Der F1makro-Wert wendet die F1-Bewertung an, indem er die Präzision und die Erinnerung berechnet und dann deren harmonisches Mittelwert nimmt, um den F1-Wert für jede Klasse zu berechnen. Anschließend berechnet F1macro den Durchschnitt der einzelnen Werte, um den F1macro-Wert zu erhalten. Die F1macro-Werte variieren zwischen 0 und 1. Ein Wert von 1 steht für die bestmögliche Leistung und 0 für die schlechteste.
+ InferenceLatency — Die ungefähre Zeitspanne zwischen der Anforderung einer Modellvorhersage und deren Empfang von einem Echtzeit-Endpunkt, auf dem das Modell bereitgestellt wird. Diese Metrik wird in Sekunden gemessen und ist nur für Modelle verfügbar, die im **Ensembling**-Modus erstellt wurden.
+ LogLoss — Der Logverlust, auch bekannt als Kreuzentropieverlust, ist eine Metrik, die verwendet wird, um die Qualität der Wahrscheinlichkeitsausgaben und nicht die Ergebnisse selbst zu bewerten. Der Protokollverlust ist eine wichtige Kennzahl, die angibt, wann ein Modell mit hoher Wahrscheinlichkeit falsche Voraussagen trifft. Werte liegen zwischen 0 und unendlich. Ein Wert von 0 steht für ein Modell, das die Daten perfekt vorhersagt.
+ PrecisionMacro — Misst die Genauigkeit, indem die Genauigkeit für jede Klasse berechnet und der Durchschnitt der Ergebnisse gebildet wird, um die Genauigkeit für mehrere Klassen zu ermitteln. Die Werte reichen von Null (0) bis Eins (1). Höhere Werte spiegeln die Fähigkeit des Modells wider, wirklich positive Ergebnisse (TP) aus allen identifizierten positiven Ergebnissen vorauszusagen, wobei der Durchschnitt über mehrere Klassen hinweg berechnet wird.
+ RecallMacro — Misst den Erinnerungswert, indem der Erinnerungswert für jede Klasse berechnet und der Durchschnitt der Ergebnisse gebildet wird, um den Erinnerungswert für mehrere Klassen zu ermitteln. Werte liegen zwischen 0 und 1. Höhere Werte spiegeln die Fähigkeit des Modells wider, wirklich positive Ergebnisse (TP) in einem Datensatz vorauszusagen, wohingegen ein wirklich positives Ergebnis eine positive Voraussage widerspiegelt, die auch ein tatsächlich positiver Wert in den Daten ist. Oft reicht es nicht aus, nur den Erinnerungswert zu messen, da die Voraussage jeder Ausgabe als wirklich positiv zu einem perfekten Erinnerungswert führen wird.
Beachten Sie, dass Sie bei der Vorhersage von 3\$1 Kategorien auch die durchschnittlichen Metriken F1, Genauigkeit, Präzision und Sensitivität erhalten. Die Punktzahlen für diese Metriken sind lediglich die gemittelten Metrikpunktzahlen für alle Kategorien.
## Metriken für Bild- und Textvorhersagen
Im Folgenden finden Sie eine Liste der verfügbaren Metriken für die Bildvorhersage und Textvorhersage.
+ Genauigkeit – Der Prozentsatz der richtigen Vorhersagen.
Oder das Verhältnis der Anzahl korrekt vorhergesagter Elemente zur Gesamtzahl der Vorhersagen. Die Genauigkeit gibt an, wie nahe die vorhergesagten Klassenwerte an den tatsächlichen Werten liegen. Die Werte für Genauigkeitsmetriken variieren zwischen Null (0) und Eins (1). Der Wert 1 steht für perfekte Genauigkeit, während 0 für völlige Ungenauigkeit steht.
+ F1 – Ein ausgewogenes Maß für Genauigkeit, das das Klassengleichgewicht berücksichtigt.
Es handelt sich um den harmonischen Mittelwert der Präzisions- und Recall-Werte, der wie folgt definiert ist: `F1 = 2 * (precision * recall) / (precision + recall)`. Die F1-Werte variieren zwischen 0 und 1. Ein Wert von 1 steht für die bestmögliche Leistung und 0 für die schlechteste.
+ Genauigkeit – Von allen Vorhersagen für \$1category x\$1 war die Vorhersage in \$1precision\$1 % der Fälle korrekt.
Mit der Präzision wird gemessen, wie gut ein Algorithmus unter allen von ihm identifizierten positiven Ergebnissen die wirklich positiven Ergebnisse (TP) voraussagt. Er ist wie folgt definiert: `Precision = TP/(TP+FP)`, mit Werten im Bereich von Null (0) bis Eins (1). Präzision ist eine wichtige Kennzahl, wenn die Kosten eines falsch positiven Ergebnisses hoch sind. Die Kosten eines falsch positiven Ergebnisses sind beispielsweise sehr hoch, wenn ein Flugzeugsicherheitssystem fälschlicherweise als flugsicher eingestuft wird. Ein falsch positives Ergebnis (FP) spiegelt eine positive Voraussage wider, die in den Daten tatsächlich negativ ist.
+ Erinnerung – Das Modell hat korrekt vorausgesagt, dass \$1recall\$1% \$1category x\$1 sein würde, obwohl \$1target\$1column\$1 tatsächlich \$1category x\$1 war.
Der Erinnerungswert misst, wie gut ein Algorithmus alle wirklich positiven Ergebnisse (TP) in einem Datensatz korrekt voraussagt. Ein wirklich positives Ergebnis ist eine positive Voraussage, die auch einen tatsächlich positiver Wert in den Daten darstellt. Der Erinnerungswert ist wie folgt definiert: `Recall = TP/(TP+FN)`, mit Werten im Bereich von 0 bis 1. Höhere Werte spiegeln die bessere Fähigkeit des Modells wider, wirklich positive Ergebnisse (TP) in den Daten vorauszusagen. Oft reicht es nicht aus, nur den Erinnerungswert zu messen, da die Voraussage jeder Ausgabe als wirklich positiv zu einem perfekten Erinnerungswert führt.
Beachten Sie, dass Sie bei Bild- und Textvorhersagemodellen, bei denen Sie drei oder mehr Kategorien vorhersagen, auch die *durchschnittlichen* F1-, Genauigkeits-, Präzisions- und Recall-Metriken erhalten. Die Punktzahlen für diese Metriken sind lediglich die gemittelten Metrikpunktzahlen für alle Kategorien.
## Metriken für Zeitreihenprognosen
Im Folgenden werden die erweiterten Metriken für Zeitreihenprognosen in Amazon SageMaker Canvas definiert und Sie erhalten Informationen darüber, wie Sie sie verwenden können.
+ Average Weighted Quantile Loss (wQL) – Wertet die Prognose aus, indem der Durchschnitt der Genauigkeit anhand der Quantile P10, P50 und P90 berechnet wird. Ein niedrigerer Wert bedeutet ein genaueres Modell.
+ Gewichteter absoluter prozentualer Fehler (WAPE) – Die Summe der absoluten Fehler, normalisiert durch die Summe der absoluten Zielwerte, die die Gesamtabweichung der prognostizierten Werte von den beobachteten Werten messen. Ein niedrigerer Wert steht für ein genaueres Modell, wobei WAPE = 0 ein Modell ohne Fehler ist.
+ Root Mean Square Error (RMSE) – Die Quadratwurzel der durchschnittlichen quadratischen Fehler. Ein niedrigerer RMSE steht für ein genaueres Modell, wobei RMSE = 0 für ein Modell ohne Fehler steht.
+ Mean Absolute Percent Error (MAPE) – Der prozentuale Fehler (prozentuale Differenz zwischen dem mittleren prognostizierten Wert und dem tatsächlichen Wert), der über alle Zeitpunkte gemittelt wird. Ein niedrigerer Wert steht für ein genaueres Modell, wobei MAPE = 0 ein Modell ohne Fehler ist.
+ Mean Absolute Scaled Error (MASE) – Der mittlere absolute Fehler der Prognose, normalisiert durch den mittleren absoluten Fehler einer einfachen Basisprognosemethode. Ein niedrigerer Wert weist auf ein genaueres Modell hin, bei dem MASE < 1 is estimated to be better than the baseline and MASE > 1 als schlechter eingeschätzt wird als der Basiswert.
# Vorhersagen mit benutzerdefinierten Modellen
Verwenden Sie das benutzerdefinierte Modell, das Sie in SageMaker Canvas erstellt haben, um Vorhersagen für Ihre Daten zu treffen. Die folgenden Abschnitte zeigen Ihnen, wie Sie Vorhersagen für numerische und kategoriale Vorhersagemodelle, Zeitreihenprognosen, Bildvorhersagemodelle und Textvorhersagemodelle erstellen.
Benutzerdefinierte Modelle für numerische und kategoriale Vorhersagen, Bildvorhersagen und Textvorhersagen unterstützen die Erstellung der folgenden Arten von Vorhersagen für Ihre Daten:
+ **Einzelne Vorhersagen** – Bei einer **einzigen Vorhersage** müssen Sie nur eine Vorhersage treffen. Sie haben beispielsweise ein Bild oder eine Textpassage, die Sie klassifizieren möchten.
+ **Batch-Vorhersagen** – Bei einer **Batch-Vorhersage** möchten Sie Vorhersagen für einen gesamten Datensatz treffen. Sie können Batch-Vorhersagen für Datensätze mit einer Größe von mehr als 1 TB treffen. Sie haben beispielsweise eine CSV-Datei mit Kundenrezensionen, für die Sie die Kundenstimmung vorhersagen möchten, oder Sie haben einen Ordner mit Bilddateien, die Sie klassifizieren möchten. Sie sollten Vorhersagen mit einem Datensatz treffen, der Ihrem Eingabedatensatz entspricht. Canvas bietet Ihnen die Möglichkeit, manuelle Batch-Vorhersagen durchzuführen, oder Sie können automatische Batch-Vorhersagen konfigurieren, die bei jeder Aktualisierung eines Datensatzes ausgeführt werden.
Für jede Vorhersage oder jede Gruppe von Vorhersagen gibt SageMaker Canvas Folgendes zurück:
+ Die vorhergesagten Werte
+ Die Wahrscheinlichkeit, dass der vorhergesagte Wert korrekt ist
**Erste Schritte**
Wählen Sie einen der folgenden Workflows, um Vorhersagen mit Ihrem benutzerdefinierten Modell zu treffen:
+ [Batch-Vorhersagen in SageMaker Canvas](canvas-make-predictions-batch.md)
+ [Treffen Sie einzelne Vorhersagen](canvas-make-predictions-single.md)
Nachdem Sie Prognosen mit Ihrem Modell generiert haben, können Sie auch Folgendes durchführen:
+ [Aktualisieren Sie Ihr Modell, indem Sie Versionen hinzufügen.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-update-model.html) Wenn Sie versuchen möchten, die Vorhersagegenauigkeit Ihres Modells zu verbessern, können Sie neue Versionen Ihres Modells erstellen. Sie können entweder Ihre ursprüngliche Modellbaukonfiguration und Ihren Datensatz klonen oder Ihre Konfiguration ändern und einen anderen Datensatz auswählen. Nachdem Sie eine neue Version hinzugefügt haben, können Sie die Versionen überprüfen und vergleichen, um die beste auszuwählen.
+ [Registrieren Sie eine Modellversion in der AI-Modellregistrierung SageMaker](canvas-register-model.md). Sie können Versionen Ihres Modells in der SageMaker Model Registry registrieren. Dabei handelt es sich um eine Funktion zur Nachverfolgung und Verwaltung des Status von Modellversionen und Machine-Learning-Pipelines. Ein Datenwissenschaftler oder MLOps Teambenutzer mit Zugriff auf das SageMaker Model Registry kann Ihre Modellversionen überprüfen und sie genehmigen oder ablehnen, bevor sie in der Produktion eingesetzt werden.
+ [Senden Sie Ihre Batch-Prognosen an Quick.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-predictions.html) In Quick können Sie Dashboards mit Ihren Batch-Prognose-Datensätzen erstellen und veröffentlichen. Dies kann Ihnen helfen, die mit Ihrem benutzerdefinierten Modell generierten Ergebnisse zu analysieren und gemeinsam zu nutzen.
# Treffen Sie einzelne Vorhersagen
**Anmerkung**
In diesem Abschnitt wird beschrieben, wie Sie einzelne Vorhersagen aus Ihrem Modell in der Canvas-Anwendung abrufen können. Informationen zum Ausführen von Echtzeitaufrufen in einer Produktionsumgebung durch die Bereitstellung Ihres Modells auf einem Endpunkt finden Sie unter. [Stellen Sie Ihre Modelle auf einem Endpunkt bereit](canvas-deploy-model.md)
Treffen Sie einzelne Vorhersagen, wenn Sie eine Vorhersage für einen einzelnen Datenpunkt erhalten möchten. Sie können diese Funktion verwenden, um Vorhersagen in Echtzeit zu erhalten oder mit Änderungen einzelner Werte zu experimentieren, um zu sehen, wie sie sich auf das Prognoseergebnis auswirken. Beachten Sie, dass einzelne Vorhersagen auf einem asynchronen Inferenz-Endpunkt basieren, der sich nach zwei Stunden Inaktivität (oder wenn keine Vorhersageanfragen eingehen) abschaltet.
Wählen Sie je nach Modelltyp eines der folgenden Verfahren aus.
## Treffen Sie Einzelvorhersagen mit numerischen und kategorialen Vorhersagemodellen
Gehen Sie wie folgt vor, um eine einzelne Vorhersage für ein numerisches oder kategoriales Vorhersagemodell zu treffen:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **Meine Modelle** aus.
1. Wählen Sie auf der Seite **Meine Modelle** Ihr Modell aus.
1. Nachdem Sie Ihr Modell geöffnet haben, wählen Sie die Registerkarte **Vorhersage**.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** die Option **Einzelne Vorhersage** aus.
1. Für jedes **Spalten** Feld, das die Spalten Ihrer Eingabedaten darstellt, können Sie den **Wert** ändern. Wählen Sie das Dropdown-Menü für den **Wert** aus, den Sie ändern möchten. Für numerische Felder können Sie eine neue Zahl eingeben. Für Felder mit Beschriftungen können Sie eine andere Bezeichnung auswählen.
1. Wenn Sie bereit sind, die Prognose zu generieren, wählen Sie im rechten **Prognosebereich** die Option **Aktualisieren** aus.
Im rechten **Prognosebereich** sehen Sie das Prognoseergebnis. Sie können das Prognoseergebnisdiagramm **kopieren** oder auch **Herunterladen** wählen, um entweder das Prognoseergebnisdiagramm als Bild oder die Werte und die Vorhersage als CSV-Datei herunterzuladen.
## Treffen einzelner Vorhersagen mit Zeitreihen-Prognosemodellen
Gehen Sie wie folgt vor, um eine einzelne Vorhersage für ein Zeitreihenprognosemodell zu treffen:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **Meine Modelle** aus.
1. Wählen Sie auf der Seite **Meine Modelle** Ihr Modell aus.
1. Nachdem Sie Ihr Modell geöffnet haben, wählen Sie die Registerkarte **Vorhersage**.
1. Wählen Sie **Einzelne Vorhersage** aus.
1. Wählen Sie unter **Element** das Element aus, für das Sie Werte prognostizieren möchten.
1. Wenn Sie das Modell anhand einer Gruppierung nach Spalte trainiert haben, wählen Sie die Gruppierung nach Kategorie für das Element aus.
Das Vorhersageergebnis wird im unteren Bereich geladen und zeigt Ihnen ein Diagramm mit der Prognose für jedes Quantil. Wählen Sie die **Schemaansicht** aus, um die numerischen Vorhersagewerte anzuzeigen. Anschließend können Sie **Herunterladen** auswählen, um die Vorhersageergebnisse als CSV- oder ZIP-Datei herunterzuladen.
## Treffen Sie einzelne Vorhersagen mit Bildvorhersagemodellen
Gehen Sie wie folgt vor, um eine einzelne Vorhersage für ein Bildvorhersagemodell mit einer einzigen Bezeichnung zu treffen:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **Meine Modelle** aus.
1. Wählen Sie auf der Seite **Meine Modelle** Ihr Modell aus.
1. Nachdem Sie Ihr Modell geöffnet haben, wählen Sie die Registerkarte **Vorhersage**.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** die Option **Einzelne Vorhersage** aus.
1. Klicken Sie auf **Packet importieren**.
1. Sie werden aufgefordert, ein Bild hochzuladen. Sie können ein Bild von Ihrem lokalen Computer oder aus einem Amazon-S3-Bucket hochladen.
1. Wählen Sie **Import**, um Ihr Bild zu importieren und die Prognose zu generieren.
Im rechten Bereich mit den **Vorhersageergebnissen** listet das Modell die möglichen Beschriftungen für das Bild zusammen mit einem **Konfidenzwert** für jedes Etikett auf. Das Modell könnte beispielsweise die Bezeichnung **Meer** für ein Bild mit einem Konfidenzwert von 96 % vorhersagen. Das Modell könnte das Bild als **Gletscher** mit einem Konfidenzwert von nur 4 % vorhergesagt haben. Daher können Sie feststellen, dass Ihr Modell ziemlich sicher ist, wenn es darum geht, Bilder des Meeres vorherzusagen.
## Treffen Sie Einzelvorhersagen mit Textvorhersagemodellen
Gehen Sie wie folgt vor, um eine einzelne Vorhersage für ein Textvorhersagemodell mit mehreren Kategorien zu treffen:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **Meine Modelle** aus.
1. Wählen Sie auf der Seite **Meine Modelle** Ihr Modell aus.
1. Nachdem Sie Ihr Modell geöffnet haben, wählen Sie die Registerkarte **Vorhersage**.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** die Option **Einzelne Vorhersage** aus.
1. Geben Sie in das **Textfeld** den Text ein, für den Sie eine Vorhersage erhalten möchten.
1. Wählen Sie **Prognoseergebnisse generieren**, um Ihre Vorhersage zu erhalten.
Im rechten Bereich mit den **Prognoseergebnissen** erhalten Sie eine Analyse Ihres Textes sowie einen **Vertrauenswert** für jedes mögliche Label. Wenn Sie beispielsweise eine gute Bewertung für ein Produkt abgegeben haben, erhalten Sie möglicherweise den Wert **Positiv** mit einem Konfidenzwert von 85%, während der Konfidenzwert für **Neutral** bei 10% und der Konfidenzwert für **Negativ** nur bei 5% liegen kann.
# Batch-Vorhersagen in SageMaker Canvas
Treffen Sie Batch-Vorhersagen, wenn Sie über einen gesamten Datensatz verfügen, für den Sie Vorhersagen generieren möchten. Amazon SageMaker Canvas unterstützt Batch-Vorhersagen für Datensätze mit einer Größe von bis zu PBs 6 Zoll.
Es gibt zwei Arten von Batch-Vorhersagen:
+ [Manuelle](canvas-make-predictions-batch-manual.md) Batch-Vorhersagen liegen vor, wenn Sie über einen Datensatz verfügen, für den Sie einmalige Vorhersagen treffen möchten.
+ [Automatische Batch-Vorhersagen](canvas-make-predictions-batch-auto.md) liegen vor, wenn Sie eine Konfiguration einrichten, die bei jeder Aktualisierung eines bestimmten Datensatzes ausgeführt wird. Wenn Sie beispielsweise wöchentliche Aktualisierungen für einen SageMaker Canvas-Datensatz mit Inventardaten konfiguriert haben, können Sie automatische Batch-Prognosen einrichten, die bei jeder Aktualisierung des Datensatzes ausgeführt werden. Nachdem Sie einen automatisierten Workflow für Batch-Vorhersagen eingerichtet haben, finden Sie weitere Informationen zum Anzeigen und Bearbeiten der Details Ihrer Konfiguration unter [So verwalten Sie Automatisierungen](canvas-manage-automations.md). Weitere Informationen zum Einrichten automatischer Datensatz-Updates finden Sie unter [Konfigurieren Sie automatische Updates für einen Datensatz](canvas-update-dataset-auto.md).
**Anmerkung**
Zeitreihen-Prognosemodelle unterstützen keine automatischen Batch-Vorhersagen.
Sie können automatische Batch-Vorhersagen nur für Datensätze einrichten, die über lokalen Upload oder Amazon S3 importiert wurden. Darüber hinaus können automatische Batch-Vorhersagen nur ausgeführt werden, wenn Sie bei der Canvas-Anwendung angemeldet sind. Wenn Sie sich von Canvas abmelden, werden automatische Batch-Vorhersageaufträge wieder aufgenommen, wenn Sie sich wieder anmelden.
Um zu beginnen, überprüfen Sie [Anforderungen an Batch-Prognosedatensätze](canvas-make-predictions-batch-preqreqs.md) und wählen Sie anschließend einen der folgenden manuellen oder automatischen Batch-Vorhersage-Workflows aus.
**Topics**
+ [Anforderungen an Batch-Prognosedatensätze](canvas-make-predictions-batch-preqreqs.md)
+ [Machen Sie manuelle Batch-Vorhersagen](canvas-make-predictions-batch-manual.md)
+ [Machen Sie automatische Batch-Vorhersagen](canvas-make-predictions-batch-auto.md)
+ [Bearbeiten Sie Ihre Konfiguration für die automatische Batch-Vorhersage](canvas-make-predictions-batch-auto-edit.md)
+ [Löschen Sie Ihre Konfiguration für die automatische Batch-Vorhersage](canvas-make-predictions-batch-auto-delete.md)
+ [Anzeigen Ihrer Batch-Vorhersageaufträge](canvas-make-predictions-batch-auto-view.md)
# Anforderungen an Batch-Prognosedatensätze
Stellen Sie bei Batch-Prognosen sicher, dass Ihre Datensätze die unter [Erstellen eines Datensatzes](canvas-import-dataset.md) beschriebenen Anforderungen erfüllen. Wenn Ihr Datensatz größer als 5 GB ist, verwendet Canvas Amazon EMR Serverless, um Ihre Daten zu verarbeiten und in kleinere Batches aufzuteilen. Nachdem Ihre Daten aufgeteilt wurden, verwendet Canvas SageMaker AI Batch Transform, um Vorhersagen zu treffen. Nach der Ausführung von Batch-Vorhersagen werden Ihnen möglicherweise Gebühren für diese beiden Services angezeigt. Weitere Informationen finden Sie unter [Preise für Canvas](https://aws.amazon.com/sagemaker/canvas/pricing/).
Möglicherweise können Sie für einige Datensätze keine Vorhersagen treffen, da sie inkompatible *Schemata* haben. Ein *Schema* ist eine Organisationsstruktur. Bei einem tabellarischen Datensatz besteht das Schema aus den Namen der Spalten und dem Datentyp der Daten in den Spalten. Ein inkompatibles Schema kann aus folgenden Gründen auftreten:
+ Der Datensatz, den Sie für Prognosen verwenden, hat weniger Spalten als der Datensatz, den Sie zum Erstellen des Modells verwenden.
+ Die Datentypen in den Spalten, die Sie zum Erstellen des Datensatzes verwendet haben, unterscheiden sich möglicherweise von den Datentypen im Datensatz, den Sie für Vorhersagen verwenden.
+ Der Datensatz, den Sie für Vorhersagen verwenden, und der Datensatz, den Sie zum Erstellen des Modells verwendet haben, haben Spaltennamen, die nicht übereinstimmen. Für die Spaltennamen wird die Groß- und Kleinschreibung berücksichtigt. `Column1` ist nicht dasselbe wie `column1`.
Um sicherzustellen, dass Sie erfolgreich Batch-Vorhersagen generieren können, ordnen Sie das Schema Ihres Batch-Prognose-Datensatzes dem Datensatz zu, den Sie zum Trainieren des Modells verwendet haben.
**Anmerkung**
Wenn Sie bei Batch-Vorhersagen beim Erstellen Ihres Modells Spalten gelöscht haben, fügt Canvas die gelöschten Spalten wieder zu den Prognoseergebnissen hinzu. Canvas fügt die gelöschten Spalten jedoch nicht zu Ihren Batch-Vorhersagen für Zeitreihenmodelle hinzu.
# Machen Sie manuelle Batch-Vorhersagen
Wählen Sie eines der folgenden Verfahren aus, um manuelle Batchvorhersagen auf der Grundlage Ihres Modelltyps zu erstellen.
## Erstellen Sie manuelle Batch-Vorhersagen mit numerischen, kategorialen und Zeitreihen-Vorhersagemodellen.
Gehen Sie wie folgt vor, um manuelle Batch-Vorhersagen für numerische, kategoriale und Zeitreihen-Prognosemodelle zu erstellen:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **Meine Modelle** aus.
1. Wählen Sie auf der Seite **Meine Modelle** Ihr Modell aus.
1. Nachdem Sie Ihr Modell geöffnet haben, wählen Sie die Registerkarte **Vorhersage**.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** die Option **Batch-Vorhersage** aus.
1. Wählen Sie **Datensatz auswählen** aus, um einen Datensatz für die Generierung von Vorhersagen auszuwählen.
1. Wählen Sie aus der Liste der verfügbaren Datensätze Ihren Datensatz aus und klicken Sie anschließend auf **Vorhersagen starten**, um Ihre Vorhersagen zu erhalten.
Nachdem die Ausführung des Vorhersageauftrags abgeschlossen ist, wird auf derselben Seite im Abschnitt **Vorhersagen** ein Ausgabedatensatz aufgeführt. Dieser Datensatz enthält Ihre Ergebnisse. Wenn Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen, können Sie **Vorschau** wählen, um eine Vorschau der Ausgabedaten anzuzeigen. Sie können sehen, wie die Eingabedaten mit der Vorhersage übereinstimmen und wie wahrscheinlich es ist, dass die Vorhersage korrekt ist. Anschließend können Sie **Prognose herunterladen** wählen, um die Ergebnisse als Datei herunterzuladen.
## Treffen Sie manuelle Batch-Vorhersagen mit Bildvorhersagemodellen
Gehen Sie wie folgt vor, um manuelle Batch-Vorhersagen für ein Bildvorhersagemodell mit einer einzigen Bezeichnung zu treffen:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **Meine Modelle** aus.
1. Wählen Sie auf der Seite **Meine Modelle** Ihr Modell aus.
1. Nachdem Sie Ihr Modell geöffnet haben, wählen Sie die Registerkarte **Vorhersage**.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** die Option **Batch-Vorhersage** aus.
1. Wählen Sie **Datensatz auswählen**, wenn Sie Ihren Datensatz bereits importiert haben. Wenn nicht, wählen Sie **Neuen Datensatz importieren** aus, und Sie werden dann durch den Datenimport-Workflow geleitet.
1. Wählen Sie aus der Liste der verfügbaren Datensätze Ihren Datensatz aus und wählen Sie **Prognosen generieren** aus, um Ihre Prognosen abzurufen.
Nachdem die Ausführung des Prognosejobs abgeschlossen ist, sehen Sie auf der Seite **Vorhersagen ausführen** einen Ausgabedatensatz, der unter **Prognosen** aufgeführt ist. Dieser Datensatz enthält Ihre Ergebnisse. Wenn Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen, können Sie **Vorhersageergebnisse anzeigen** wählen, um die Ausgabedaten anzuzeigen. Sie können die Bilder zusammen mit ihren vorhergesagten Bezeichnungen und Konfidenzwerten sehen. Anschließend können Sie **Prognose herunterladen** wählen, um die Ergebnisse als CSV- oder ZIP-Datei herunterzuladen.
## Erstellen Sie manuelle Batch-Vorhersagen mit Textvorhersagemodellen
Gehen Sie wie folgt vor, um manuelle Batch-Vorhersagen für ein Textvorhersagemodell mit mehreren Kategorien zu treffen:
1. Wählen Sie im linken Navigationsbereich der Canvas-Anwendung **Meine Modelle** aus.
1. Wählen Sie auf der Seite **Meine Modelle** Ihr Modell aus.
1. Nachdem Sie Ihr Modell geöffnet haben, wählen Sie die Registerkarte **Vorhersage**.
1. Wählen Sie auf der Seite **Vorhersagen ausführen** die Option **Batch-Vorhersage** aus.
1. Wählen Sie **Datensatz auswählen**, wenn Sie Ihren Datensatz bereits importiert haben. Wenn nicht, wählen Sie **Neuen Datensatz importieren** aus, und Sie werden dann durch den Datenimport-Workflow geleitet. Der Datensatz, den Sie auswählen, muss dieselbe Quellspalte haben wie der Datensatz, mit dem Sie das Modell erstellt haben.
1. Wählen Sie aus der Liste der verfügbaren Datensätze Ihren Datensatz aus und wählen Sie **Prognosen generieren** aus, um Ihre Prognosen abzurufen.
Nachdem die Ausführung des Prognosejobs abgeschlossen ist, sehen Sie auf der Seite **Vorhersagen ausführen** einen Ausgabedatensatz, der unter **Prognosen** aufgeführt ist. Dieser Datensatz enthält Ihre Ergebnisse. Wenn Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen, können Sie **Vorschau** wählen, um die Ausgabedaten anzuzeigen. Sie können die Bilder zusammen mit ihren vorhergesagten Bezeichnungen und Konfidenzwerten sehen. Anschließend können Sie **Vorhersage herunterladen** auswählen, um die Ergebnisse herunterzuladen.
# Machen Sie automatische Batch-Vorhersagen
**Anmerkung**
Zeitreihen-Prognosemodelle unterstützen keine automatischen Batch-Vorhersagen.
Um einen Zeitplan für automatische Batchvorhersagen einzurichten, führen Sie die folgenden Schritte aus:
1. Wählen Sie im linken Navigationsbereich **Models (Modelle)** aus.
1. Wählen Sie Ihr Modell aus.
1. Wählen Sie die Registerkarte **Vorhersage**.
1. Wählen Sie **Batch-Vorhersage**.
1. Wählen Sie für **Prognosen generieren** die Option **Automatisch** aus.
1. Das Dialogfeld **Batchvorhersagen automatisieren** wird geöffnet. Wählen Sie **Datensatz auswählen** und wählen Sie den Datensatz aus, für den Sie Prognosen automatisieren möchten. Beachten Sie, dass Sie nur einen Datensatz auswählen können, der durch lokalen Upload oder Amazon S3 importiert wurde.
1. Nachdem Sie einen Datensatz ausgewählt haben, wählen Sie **Einrichten**.
Canvas führt einen Batch-Vorhersagejob für den Datensatz aus, nachdem Sie die Konfiguration eingerichtet haben. Jedes Mal, wenn Sie [Aktualisieren eines Datensatzes](canvas-update-dataset.md) entweder manuell oder automatisch eingeben, wird ein weiterer Batch-Vorhersageauftrag ausgeführt.
Nachdem die Ausführung des Prognosejobs abgeschlossen ist, sehen Sie auf der Seite **Vorhersagen ausführen** einen Ausgabedatensatz, der unter **Prognosen** aufgeführt ist. Dieser Datensatz enthält Ihre Ergebnisse. Wenn Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen, können Sie **Vorschau** wählen, um eine Vorschau der Ausgabedaten anzuzeigen. Sie können sehen, wie die Eingabedaten mit der Vorhersage übereinstimmen und wie wahrscheinlich es ist, dass die Vorhersage korrekt ist. Anschließend können Sie **Herunterladen** wählen, um die Ergebnisse herunterzuladen.
In den folgenden Abschnitten wird beschrieben, wie Sie Ihre Konfiguration für automatische Batch-Vorhersagen über die Seite **Datensätze** in der Canvas-Anwendung anzeigen, aktualisieren und löschen können. Sie können in Canvas nur maximal 20 automatische Konfigurationen einrichten. Weitere Informationen zum Anzeigen Ihres Jobverlaufs für automatisierte Batchprognosen oder zum Vornehmen von Änderungen an Ihrer automatischen Konfiguration auf der Seite **Automatisierungen** finden Sie unter [So verwalten Sie Automatisierungen](canvas-manage-automations.md).
# Bearbeiten Sie Ihre Konfiguration für die automatische Batch-Vorhersage
Möglicherweise möchten Sie Änderungen an der Konfiguration für die auto Aktualisierung eines Datensatzes vornehmen, z. B. die Häufigkeit der Aktualisierungen ändern. Möglicherweise möchten Sie auch die Konfiguration für automatische Updates deaktivieren, um die Aktualisierungen Ihres Datensatzes zu unterbrechen.
Wenn Sie eine Konfiguration für Batch-Vorhersagen bearbeiten, können Sie den Zieldatensatz ändern, nicht jedoch die Häufigkeit (da automatische Batch-Vorhersagen immer dann erfolgen, wenn der Datensatz aktualisiert wird).
Gehen Sie wie folgt vor, um Ihre Konfiguration für auto Updates zu bearbeiten:
1. Gehen Sie zur Registerkarte **Predict** Ihres Modells.
1. Wählen Sie unter **Prognosen** die Registerkarte **Konfiguration** aus.
1. Suchen Sie nach Ihrer Konfiguration und wählen Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Wählen Sie im Dropdown-Menü **Konfiguration aktualisieren** aus.
1. Das Dialogfeld **Batchvorhersage automatisieren** wird geöffnet. Sie können einen anderen Datensatz auswählen und **Einrichten** wählen, um Ihre Änderungen zu speichern.
Ihre Konfiguration für automatische Batch-Vorhersagen ist jetzt aktualisiert.
Um Ihre automatischen Batch-Vorhersagen zu unterbrechen, deaktivieren Sie Ihre automatische Konfiguration, indem Sie wie folgt vorgehen:
1. Gehen Sie zur Registerkarte **Predict** Ihres Modells.
1. Wählen Sie unter **Prognosen** die Registerkarte **Konfiguration** aus.
1. Suchen Sie in der Liste nach Ihrer Konfiguration und deaktivieren Sie die Option **Automatische Aktualisierung**.
Automatische Batch-Vorhersagen sind jetzt angehalten. Sie können den Schalter jederzeit wieder einschalten, um den Aktualisierungszeitplan fortzusetzen.
# Löschen Sie Ihre Konfiguration für die automatische Batch-Vorhersage
Weitere Informationen zum Löschen der Konfiguration für automatische Batchvorhersagen finden Sie unter [Löschen einer automatischen Konfiguration](canvas-manage-automations-delete.md).
Sie können Ihre Konfiguration auch wie folgt löschen:
1. Gehen Sie zur Registerkarte **Predict** Ihres Modells.
1. Wählen Sie unter **Prognosen** die Registerkarte **Konfiguration** aus.
1. Suchen Sie in der Liste nach Ihrer Konfiguration und wählen Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Wählen Sie im Dropdown-Menü **Konfiguration löschen** aus.
Ihre Konfiguration sollte jetzt gelöscht sein.
# Anzeigen Ihrer Batch-Vorhersageaufträge
Um den Status und den Verlauf Ihrer Batch-Vorhersageaufträge anzuzeigen, navigieren Sie bitte zur Registerkarte **Vorhersagen** Ihres Modells.
Jeder Batch-Vorhersageauftrag wird auf der Registerkarte **Vorhersagen** Ihres Modells angezeigt. Unter **Prognosen** finden Sie die Registerkarten **Alle Jobs** und **Konfiguration**:
+ **Alle Aufträge** – Auf dieser Registerkarte können Sie alle manuellen und automatischen Batch-Vorhersageaufträge für dieses Modell einsehen. Sie können die Jobs nach dem Konfigurationsnamen filtern. Für jeden Auftrag werden die folgenden Felder angezeigt:
+ **Status** – der aktuelle Status des Auftrags für Batch-Vorhersagen. Wenn der Status **Fehlgeschlagen** oder **Teilweise fehlgeschlagen** lautet, können Sie mit der Maus über den Status fahren, um eine detailliertere Fehlermeldung anzuzeigen, die Ihnen bei der Fehlerbehebung hilft.
+ **Eingabe-Dataset** – der Name Ihres Canvas-Eingabe-Datasatzes, einschließlich der Datensatzversion.
+ **Prognosetyp** – ob der Vorhersageauftrag automatisch oder manuell war.
+ **Zeilen** – die Anzahl der vorhergesagten Zeilen.
+ **Konfigurationsname** – der Name der Konfiguration des Batch-Vorhersageauftrags.
+ **QuickSight**— Beschreibt, ob Sie die Batch-Vorhersagen an Quick gesendet haben.
+ **Erstellt** – die Erstellungszeit des Batch-Vorhersageauftrags.
Wenn Sie das Symbol „**Weitere Optionen**“ (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen, können Sie „**Details anzeigen**“, „**Vorhersage in der Vorschau** anzeigen“, „**Vorhersage herunterladen**“ oder „An **Quick senden**“ wählen. Wenn Sie **Details anzeigen** wählen, wird eine Seite geöffnet, auf der Ihnen alle Details des Batch-Vorhersage-Jobs angezeigt werden, einschließlich des Status, der Eingabe- und Ausgabedatenkonfigurationen, Informationen zu den Instances, die zur Ausführung des Jobs verwendet wurden, und des Zugriffs auf die CloudWatch Amazon-Protokolle. Die Seite sieht wie im folgenden Screenshot aus.
![\[Seite mit Details zum Batch-Vorhersageauftrag, auf der alle zusätzlichen Details zu einem Auftrag angezeigt werden.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-view-batch-prediction-job-details.png)
+ **Konfiguration** – Auf dieser Registerkarte sehen Sie alle Konfigurationen für automatische Batch-Vorhersagen, die Sie für dieses Modell erstellt haben. Für jede Konfiguration werden Felder wie der Zeitstempel zum Zeitpunkt der **Erstellung**, der **Eingabedatensatz**, den sie auf Aktualisierungen überwacht, und der **nächste geplante Auftrag** angezeigt, d. h. der Zeitpunkt, zu dem der nächste automatische Vorhersageauftrag starten soll. Wenn Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) wählen, können Sie **Alle Jobs anzeigen** wählen, um den Jobverlauf und die laufenden Jobs für die Konfiguration zu sehen.
# Prognosen an Quick senden
**Anmerkung**
Für numerische und kategoriale Vorhersage- und Zeitreihenprognosemodelle können Sie Batch-Vorhersagen an Quick senden. Modelle zur Bildvorhersage mit einem Etikett und Textvorhersagemodelle mit mehreren Kategorien sind ausgeschlossen.
Sobald Sie Batch-Prognosen mit benutzerdefinierten tabellarischen Modellen in SageMaker Canvas generiert haben, können Sie diese Prognosen als CSV-Dateien an Quick senden, einen Business Intelligence (BI) -Service zum Erstellen und Veröffentlichen von Prognose-Dashboards.
Wenn Sie beispielsweise ein Prognosemodell mit zwei Kategorien erstellt haben, um zu ermitteln, ob ein Kunde abwandern wird, können Sie in Quick ein visuelles, vorausschauendes Dashboard erstellen, das den Prozentsatz der Kunden anzeigt, von denen eine Abwanderung erwartet wird. Weitere Informationen zu Quick finden Sie in der [Kurzanleitung](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html) für Benutzer.
In den folgenden Abschnitten erfahren Sie, wie Sie Ihre Batchvorhersagen zur Analyse an Quick senden.
## Bevor Sie beginnen
Ihr Benutzer muss über die erforderlichen AWS Identity and Access Management (IAM-) Berechtigungen verfügen, um Ihre Prognosen an Quick zu senden. Ihr Administrator kann die IAM-Berechtigungen für Ihren Benutzer einrichten. Weitere Informationen finden Sie unter [Erteilen Sie Ihren Benutzern die Erlaubnis, Prognosen an Quick zu senden](canvas-quicksight-permissions.md).
Ihr Quick-Konto muss den `default` Namespace enthalten, der eingerichtet wird, wenn Sie Ihr Quick-Konto zum ersten Mal erstellen. Wenden Sie sich an Ihren Administrator, um Zugriff auf Quick zu erhalten. Weitere Informationen finden Sie unter [Einrichtung von Quick](https://docs.aws.amazon.com/quicksight/latest/user/setting-up.html) in der *Kurzanleitung*.
Ihr Quick-Konto muss in derselben Region wie Ihre Canvas-Anwendung erstellt werden. Wenn sich die Heimatregion Ihres Quick-Kontos von der Region Ihrer Canvas-Anwendung unterscheidet, müssen Sie entweder Ihr Quick-Konto [schließen](https://docs.aws.amazon.com/quicksight/latest/user/closing-account.html) und neu erstellen oder [eine Canvas-Anwendung in derselben Region wie Ihr Quick-Konto einrichten](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites). Du kannst deine Quick Home-Region überprüfen, indem du wie folgt vorgehst (vorausgesetzt, du hast bereits ein Quick-Konto):
1. Öffnen Sie Ihre [Quick Console](https://quicksight.aws.amazon.com/).
1. Wenn die Seite geladen wird, wird Ihre Quick Home-Region im folgenden Format an die URL angehängt:`https://.quicksight.aws.amazon.com/`.
Sie müssen die Benutzernamen der Quick-Benutzer kennen, an die Sie Ihre Vorhersagen senden möchten. Sie können Vorhersagen an sich selbst oder an andere Benutzer senden, die über die entsprechenden Berechtigungen verfügen. Alle Benutzer, an die Sie Vorhersagen senden, müssen sich im `default` [Namespace](https://docs.aws.amazon.com/quicksight/latest/user/namespaces.html) Ihres Quick-Kontos befinden und in Quick die `Admin` Rolle `Author` oder haben.
Darüber hinaus muss Quick Zugriff auf den SageMaker AI-Standard-Amazon S3-Bucket für Ihre Domain haben, der im folgenden Format benannt ist:`sagemaker-{REGION}-{ACCOUNT_ID}`. Die Region sollte der Heimatregion Ihres Quick-Kontos und der Region Ihrer Canvas-Anwendung entsprechen. Informationen dazu, wie Sie Schnellzugriff auf die in Ihrem Amazon S3-Bucket gespeicherten Batch-Vorhersagen gewähren [können, finden Sie im *Kurzleitfaden* unter Ich kann keine Verbindung zu Amazon S3](https://docs.aws.amazon.com/quicksight/latest/user/troubleshoot-connect-S3.html) herstellen.
## Unterstützte Datumsformate
Bevor Sie Ihre Prognosen senden, überprüfen Sie, ob das Datenformat Ihrer Batch-Vorhersagen mit Quick kompatibel ist.
+ Weitere Informationen zu den akzeptierten Datenformaten für Zeitreihendaten finden Sie in der *Kurzanleitung* unter [Unterstützte Datumsformate](https://docs.aws.amazon.com/quicksight/latest/user/supported-date-formats.html).
+ Weitere Informationen zu Datenwerten, die Sie möglicherweise daran hindern, Daten an Quick zu senden, finden Sie [in der *Kurzanleitung* unter Nicht unterstützte Werte in Daten](https://docs.aws.amazon.com/quicksight/latest/user/unsupported-data-values.html).
Beachten Sie auch, dass Quick das Zeichen `"` als Textbegrenzer verwendet. Wenn Ihre Canvas-Daten also `"` Zeichen enthalten, stellen Sie sicher, dass Sie alle passenden Anführungszeichen schließen. Nicht übereinstimmende Anführungszeichen können zu Problemen beim Senden Ihres Datensatzes an Quick führen.
## Senden Sie Ihre Batch-Prognosen an Quick
Gehen Sie wie folgt vor, um Ihre Prognosen an Quick zu senden:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie auf der Seite **Meine Modelle** Ihr Modell aus.
1. Wählen Sie die Registerkarte **Vorhersage**.
1. Wählen Sie unter **Prognosen** den Datensatz (oder die Datensätze) mit Batch-Vorhersagen aus, die Sie teilen möchten. Sie können bis zu 5 Datensätze mit Batch-Vorhersagen gleichzeitig teilen.
1. Nachdem Sie Ihren Datensatz ausgewählt haben, wählen Sie „**An Quick senden**“.
**Anmerkung**
Die Schaltfläche „**An Quick senden**“ wird erst aktiviert, wenn Sie einen oder mehrere Datensätze auswählen.
Alternativ können Sie eine Vorschau Ihrer Prognosen anzeigen, indem Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) und dann **Prognoseergebnisse anzeigen** auswählen. In der Datensatzvorschau können Sie „An **schnell senden**“ wählen. Der folgende Screenshot zeigt Ihnen die Schaltfläche „**An Quick senden**“ in einer Datensatzvorschau.
![\[Screenshot einer Datensatzvorschau mit der Schaltfläche „An Quick senden“ unten.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/send-to-quicksight-preview.png)
1. Gehen **Sie im Dialogfeld „An Quick senden**“ wie folgt vor:
1. Geben Sie für **QuickSight Benutzer** den Namen der Quick-Benutzer ein, an die Sie Ihre Vorhersagen senden möchten. Wenn Sie sie an sich selbst senden möchten, geben Sie Ihren eigenen Benutzernamen ein. Sie können Vorhersagen nur an Benutzer im `default` Namespace des Quick-Kontos senden, und der Benutzer muss in Quick die `Admin` Rolle `Author` oder haben.
1. Wählen Sie **Send (Senden)** aus.
Der folgende Screenshot zeigt das Dialogfeld „**An Quick senden**“:
![\[Das Dialogfeld „An Quick senden“.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/send-to-quicksight.png)
Nachdem Sie Ihre Batchprognosen gesendet haben, wird das **QuickSight**Feld für die von Ihnen gesendeten Datensätze als `Sent` angezeigt. In dem Bestätigungsfeld, das bestätigt, dass Ihre Prognosen gesendet wurden, können Sie „**Schnell öffnen**“ wählen, um Ihre Schnellanwendung zu öffnen. Wenn Sie Canvas nicht mehr verwenden, sollten Sie sich von der Canvas-Anwendung [abmelden](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-log-out.html).
Die Quick-Benutzer, an die Sie Datensätze gesendet haben, können ihre Quick-Anwendung öffnen und sich die Canvas-Datasets ansehen, die mit ihnen geteilt wurden. Anschließend können sie prädiktive Dashboards mit den Daten erstellen. Weitere Informationen finden Sie unter [Erste Schritte mit der schnellen Datenanalyse](https://docs.aws.amazon.com/quicksight/latest/user/getting-started.html) in der *Kurzanleitung*.
Standardmäßig verfügen alle Benutzer, an die Sie Prognosen senden, über Eigentümerberechtigungen für den Datensatz in Quick. Besitzer können Analysen erstellen, Datensätze aktualisieren, bearbeiten, löschen und erneut teilen. Die Änderungen, die Eigentümer an einem Datensatz vornehmen, ändern den Datensatz für alle Benutzer mit Zugriff. Um die Berechtigungen zu ändern, rufen Sie den Datensatz in Quick auf und verwalten Sie dessen Berechtigungen. Weitere Informationen finden Sie in [der *Kurzanleitung unter Benutzerberechtigungen* anzeigen und bearbeiten, mit denen ein Datensatz geteilt wird](https://docs.aws.amazon.com/quicksight/latest/user/sharing-data-sets.html#view-users-data-set).
# Herunterladen eines Modell-Notebooks
**Anmerkung**
Das Notebook-Feature des Modells ist für tabellarische Quick-Build- und Standard-Build-Modelle sowie für optimierte Grundlagenmodelle verfügbar. Modell-Notebooks werden für Modelle zur Bildvorhersage, Textvorhersage oder Zeitreihenprognose nicht unterstützt.
Wenn Sie ein Modell-Notebook für ein tabellarisches Modell erstellen möchten, das vor der Einführung dieses Features erstellt wurde, müssen Sie das Modell neu erstellen, um ein Notebook zu generieren.
Für geeignete Modelle, die Sie erfolgreich in Amazon SageMaker Canvas erstellt haben, wird ein Jupyter-Notizbuch generiert, das einen Bericht über alle Schritte der Modellerstellung enthält. Dieses Jupyter-Notebook enthält Python-Code, den Sie lokal oder in einer Umgebung wie Amazon SageMaker Studio Classic ausführen können, um die zum Erstellen Ihres Modells erforderlichen Schritte zu replizieren. Das Notebook kann nützlich sein, wenn Sie mit dem Code experimentieren oder die Backend-Details zur Modellerstellung von Canvas einsehen möchten.
So greifen Sie auf das Modell-Notebook zu:
1. Öffnen Sie die Canvas-Anwendung. SageMaker
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie das von Ihnen erstellte Modell und die Version aus.
1. Wählen Sie auf der Seite der Modellversion in der Kopfzeile das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) aus.
1. Wählen Sie im Dropdown-Menü **Notebook anzeigen** aus.
1. Ein Popup mit dem Notebook-Inhalt wird angezeigt. Sie können **Herunterladen** auswählen und dann einen der folgenden Schritte ausführen:
1. Wählen Sie **Herunterladen** aus, um den Notebook-Inhalt auf Ihrem lokalen Gerät zu speichern.
1. Wählen Sie **S3-URI kopieren** aus, um den Amazon-S3-Speicherort zu kopieren, an dem das Notebook gespeichert ist. Das Notebook wird in dem Amazon-S3-Bucket gespeichert, der in Ihrer **Canvas-Speicherkonfiguration** angegeben ist, die im Abschnitt [Voraussetzungen für die Einrichtung von Amazon SageMaker Canvas](canvas-getting-started.md#canvas-prerequisites) konfiguriert ist.
Sie sollten das Notebook jetzt entweder lokal oder als Objekt in Amazon S3 anzeigen können. Sie können das Notebook in eine IDE hochladen, um den Code zu bearbeiten und auszuführen, oder Sie können das Notizbuch zur Überprüfung für andere Personen in Ihrer Organisation freigeben.
# Senden Sie Ihr Modell an Quick
Wenn Sie Quick verwenden und SageMaker Canvas in Ihren Quick-Visualisierungen nutzen möchten, können Sie ein Amazon SageMaker Canvas-Modell erstellen und es als *Prognosefeld* in Ihrem Quick-Datensatz verwenden. Ein *Vorhersagefeld* ist ein Feld in Ihrem Quick-Datensatz, das Vorhersagen für eine bestimmte Spalte in Ihrem Datensatz treffen kann, ähnlich wie Canvas-Benutzer Einzel- oder Batch-Vorhersagen mit einem Modell treffen. Weitere Informationen darüber, wie Sie die prädiktiven Fähigkeiten von Canvas in Ihre Quick-Datasets integrieren können, finden Sie unter [SageMaker Canvas-Integration](https://docs.aws.amazon.com/quicksight/latest/user/sagemaker-canvas-integration.html) in der [Kurzanleitung](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html) für Benutzer.
In den folgenden Schritten wird erklärt, wie Sie Ihrem Quick-Datensatz mithilfe eines Canvas-Modells ein Vorhersagefeld hinzufügen können:
1. Öffnen Sie die Canvas-Anwendung und erstellen Sie ein Modell mit Ihrem Datensatz.
1. Nachdem Sie das Modell in Canvas erstellt haben, senden Sie es an Quick. Eine Schemadatei wird automatisch auf Ihren lokalen Computer heruntergeladen, wenn Sie das Modell an Quick senden. Sie laden diese Schemadatei im nächsten Schritt auf Quick hoch.
1. Öffnen Sie Quick und wählen Sie einen Datensatz mit demselben Schema wie den Datensatz aus, den Sie zum Erstellen Ihres Modells verwendet haben. Fügen Sie dem Datensatz ein Vorhersagefeld an und führen Sie die folgenden Schritte aus:
1. Geben Sie das von Canvas gesendete Modell an.
1. Laden Sie die Schemadatei hoch, die in Schritt 2 heruntergeladen wurde.
1. Speichern und veröffentlichen Sie Ihre Änderungen und generieren Sie dann Prognosen für den neuen Datensatz. Quick verwendet das Modell, um die Zielspalte mit Prognosen zu füllen.
Um ein Modell von Canvas an Quick zu senden, müssen Sie die folgenden Voraussetzungen erfüllen:
+ Sie müssen sowohl Canvas als auch Quick eingerichtet haben. Ihr Quick-Konto muss in derselben Weise AWS-Region wie Ihre Canvas-Anwendung erstellt werden. Wenn sich die Heimatregion Ihres Quick-Kontos von der Region Ihrer Canvas-Anwendung unterscheidet, müssen Sie entweder Ihr Quick-Konto [schließen](https://docs.aws.amazon.com/quicksight/latest/user/closing-account.html) und neu erstellen oder [eine Canvas-Anwendung in derselben Region wie Ihr Quick-Konto einrichten](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites). Ihr Quick-Konto muss auch den Standard-Namespace enthalten, den Sie bei der ersten Erstellung Ihres Quick-Kontos eingerichtet haben. Wenden Sie sich an Ihren Administrator, um Zugriff auf Quick zu erhalten. Weitere Informationen finden Sie unter [Einrichtung von Quick](https://docs.aws.amazon.com/quicksight/latest/user/setting-up.html) in der *Kurzanleitung*.
+ Ihr Benutzer muss über die erforderlichen AWS Identity and Access Management (IAM-) Berechtigungen verfügen, um Ihre Prognosen an Quick senden zu können. Ihr Administrator kann die IAM-Berechtigungen für Ihren Benutzer einrichten. Weitere Informationen finden Sie unter [Erteilen Sie Ihren Benutzern Berechtigungen zum Senden von Prognosen an Quick](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-quicksight-permissions.html).
+ Quick muss Zugriff auf den Amazon S3 S3-Bucket haben, den Sie für den Canvas-Anwendungsspeicher angegeben haben. Weitere Informationen finden Sie unter [Konfigurieren Sie Ihren Amazon S3-Speicher](canvas-storage-configuration.md).
# Zeitreihenprognosen in Amazon SageMaker Canvas
**Anmerkung**
Prognosemodelle für Zeitreihen werden nur für tabellarische Datensätze unterstützt.
Amazon SageMaker Canvas bietet Ihnen die Möglichkeit, Zeitreihenprognosen für maschinelles Lernen zu verwenden. Zeitreihenprognosen bieten Ihnen die Möglichkeit, Vorhersagen zu treffen, die mit der Zeit variieren können.
Sie können eine Zeitreihenprognose für die folgenden Beispiele erstellen:
+ Prognose Ihres Lagerbestands in den kommenden Monaten.
+ Die Anzahl der in den nächsten vier Monaten verkauften Artikel.
+ Die Auswirkung einer Preissenkung auf den Umsatz während der Weihnachtszeit.
+ Artikelbestand in den nächsten 12 Monaten.
+ Die Anzahl der Kunden, die in den nächsten Stunden ein Geschäft betreten.
+ Prognose, wie sich eine Senkung des Preises eines Produkts um 10% auf den Umsatz über einen bestimmten Zeitraum auswirkt.
Um eine Zeitreihenprognose zu erstellen, muss Ihr Datensatz Folgendes enthalten:
+ Eine Zeitstempelspalte mit allen Werten des `datetime` Typs.
+ Eine Zielspalte mit den Werten, die Sie zur Prognose future Werte verwenden.
+ Eine Spalte mit Element-IDs, die eindeutige Identifikatoren für jeden Artikel in Ihrem Datensatz enthält, z. B. SKU-Nummern.
Die `datetime` Werte in der Timestamp-Spalte müssen eines der folgenden Formate verwenden:
+ `YYYY-MM-DD HH:MM:SS`
+ `YYYY-MM-DDTHH:MM:SSZ`
+ `YYYY-MM-DD`
+ `MM/DD/YY`
+ `MM/DD/YY HH:MM`
+ `MM/DD/YYYY`
+ `YYYY/MM/DD HH:MM:SS`
+ `YYYY/MM/DD`
+ `DD/MM/YYYY`
+ `DD/MM/YY`
+ `DD-MM-YY`
+ `DD-MM-YYYY`
Sie können Prognosen für die folgenden Intervalle erstellen:
+ 1 Minute
+ 5 Minuten
+ 15 Minuten
+ 30 Minuten
+ 1 Stunde
+ 1 Tag
+ 1 Woche
+ 1 Monat
+ 1 Jahr
## Zukünftige Werte in Ihrem Eingabedatensatz
Canvas erkennt automatisch Spalten in Ihrem Datensatz, die möglicherweise future Werte enthalten könnten. Falls vorhanden, können diese Werte die Genauigkeit von Vorhersagen verbessern. Canvas markiert diese spezifischen Spalten mit einer `Future values` Bezeichnung. Canvas leitet die Beziehung zwischen den Daten in diesen Spalten und der Zielspalte ab, die Sie vorhersagen möchten, und verwendet diese Beziehung, um genauere Prognosen zu erstellen.
Sie können beispielsweise die Menge an Eiscreme prognostizieren, die in einem Lebensmittelgeschäft verkauft wird. Um eine Prognose erstellen zu können, benötigen Sie eine Zeitstempelspalte und eine Spalte, die angibt, wie viel Eiscreme das Lebensmittelgeschäft verkauft hat. Für eine genauere Prognose kann Ihr Datensatz auch den Preis, die Umgebungstemperatur, den Geschmack der Eiscreme oder eine eindeutige Kennung für die Eiscreme enthalten.
Der Verkauf von Eiscreme kann steigen, wenn das Wetter wärmer ist. Ein Rückgang des Eispreises könnte dazu führen, dass mehr Einheiten verkauft werden. Mit einer Spalte mit Daten zur Umgebungstemperatur und einer Spalte mit Preisdaten können Sie besser prognostizieren, wie viele Eiscremeeinheiten das Lebensmittelgeschäft verkauft.
Die Angabe future Werte ist zwar optional, hilft Ihnen aber dabei, Was-wäre-wenn-Analysen direkt in der Canvas-Anwendung durchzuführen und Ihnen zu zeigen, wie Änderungen future Werte Ihre Prognosen beeinflussen könnten.
## Umgang mit fehlenden Werten
Fehlende Daten können aus verschiedenen Gründen auftreten. Der Grund für Ihre fehlenden Daten könnte sich darauf auswirken, wie Canvas sie zuordnen soll. Beispielsweise könnte Ihre Organisation ein automatisches System verwenden, das nur nachverfolgt, wann ein Verkauf stattfindet. Wenn Sie einen Datensatz verwenden, der aus einem solchen automatischen System stammt, fehlen in der Zielspalte Werte.
**Wichtig**
Wenn in der Zielspalte Werte fehlen, empfehlen wir, einen Datensatz zu verwenden, der diese Werte nicht enthält. SageMaker Canvas verwendet die Zielspalte, um future Werte vorherzusagen. Fehlende Werte in der Zielspalte können die Genauigkeit der Prognose erheblich beeinträchtigen.
Bei fehlenden Werten im Datensatz impliziert Canvas automatisch die fehlenden Werte für Sie, indem die Zielspalte mit dem Medianwert der Spalte `0` und andere numerische Spalten mit dem Medianwert der Spalte gefüllt werden.
Sie können jedoch Ihre eigene Fülllogik für die Zielspalte und andere numerische Spalten in Ihren Datensätzen auswählen. Für Zielspalten gelten andere Richtlinien und Einschränkungen für das Ausfüllen als für die übrigen numerischen Spalten. Zielspalten werden bis zum Ende des historischen Zeitraums gefüllt, während numerische Spalten sowohl für historische als auch für future Perioden bis zum Ende des Prognosezeitraums gefüllt werden. Canvas füllt future Werte in eine numerische Spalte nur, wenn Ihre Daten mindestens einen Datensatz mit einem future Zeitstempel und einem Wert für diese bestimmte Spalte enthalten.
Sie können eine der folgenden Optionen für Fülllogik auswählen, um fehlende Werte in Ihren Daten zu imputieren:
+ `zero` – Füllen mit `0`.
+ `NaN` – Füllen Sie mit NaN oder keiner Zahl. Dies wird nur für die Zielspalte unterstützt.
+ `mean` – Füllen Sie mit dem Mittelwert der Datenreihe.
+ `median` – Füllen Sie mit dem Medianwert der Datenreihe.
+ `min` – Mit dem Minimalwert aus der Datenreihe auffüllen.
+ `max` – Mit dem Maximalwert aus der Datenreihe auffüllen.
Bei der Auswahl einer Fülllogik sollten Sie berücksichtigen, wie Ihr Modell die Logik interpretiert. In einem Einzelhandelsszenario unterscheidet sich beispielsweise die Erfassung von Nullverkäufen eines verfügbaren Artikels von der Erfassung von Nullverkäufen eines nicht verfügbaren Artikels, da letzteres Szenario nicht unbedingt einen Mangel an Kundeninteresse an dem nicht verfügbaren Artikel bedeutet. In diesem Fall kann das Ausfüllen mithilfe `0` der Zielspalte des Datensatzes dazu führen, dass das Modell bei seinen Prognosen unvoreingenommen ist und auf mangelndes Kundeninteresse an nicht verfügbaren Artikeln schließen lässt. Umgekehrt `NaN` kann das Auffüllen mit dazu führen, dass das Modell das tatsächliche Vorkommen von Null verkauften Artikeln unter den verfügbaren Artikeln ignoriert.
## Arten von Prognosen
Sie können eine der folgenden Arten von Prognosen erstellen:
+ **Einzelner Artikel**
+ **Alle Elemente**
Für eine Prognose für alle Elemente in Ihrem Datensatz gibt SageMaker Canvas eine Prognose für die future Werte für jedes Element in Ihrem Datensatz zurück.
Bei einer Prognose für einen einzelnen Artikel geben Sie das Element an und SageMaker Canvas gibt eine Prognose für die future Werte zurück. Die Prognose umfasst ein Liniendiagramm, in dem die prognostizierten Werte im Zeitverlauf dargestellt werden.
**Topics**
+ [Zukünftige Werte in Ihrem Eingabedatensatz](#canvas-time-series-future)
+ [Umgang mit fehlenden Werten](#canvas-time-series-missing)
+ [Arten von Prognosen](#canvas-time-series-types)
+ [Zusätzliche Optionen zur Vorhersage von Insights](canvas-additional-insights.md)
# Zusätzliche Optionen zur Vorhersage von Insights
In Amazon SageMaker Canvas können Sie die folgenden optionalen Methoden verwenden, um mehr Erkenntnisse aus Ihrer Prognose zu gewinnen:
+ Spalte gruppieren
+ Urlaubsplan
+ Was-wäre-wenn-Szenario
Sie können eine Spalte in Ihrem Datensatz als **Gruppenspalte** angeben. Amazon SageMaker Canvas gruppiert die Prognose nach jedem Wert in der Spalte. Sie können die Prognose beispielsweise nach Spalten gruppieren, die Preisdaten oder eindeutige Artikelkennungen enthalten. Wenn Sie eine Prognose nach einer Spalte gruppieren, können Sie genauere Prognosen erstellen. Wenn Sie beispielsweise eine Prognose nach einer Spalte gruppieren, die Artikelkennungen enthält, können Sie die Prognose für jedes Element sehen.
Der Gesamtverkauf von Artikeln kann durch das Vorhandensein von Feiertagen beeinflusst werden. In den Vereinigten Staaten kann sich beispielsweise die Anzahl der verkauften Artikel sowohl im November als auch im Dezember stark von der Anzahl der im Januar verkauften Artikel unterscheiden. Wenn Sie die Daten von November und Dezember verwenden, um die Verkäufe im Januar zu prognostizieren, sind Ihre Ergebnisse möglicherweise ungenau. Die Verwendung eines Feiertagskalenders verhindert, dass Sie ungenaue Ergebnisse erhalten. Sie können einen Feiertagsplan für 251 Länder verwenden.
Für eine Prognose zu einem einzelnen Element in Ihrem Datensatz können Sie Was-wäre-wenn-Szenarien verwenden. Ein Was-wäre-wenn-Szenario gibt Ihnen die Möglichkeit, Werte in Ihren Daten und die Prognose zu ändern. Sie können beispielsweise die folgenden Fragen anhand eines Was-wäre-wenn-Szenarios beantworten: „Was wäre, wenn ich die Preise senken würde? Wie würde sich das auf die Anzahl der verkauften Artikel auswirken?“
# Hinzufügen von Modellversionen in Amazon SageMaker Canvas
In Amazon SageMaker Canvas können Sie die von Ihnen erstellten Modelle aktualisieren, indem Sie *Versionen* hinzufügen. Jedes Modell, das Sie erstellen, hat eine Versionsnummer. Das erste Modell ist Version 1 oder `V1`. Sie können Modellversionen verwenden, um Änderungen der Vorhersagegenauigkeit zu erkennen, wenn Sie Ihre Daten aktualisieren oder [erweiterte Transformationen](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html) verwenden.
Wenn Sie sich Ihr Modell ansehen, zeigt Ihnen SageMaker Canvas den Modellverlauf an, sodass Sie alle von Ihnen gebauten Modellversionen vergleichen können. Sie können auch Versionen löschen, die für Sie nicht mehr nützlich sind. Indem Sie mehrere Modellversionen erstellen und deren Genauigkeit bewerten, können Sie die Leistung Ihres Modells schrittweise verbessern.
**Anmerkung**
Modelle zur Textvorhersage und Bildvorhersage unterstützen nur eine Modellversion.
Um eine Modellversion hinzuzufügen, können Sie entweder eine vorhandene Version klonen oder eine neue Version erstellen.
Das Klonen einer vorhandenen Version kopiert die aktuelle Modellkonfiguration, einschließlich des Modellrezepts und des Eingabedatensatzes. Alternativ können Sie eine neue Version erstellen, wenn Sie ein neues Modellrezept konfigurieren oder einen anderen Datensatz auswählen möchten.
Wenn Sie eine neue Version erstellen und einen anderen Datensatz auswählen, müssen Sie einen Datensatz mit derselben Zielspalte und demselben Schema wie der Datensatz aus Version 1 auswählen.
Bevor Sie eine neue Version hinzufügen können, müssen Sie mindestens eine Modellversion erfolgreich erstellt haben. Anschließend können Sie [eine Modellversion in der SageMaker Modellregistrierung registrieren](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-register-model.html). Verwenden Sie die Registrierung, um Modellversionen zu verfolgen und mit Studio-Classic-Benutzern bei der Freigabe von Produktionsmodellen zusammenzuarbeiten.
Wenn Sie für Ihre erste Modellversion einen Quick-Build erstellt haben, haben Sie die Möglichkeit, beim Hinzufügen einer Version einen Standard-Build auszuführen. Standardversionen weisen im Allgemeinen eine höhere Genauigkeit auf. Wenn Sie von Ihrer Quick-Build-Konfiguration überzeugt sind, können Sie einen Standard-Build ausführen, um eine endgültige Version Ihres Modells zu erstellen. Weitere Informationen zu den Unterschieden zwischen Quick-Builds und Standard-Builds finden Sie unter [So funktionieren benutzerdefinierte Modelle](canvas-build-model.md).
Die folgenden Verfahren zeigen Ihnen, wie Sie Modellversionen hinzufügen können. Das Verfahren unterscheidet sich je nachdem, ob Sie eine Version desselben Build-Typs oder eines anderen Build-Typs (Quick oder Standard) hinzufügen. Verwenden Sie das Verfahren **Neue Modellversion hinzufügen**, um Versionen desselben Build-Typs hinzuzufügen. Um nach dem Ausführen eines Quick-Builds eine Standard-Build-Modellversion hinzuzufügen, gehen Sie wie folgt vor: **So führen Sie einen Standard-Build aus**.
**So fügen Sie eine neue Modellversion hinzu**
1. Öffnen Sie Ihre SageMaker Canvas-Anwendung. Weitere Informationen finden Sie unter [Erste Schritte mit der Verwendung von Amazon SageMaker Canvas](canvas-getting-started.md).
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie auf der Seite **Meine Modelle** Ihr Modell aus. Um Ihr Modell zu finden, können Sie **Nach Problemtyp filtern** auswählen.
1. Nachdem Ihr Modell geöffnet wurde, wählen Sie im oberen Bereich die Schaltfläche **Version hinzufügen** aus.
1. Wählen Sie aus dem Dropdown-Menü eine der folgenden Optionen aus:
1. **Neue Version von Grund auf hinzufügen**: Wenn Sie diese Option auswählen, wird die Registerkarte **Erstellen** mit dem Entwurf für eine neue Modellversion geöffnet. Sie können einen anderen Datensatz auswählen (sofern das Schema mit dem Schema des Datensatzes der ersten Modellversion übereinstimmt) und ein neues Modellrezept konfigurieren. Für weitere Informationen zum Erstellen einer Modellversion siehe [Ein Modell erstellen](canvas-build-model-how-to.md).
1. **Eine bestehende Version mit Konfigurationen klonen**: In einem Dialogfeld werden Sie aufgefordert, die Version auszuwählen, die Sie klonen möchten. Nachdem Sie die gewünschte Version ausgewählt haben, wählen Sie **Klonen** aus. Die Registerkarte **Build** wird mit dem Entwurf für eine neue Modellversion geöffnet. Alle Modellrezeptkonfigurationen werden aus der geklonten Version kopiert. Für weitere Informationen zum Erstellen einer Modellversion siehe [Ein Modell erstellen](canvas-build-model-how-to.md).
**So führen Sie einen Standard-Build aus**
1. Öffnen Sie Ihre SageMaker Canvas-Anwendung. Weitere Informationen finden Sie unter [Erste Schritte mit der Verwendung von Amazon SageMaker Canvas](canvas-getting-started.md).
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie auf der Seite **Meine Modelle** Ihr Modell aus. Sie können nach **Nach Problemtyp filtern** auswählen, um Ihr Modell leichter zu finden.
1. Nachdem Ihr Modell geöffnet wurde, wählen Sie die Registerkarte **Analysieren** aus.
1. Wählen Sie **Standard-Build** aus.
![\[Die Registerkarte „Analysieren“ eines Canvas-Modells zeigt die Standard-Build-Schaltfläche.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-add-version-quick-to-standard.png)
Auf der Modellentwurfsseite, die sich auf der Registerkarte **Build** öffnet, können Sie Ihre Modellkonfiguration ändern und einen Build starten. Für weitere Informationen zum Erstellen einer Modellversion siehe [Ein Modell erstellen](canvas-build-model-how-to.md).
Sie sollten nun eine neue Modellversion in Bearbeitung haben. Für weitere Informationen zum Erstellen eines Modells siehe [So funktionieren benutzerdefinierte Modelle](canvas-build-model.md).
Nachdem Sie eine Modellversion erstellt haben, können Sie jederzeit zur Detailseite Ihres Modells zurückkehren, um alle Versionen anzuzeigen oder weitere Versionen hinzuzufügen. Die folgende Abbildung zeigt die **Versionsseite** für ein Modell.
![\[Die Seite mit den Modellversionen für ein Modell in Canvas.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/model-versions.png)
Auf der Seite **Versionen** können Sie die folgenden Informationen für jede Ihrer Modellversionen einsehen:
+ **Status** – In diesem Feld erfahren Sie, ob Ihr Modell derzeit gebaut (`In building`), fertig gebaut (`Ready`), nicht gebaut werden konnte (`Failed`) oder noch bearbeitet wird (`In draft`).
+ **Modellbewertung**, **F1**, **Präzision**, **Rückruf** und **AUC** – Wenn Sie auf dieser Seite die Option **Erweiterte Metriken anzeigen** aktivieren, können Sie diese Modellmetriken sehen. Diese Metriken geben die Genauigkeit und Leistung Ihres Modells an. Weitere Informationen finden Sie unter [Bewerten Ihres Modells](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html).
+ **Geteilt** — Dieses Feld gibt an, ob Sie die Modellversion für SageMaker Studio Classic-Benutzer freigegeben haben.
+ **Model Registry** – In diesem Feld erfahren Sie, ob Sie die Version in einer Model Registry registriert haben oder nicht. Weitere Informationen finden Sie unter [Registrieren Sie eine Modellversion in der AI-Modellregistrierung SageMaker](canvas-register-model.md).
# MLOps
Nachdem Sie ein Modell in SageMaker Canvas erstellt haben, mit dem Sie sich sicher sind, möchten Sie Ihr Modell möglicherweise in die Operations (MLOps) -Prozesse für maschinelles Lernen in Ihrer Organisation integrieren. MLOps umfasst allgemeine Aufgaben wie die Bereitstellung eines Modells zur Verwendung in der Produktion oder die Einrichtung von CI/CD-Pipelines (Continuous Integration and Continuous Deployment).
In den folgenden Themen wird beschrieben, wie Sie Funktionen in Canvas verwenden können, um ein in Canvas erstelltes Modell in der Produktion zu verwenden.
**Topics**
+ [Registrieren Sie eine Modellversion in der AI-Modellregistrierung SageMaker](canvas-register-model.md)
+ [Stellen Sie Ihre Modelle auf einem Endpunkt bereit](canvas-deploy-model.md)
+ [Sehen Sie sich Ihre Bereitstellungen an](canvas-deploy-model-view.md)
+ [Erstellen einer Bereitstellungskonfiguration](canvas-deploy-model-update.md)
+ [Testen der Bereitstellung](canvas-deploy-model-test.md)
+ [Rufen Sie Ihren Endpunkt auf](canvas-deploy-model-invoke.md)
+ [Löschen einer Modellbereitstellung](canvas-deploy-model-delete.md)
# Registrieren Sie eine Modellversion in der AI-Modellregistrierung SageMaker
Mit SageMaker Canvas können Sie mehrere Iterationen oder Versionen Ihres Modells erstellen, um es im Laufe der Zeit zu verbessern. Möglicherweise möchten Sie eine neue Version Ihres Modells erstellen, wenn Sie bessere Trainingsdaten erhalten oder wenn Sie versuchen möchten, die Genauigkeit des Modells zu verbessern. Weitere Informationen zum Hinzufügen von Versionen zu Ihrem Modell finden Sie unter [Aktualisieren eines Modells](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-update-model.html).
Nachdem Sie [ein Modell erstellt](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) haben, bei dem Sie sich sicher sind, möchten Sie möglicherweise dessen Leistung bewerten und es von einem Datenwissenschaftler oder MLOps Ingenieur in Ihrer Organisation überprüfen lassen, bevor Sie es in der Produktion verwenden. Zu diesem Zweck können Sie Ihre Modellversionen in der [SageMaker Modellregistrierung](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html) registrieren. Die SageMaker Model Registry ist ein Repository, das Datenwissenschaftler oder Ingenieure verwenden können, um Modelle für maschinelles Lernen (ML) zu katalogisieren und Modellversionen und die zugehörigen Metadaten, wie z. B. Trainingsmetriken, zu verwalten. Sie können auch den Genehmigungsstatus eines Modells verwalten und protokollieren.
Nachdem Sie Ihre Modellversionen in der SageMaker Model Registry registriert haben, kann ein Datenwissenschaftler oder Ihr MLOps Team über [SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html), eine webbasierte integrierte Entwicklungsumgebung (IDE) für die Arbeit mit Modellen für maschinelles Lernen, auf die SageMaker Model Registry zugreifen. In der SageMaker Model Registry-Oberfläche in Studio Classic kann der Datenwissenschaftler oder das MLOps Team Ihr Modell bewerten und den Genehmigungsstatus aktualisieren. Wenn das Modell die Anforderungen nicht erfüllt, kann der Datenwissenschaftler oder MLOps das Team den Status auf ändern`Rejected`. Wenn das Modell die Anforderungen erfüllt, kann der Datenwissenschaftler oder MLOps das Team den Status auf aktualisieren`Approved`. Anschließend können sie [Ihr Modell auf einem Endpunkt bereitstellen oder die](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html#deploy-model-prereqs) [Modellbereitstellung mithilfe von CI/CD Pipelines automatisieren](https://aws.amazon.com/blogs/machine-learning/building-automating-managing-and-scaling-ml-workflows-using-amazon-sagemaker-pipelines/). Sie können die SageMaker KI-Modellregistrierungsfunktion verwenden, um in Canvas erstellte Modelle nahtlos in die MLOps Prozesse in Ihrer Organisation zu integrieren.
Das folgende Diagramm fasst ein Beispiel für die Registrierung einer in Canvas erstellten Modellversion in der SageMaker Model Registry zur Integration in einen MLOps Workflow zusammen.
![\[Die Schritte zum Registrieren einer in Canvas erstellten Modellversion für die Integration in einen MLOps Workflow.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-model-registration-diagram.jpg)
Sie können tabellarische Modellversionen, Bild- und Textmodellversionen in der SageMaker Model Registry registrieren. Dazu gehören Zeitreihen-Prognosemodelle und darauf JumpStart basierende, [fein abgestimmte Basismodelle](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-fine-tune.html).
**Anmerkung**
Derzeit können Sie auf Amazon Bedrock basierende, fein abgestimmte Foundation-Modelle, die in Canvas erstellt wurden, nicht in der SageMaker Model Registry registrieren.
In den folgenden Abschnitten erfahren Sie, wie Sie eine Modellversion von Canvas aus in der SageMaker Model Registry registrieren.
## Berechtigungsverwaltung
Standardmäßig sind Sie berechtigt, Modellversionen in der SageMaker Model Registry zu registrieren. SageMaker AI gewährt diese Berechtigungen für alle neuen und vorhandenen Canvas-Benutzerprofile über die [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)Richtlinie, die der AWS IAM-Ausführungsrolle für die SageMaker AI-Domäne zugeordnet ist, die Ihre Canvas-Anwendung hostet.
Wenn Ihr Canvas-Administrator eine neue Domain oder ein neues Benutzerprofil einrichtet, aktiviert SageMaker KI bei der Einrichtung der Domain und beim Befolgen der Anweisungen [zu den Voraussetzungen im Handbuch Erste Schritte](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites) die Modellregistrierungsberechtigungen über die **Konfigurationsoption ML Ops-Berechtigungen**, die standardmäßig aktiviert ist.
Der Canvas-Administrator kann die Berechtigungen für die Modellregistrierung auch auf Benutzerprofilebene verwalten. Wenn der Administrator beispielsweise einigen Benutzerprofilen Modellregistrierungsberechtigungen gewähren, anderen jedoch Berechtigungen entziehen möchte, kann er die Berechtigungen für einen bestimmten Benutzer bearbeiten. Das folgende Verfahren zeigt, wie Sie Modellregistrierungsberechtigungen für ein bestimmtes Benutzerprofil deaktivieren:
1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain des Benutzerprofils aus.
1. Wählen Sie auf der Seite mit den **Domaindetails** das **Benutzerprofil** aus, dessen Berechtigungen Sie bearbeiten möchten.
1. Klicken Sie auf der Seite **Details des Benutzers** auf **Bearbeiten**.
1. Wählen Sie im linken Navigationsbereich die Option **Canvas Einstellungen** aus.
1. Deaktivieren Sie im Abschnitt **Konfiguration der ML Ops-Berechtigungen** die Option **Registrierungsberechtigungen für die Modellregistrierung aktivieren**.
1. Wählen Sie **Absenden** aus, um die Änderungen an Ihren Domaineinstellungen zu speichern.
Das Benutzerprofil sollte keine Modellregistrierungsberechtigungen mehr haben.
## Registrieren Sie eine Modellversion in der SageMaker AI-Modellregistrierung
SageMaker Model Registry verfolgt alle Modellversionen, die Sie zur Lösung eines bestimmten Problems in einer *Modellgruppe* erstellen. Wenn Sie ein SageMaker Canvas-Modell erstellen und es bei SageMaker Model Registry registrieren, wird es einer Modellgruppe als neue Modellversion hinzugefügt. Wenn Sie beispielsweise vier Versionen Ihres Modells erstellen und registrieren, kann ein Datenwissenschaftler oder ein MLOps Team, das in der SageMaker Model Registry-Oberfläche arbeitet, die Modellgruppe einsehen und alle vier Versionen des Modells an einem Ort überprüfen.
Bei der Registrierung eines Canvas-Modells in der SageMaker Model Registry wird automatisch eine Modellgruppe erstellt und nach Ihrem Canvas-Modell benannt. Optional können Sie es in einen Namen Ihrer Wahl umbenennen oder eine vorhandene Modellgruppe in der SageMaker Model Registry verwenden. Weitere Informationen zum Erstellen einer Modellgruppe finden Sie unter [Erstellen einer Modellgruppe](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-model-group.html).
**Anmerkung**
Derzeit können Sie nur in Canvas erstellte Modelle mit demselben Konto bei der SageMaker Model Registry registrieren.
Gehen Sie wie folgt vor, um eine SageMaker Modellversion von der Canvas-Anwendung aus in der Model Registry zu registrieren:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich **Meine Modelle** aus.
1. Wählen Sie auf der Seite **Meine Modelle** Ihr Modell aus. Sie können **nach Problemtyp filtern**, um Ihr Modell leichter zu finden.
1. Nachdem Sie Ihr Modell ausgewählt haben, wird die Seite **Versionen** geöffnet, auf der alle Versionen Ihres Modells aufgeführt sind. Sie können den Schalter **Erweiterte Metriken anzeigen** aktivieren, um die erweiterten Metriken wie **Recall** und **Precision** anzuzeigen, um Ihre Modellversionen zu vergleichen und zu entscheiden, welche Sie registrieren möchten.
1. Wählen Sie in der Liste der Modellversionen für die Version, die Sie registrieren möchten, das **Weitere Optionen** Symbol (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) aus. Sie können auch auf die Version doppelklicken, die Sie registrieren möchten, und dann auf der Seite mit den Versionsdetails das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen.
1. Wählen Sie in der Dropdown-Liste die Option **Zur Modellregistrierung hinzufügen** aus. Das Dialogfeld **Zur Modellregistrierung hinzufügen** wird geöffnet.
1. Führen Sie im Dialogfeld **Registrierungswert hinzufügen** die folgenden Schritte aus:
1. (Optional) Geben Sie im Bereich **SageMaker Studio Classic-Modellgruppe** **in das Feld Modellgruppenname** den Namen der Modellgruppe ein, für die Sie Ihre Version registrieren möchten. Sie können den Namen für eine neue Modellgruppe angeben, die SageMaker AI für Sie erstellt, oder Sie können eine vorhandene Modellgruppe angeben. Wenn Sie dieses Feld nicht angeben, registriert Canvas Ihre Version in einer Standardmodellgruppe mit demselben Namen wie Ihr Modell.
1. Wählen Sie **Hinzufügen** aus.
Ihre Modellversion sollte jetzt für die Modellgruppe in der SageMaker Modellregistrierung registriert sein. Wenn Sie eine Modellversion für eine Modellgruppe in der SageMaker Model Registry registrieren, werden alle nachfolgenden Versionen des Canvas-Modells in derselben Modellgruppe registriert (falls Sie sie registrieren möchten). Wenn Sie Ihre Versionen für eine andere Modellgruppe registrieren, müssen Sie zur SageMaker Modellregistrierung wechseln und [die Modellgruppe löschen](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-delete-model-group.html). Anschließend können Sie Ihre Modellversionen erneut für die neue Modellgruppe registrieren.
Um den Status Ihrer Modelle einzusehen, können Sie in der Canvas-Anwendung zur **Versionsseite** für Ihr Modell zurückkehren. Auf dieser Seite wird der Status der **Modellregistrierung** für jede Version angezeigt. Wenn der Status lautet `Registered`, wurde das Modell erfolgreich registriert.
Wenn Sie die Details Ihrer registrierten Modellversion für den Status der **Modellregistrierung** anzeigen möchten, können Sie den Mauszeiger über das Feld **Registriert** bewegen, um das Popup-Feld mit den **Details zur Modellregistrierung** zu sehen. Diese Details enthalten weitere Informationen, z. B. die folgenden:
+ Der **Name der Modellpaketgruppe** ist die Modellgruppe, für die Ihre Version in der SageMaker Modellregistrierung registriert ist.
+ Der **Genehmigungsstatus**, der `Pending Approval`, `Approved`, oder `Rejected` sein kann. Wenn ein Studio Classic-Benutzer Ihre Version in der SageMaker Model Registry genehmigt oder ablehnt, wird dieser Status auf der Seite mit den Modellversionen aktualisiert, wenn Sie die Seite aktualisieren.
Der folgende Screenshot zeigt das Feld mit den **Details zur Modellregistrierung** sowie **den Genehmigungsstatus** `Approved` für diese bestimmte Modellversion.
![\[Screenshot des Felds mit den Details zur SageMaker Modellregistrierung in der Canvas-Anwendung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/approved-mr.png)
# Stellen Sie Ihre Modelle auf einem Endpunkt bereit
In Amazon SageMaker Canvas können Sie Ihre Modelle auf einem Endpunkt bereitstellen, um Vorhersagen zu treffen. SageMaker AI stellt die ML-Infrastruktur bereit, mit der Sie Ihr Modell auf einem Endpunkt mit den von Ihnen ausgewählten Recheninstanzen hosten können. Anschließend können Sie den Endpunkt *aufrufen* (eine Prognoseanfrage senden) und anhand Ihres Modells eine Vorhersage in Echtzeit abrufen. Mit dieser Funktion können Sie Ihr Modell in der Produktion verwenden, um auf eingehende Anfragen zu antworten, und Sie können Ihr Modell in bestehende Anwendungen und Workflows integrieren.
Zu Beginn sollten Sie über ein Modell verfügen, das Sie bereitstellen möchten. Sie können von Ihnen erstellte benutzerdefinierte Modellversionen, Amazon SageMaker JumpStart Foundation-Modelle und fein abgestimmte JumpStart Foundation-Modelle bereitstellen. Für weitere Informationen zum Erstellen eines Modells in Canvas, siehe [So funktionieren benutzerdefinierte Modelle](canvas-build-model.md). Weitere Informationen zu JumpStart Foundation-Modellen in Canvas finden Sie unter[Generative KI-Grundmodelle in SageMaker Canvas](canvas-fm-chat.md).
Lesen Sie den folgenden Abschnitt **zur Rechteverwaltung** und beginnen Sie dann im Abschnitt Modell **bereitstellen** mit der Erstellung neuer Bereitstellungen.
## Berechtigungsverwaltung
Standardmäßig sind Sie berechtigt, Modelle auf SageMaker AI Hosting-Endpunkten bereitzustellen. SageMaker AI gewährt diese Berechtigungen für alle neuen und vorhandenen Canvas-Benutzerprofile über die [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)Richtlinie, die der AWS IAM-Ausführungsrolle für die SageMaker AI-Domäne zugeordnet ist, die Ihre Canvas-Anwendung hostet.
Wenn Ihr Canvas-Administrator eine neue Domäne oder ein neues Benutzerprofil einrichtet, aktiviert SageMaker KI bei der Einrichtung der Domain und bei der Befolgung der erforderlichen Anweisungen in der die [Voraussetzungen für die Einrichtung von Amazon SageMaker Canvas](canvas-getting-started.md#canvas-prerequisites) Berechtigungen für die Modellbereitstellung über die Option **Direkte Bereitstellung von Canvas-Modellen aktivieren**, die standardmäßig aktiviert ist.
Der Canvas-Administrator kann die Berechtigungen für die Modellbereitstellung auch auf Benutzerprofilebene verwalten. Wenn der Administrator beispielsweise bei der Einrichtung einer Domain nicht allen Benutzerprofilen Berechtigungen für die Modellbereitstellung gewähren möchte, kann er bestimmten Benutzern Berechtigungen gewähren, nachdem die Domain erstellt wurde.
Das folgende Verfahren zeigt, wie die Berechtigungen zur Modellbereitstellung für ein bestimmtes Benutzerprofil geändert werden:
1. Öffnen Sie die SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin Konfigurationen** die Option **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain des Benutzerprofils aus.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Benutzerprofile** aus.
1. Wählen Sie Ihr **Benutzerprofil** aus.
1. Wählen Sie auf der Seite mit dem Benutzerprofil die Registerkarte **App-Konfigurationen** aus.
1. Klicken Sie im Abschnitt **Canvas** auf **Bearbeiten**.
1. Deaktivieren Sie im Abschnitt **ML-Ops-Konfiguration** die Option **Direkte Bereitstellung von Canvas-Modellen aktivieren**, um Bereitstellungsberechtigungen zu aktivieren.
1. Wählen Sie **Absenden** aus, um die Änderungen an Ihren Domaineinstellungen zu speichern.
Das Benutzerprofil sollte keine Berechtigungen für die Modellbereitstellung haben.
Nachdem Sie die Berechtigungen für die Domain oder das Benutzerprofil erteilt haben, stellen Sie sicher, dass sich der Benutzer aus seiner Canvas-Anwendung abmeldet und erneut anmeldet, damit die Berechtigungsänderungen übernommen werden.
## Bereitstellen eines Modells
Um mit der Bereitstellung Ihres Modells zu beginnen, erstellen Sie eine neue Bereitstellung in Canvas und geben die Modellversion an, die Sie zusammen mit der ML-Infrastruktur bereitstellen möchten, z. B. den Typ und die Anzahl der Rechen-Instances, die Sie zum Hosten des Modells verwenden möchten.
Canvas schlägt basierend auf Ihrem Modelltyp einen Standardtyp und eine Standardanzahl von Instances vor. Weitere Informationen zu den verschiedenen SageMaker KI-Instance-Typen finden Sie auf der [ SageMaker Amazon-Preisseite](https://aws.amazon.com/sagemaker/pricing/). Solange Ihr Endpunkt aktiv ist, werden Ihnen Gebühren auf der Grundlage der SageMaker KI-Instance-Preise berechnet.
Bei der JumpStart Bereitstellung von Basismodellen haben Sie auch die Möglichkeit, die Länge der Bereitstellungszeit anzugeben. Sie können das Modell auf unbestimmte Zeit auf einem Endpunkt bereitstellen (d. h. der Endpunkt bleibt aktiv, bis Sie die Bereitstellung löschen). Oder, wenn Sie den Endpunkt nur für einen kurzen Zeitraum benötigen und die Kosten senken möchten, können Sie das Modell für einen bestimmten Zeitraum auf einem Endpunkt bereitstellen. Danach fährt SageMaker KI den Endpunkt für Sie herunter.
**Anmerkung**
Wenn Sie ein Modell für einen bestimmten Zeitraum bereitstellen, bleiben Sie für die Dauer des Endpunkts in der Canvas-Anwendung angemeldet. Wenn Sie sich von der Anwendung abmelden oder sie löschen, kann Canvas den Endpunkt zum angegebenen Zeitpunkt nicht herunterfahren.
Nachdem Ihr Modell auf einem SageMaker [KI-Hosting-Echtzeit-Inferenzendpunkt](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) bereitgestellt wurde, können Sie damit beginnen, Vorhersagen zu treffen, indem Sie den Endpunkt *aufrufen*.
Es gibt verschiedene Möglichkeiten, ein Modell von der Canvas-Anwendung aus bereitzustellen. Sie können mit einer der folgenden Methoden auf die Modellbereitstellungsoption zugreifen:
+ Wählen Sie auf der Seite **Meine Modelle** der Canvas-Anwendung das Modell aus, das Sie bereitstellen möchten. Anschließend wählen Sie auf der Seite **Versionen** des Modells das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) neben einer Modellversion und **Bereitstellen** aus.
+ Wenn Sie sich auf der Detailseite für eine Modellversion auf der Registerkarte **Analysieren** befinden, wählen Sie die Option **Bereitstellen** aus.
+ Wenn Sie sich auf der Detailseite für eine Modellversion auf der Registerkarte **Prognose** befinden, wählen Sie oben auf der Seite das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) und dann **Bereitstellen** aus.
+ Auf der Seite **ML Ops** der Canvas-Anwendung wählen Sie die Registerkarte **Bereitstellungen** und dann **Bereitstellung erstellen** aus.
+ JumpStart Fundamentmodelle und fein abgestimmte Fundamentmodelle finden Sie auf der **Ready-to-use Modellseite der Canvas-Anwendung**. Wählen Sie **Inhalt generieren, extrahieren und zusammenfassen**. Suchen Sie dann das JumpStart Foundation-Modell oder das fein abgestimmte Foundation-Modell, das Sie bereitstellen möchten. Wählen Sie das Modell aus und klicken Sie auf der Chat-Seite des Modells auf die Schaltfläche **Bereitstellen**.
Bei all diesen Methoden wird der Seitenbereich **Deploy-Modell** geöffnet, in dem Sie die Bereitstellungskonfiguration für Ihr Modell angeben. Um das Modell über diesen Bereich bereitzustellen, führen Sie die folgenden Schritte aus:
1. (Optional) Wenn Sie eine Bereitstellung auf der Seite **ML Ops** erstellen, haben Sie die Möglichkeit, **Modell und Version auszuwählen**. Verwenden Sie die Dropdown-Menüs, um das Modell und die Modellversion auszuwählen, die Sie bereitstellen möchten.
1. Geben Sie einen Namen in das Feld **Bereitstellungsname** ein.
1. (Nur für JumpStart Foundation-Modelle und fein abgestimmte Foundation-Modelle) Wählen Sie eine **Bereitstellungsdauer** aus. Wählen Sie **Unbegrenzt** aus, um den Endpunkt so lange aktiv zu lassen, bis Sie ihn herunterfahren, oder wählen Sie **Dauer festlegen** aus und geben Sie dann den Zeitraum ein, für den der Endpunkt aktiv bleiben soll.
1. Zum **Beispiel den Instanztyp** erkennt SageMaker KI einen Standard-Instanztyp und eine Standard-Instanznummer, die für Ihr Modell geeignet sind. Sie können jedoch den Instance-Typ ändern, den Sie für das Hosten Ihres Modells verwenden möchten.
**Anmerkung**
Wenn das Instance-Kontingent für den ausgewählten Instance-Typ in Ihrem AWS Konto aufgebraucht ist, können Sie eine Erhöhung des Kontingents beantragen. Weitere Informationen zu den Standardkontingenten und dazu, wie Sie eine Erhöhung beantragen können, finden Sie unter [Amazon SageMaker AI-Endpunkte und Kontingente](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html) im *AWS Allgemeinen Referenzhandbuch.*
1. Unter **Anzahl der Instances** können Sie die Anzahl der aktiven Instances festlegen, die für Ihren Endpunkt verwendet werden. SageMaker KI erkennt eine Standardnummer, die für Ihr Modell geeignet ist. Sie können diese Zahl jedoch ändern.
1. Wenn Sie bereit sind, Ihr Modell bereitzustellen, wählen Sie **Bereitstellen** aus.
Ihr Modell sollte jetzt auf einem Endpunkt bereitgestellt werden.
# Sehen Sie sich Ihre Bereitstellungen an
Möglicherweise möchten Sie den Status oder die Details einer Modellbereitstellung in Amazon SageMaker Canvas überprüfen. Wenn Ihre Bereitstellung beispielsweise fehlgeschlagen ist, möchten Sie möglicherweise die Details zur Fehlerbehebung überprüfen.
Sie können Ihre Canvas-Modellbereitstellungen in der Canvas-Anwendung oder in der Amazon SageMaker AI-Konsole anzeigen.
Wählen Sie eines der folgenden Verfahren, um die Bereitstellungsdetails von Canvas aus anzuzeigen:
Gehen Sie wie folgt vor, um Ihre Bereitstellungsdetails von der Seite **ML Ops** aus aufzurufen:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich die Option **ML Ops**.
1. Wählen Sie die Registerkarte **Bereitstellen**.
1. Wählen Sie den Namen der Bereitstellungsstufe.
Gehen Sie wie folgt vor, um Ihre Bereitstellungsdetails auf der Seite einer Modellversion anzuzeigen:
1. Rufen Sie in der SageMaker Canvas-Anwendung die Detailseite Ihrer Modellversion auf.
1. Wählen Sie die Registerkarte **Bereitstellen**.
1. Suchen Sie im Abschnitt **Bereitstellungen**, in dem alle Bereitstellungskonfigurationen aufgeführt sind, die mit dieser Modellversion verknüpft sind, Ihre Bereitstellung.
1. Wählen Sie das Symbol **Weitere Optionen** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) und dann **Details anzeigen** aus, um die Detailseite zu öffnen.
Die Detailseite für Ihre Bereitstellung wird geöffnet, und Sie können Informationen wie den Zeitpunkt der letzten Vorhersage, den Status und die Konfiguration des Endpunkts sowie die Modellversion anzeigen, die derzeit auf dem Endpunkt bereitgestellt wird.
Sie können Ihre derzeit aktiven Canvas-Workspace-Instanzen und aktiven Endpunkte auch über das **SageMaker AI-Dashboard in der [SageMaker AI-Konsole](https://console.aws.amazon.com/sagemaker/)** einsehen. Ihre Canvas-Endpunkte werden zusammen mit allen anderen von Ihnen erstellten SageMaker KI-Hosting-Endpunkten aufgeführt. Sie können sie filtern, indem Sie nach Endpunkten mit dem Canvas-Tag suchen.
Der folgende Screenshot zeigt das KI-Dashboard. SageMaker Im Bereich **Canvas** können Sie sehen, dass eine Workspace-Instance in Betrieb ist und vier Endpunkte aktiv sind.
![\[Screenshot des SageMaker AI-Dashboards mit den aktiven Canvas-Workspace-Instanzen und -Endpunkten.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-sagemaker-dashboard.png)
# Erstellen einer Bereitstellungskonfiguration
Sie können die Bereitstellungskonfiguration für Modelle aktualisieren, die Sie auf Endpunkten in Amazon SageMaker Canvas bereitgestellt haben. Sie können beispielsweise eine aktualisierte Modellversion auf dem Endpunkt bereitstellen oder Sie können den Instance-Typ oder die Anzahl der Instances hinter dem Endpunkt entsprechend Ihren Kapazitätsanforderungen aktualisieren.
Es gibt verschiedene Möglichkeiten, Ihre Bereitstellung von der Canvas-Anwendung aus zu aktualisieren. Sie können eine der folgenden Methoden verwenden:
+ Auf der Seite **ML Ops** der Canvas-Anwendung können Sie die Registerkarte **Bereitstellungen** und dann die Bereitstellung auswählen, die Sie aktualisieren möchten. Wählen Sie **Konfiguration aktualisieren**.
+ Wenn Sie sich auf der Detailseite für eine Modellversion auf der Registerkarte **Bereitstellen** befinden, können Sie die Bereitstellungen für diese Version anzeigen. Wählen Sie neben der Bereitstellung das Symbol **Weitere Optionen** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) und dann **Konfiguration aktualisieren** aus.
Beide oben genannten Methoden öffnen den Seitenbereich **Konfiguration aktualisieren**, in dem Sie Änderungen an Ihrer Bereitstellungskonfiguration vornehmen können. Zum Aktualisieren der Konfiguration führen Sie einen der folgenden Schritte aus:
1. Im Dropdown-Menü **Version auswählen** können Sie eine andere Modellversion für die Bereitstellung auf dem Endpunkt auswählen.
**Anmerkung**
Wenn Sie eine Bereitstellungskonfiguration aktualisieren, können Sie nur eine andere Modellversion für die Bereitstellung auswählen. Um ein anderes Modell bereitzustellen, erstellen Sie eine neue Bereitstellung.
1. Als **Instance-Typ** können Sie einen anderen Instance-Typ für das Hosten Ihres Modells auswählen.
1. Zum Beispiel **Anzahl der Instances** können Sie die Anzahl der aktiven Instances ändern, die für Ihren Endpunkt verwendet werden.
1. Wählen Sie **Speichern**.
Ihre Bereitstellungskonfiguration sollte jetzt aktualisiert sein.
# Testen der Bereitstellung
Sie können eine Modellbereitstellung testen, indem Sie den Endpunkt aufrufen oder einzelne Prognoseanfragen über die Amazon SageMaker Canvas-Anwendung stellen. Sie können diese Funktion verwenden, um zu überprüfen, ob Ihr Endpunkt auf Anfragen reagiert, bevor Sie Ihren Endpunkt programmgesteuert in einer Produktionsumgebung aufrufen.
## Testen einer benutzerdefinierten Modellbereitstellung
Sie können die Bereitstellung eines benutzerdefinierten Modells testen, indem Sie über die **ML-Ops-Seite** darauf zugreifen und einen einzelnen Aufruf durchführen, der eine Vorhersage zusammen mit der Wahrscheinlichkeit zurückgibt, dass die Vorhersage korrekt ist.
**Anmerkung**
Die Ausführungsdauer ist eine Schätzung der Zeit, die benötigt wird, um den Endpunkt in Canvas aufzurufen und eine Antwort vom Endpunkt zu erhalten. Detaillierte Latenzmetriken finden Sie unter [SageMaker KI Endpoint Invocation](https://docs.aws.amazon.com/sagemaker/latest/dg/monitoring-cloudwatch.html#cloudwatch-metrics-endpoint-invocation) Metrics.
Um Ihren Endpunkt mithilfe der Canvas-Anwendung zu testen, führen Sie die folgenden Schritte aus:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich die Option **ML Ops** aus.
1. Wählen Sie die Registerkarte **Bereitstellen**.
1. Wählen Sie in der Liste der Bereitstellungen die Bereitstellung aus, die den Endpunkt enthält, den Sie aufrufen möchten.
1. Wählen Sie auf der Detailseite der Bereitstellung die Registerkarte **Testbereitstellung** aus.
1. Auf der Seite mit den Bereitstellungstests können Sie die **Werte** Feld ändern, um einen neuen Datenpunkt anzugeben. Für Zeitreihen-Prognosemodelle geben Sie die **Element-ID** an, für die Sie eine Prognose erstellen möchten.
1. Nachdem Sie die Werte geändert haben, wählen Sie **Aktualisieren**, um das Prognoseergebnis zu erhalten.
Die Vorhersage wird zusammen mit den **Aufrufergebnisfeldern** geladen, die angeben, ob der Aufruf erfolgreich war oder nicht und wie lange die Bearbeitung der Anfrage gedauert hat.
Der folgende Screenshot zeigt eine Vorhersage, die in der Canvas-Anwendung auf der Registerkarte **Testbereitstellung** durchgeführt wurde.
![\[Die Canvas-Anwendung, die eine Testvorhersage für ein bereitgestelltes Modell zeigt.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/canvas-test-deployments.png)
Für alle Modelltypen außer numerischer Vorhersage und Zeitreihenprognose gibt die Vorhersage die folgenden Felder zurück:
+ **predicted\$1label** – die vorhergesagte Ausgabe
+ **Wahrscheinlichkeit** – die Wahrscheinlichkeit, dass die vorhergesagte Beschriftung korrekt ist
+ **Beschriftungen** – die Liste aller möglichen Beschriftungen
+ **Wahrscheinlichkeiten** – die Wahrscheinlichkeiten, die jeder Beschriftung entsprechen (die Reihenfolge dieser Liste entspricht der Reihenfolge der Beschriftungen)
Bei numerischen Vorhersagemodellen enthält die Vorhersage nur das **Punktefeld**, das die prognostizierte Ausgabe des Modells darstellt, z. B. den prognostizierten Preis eines Hauses.
Bei Zeitreihen-Prognosemodellen handelt es sich bei der Vorhersage um ein Diagramm, das die Prognosen nach Quantilen darstellt. Sie können die **Schema-Ansicht** auswählen, um die prognostizierten numerischen Werte für jedes Quantil anzuzeigen.
Sie können weiterhin einzelne Vorhersagen auf der Seite mit den Bereitstellungstests treffen, oder im folgenden Abschnitt [Rufen Sie Ihren Endpunkt auf](canvas-deploy-model-invoke.md) erfahren Sie, wie Sie Ihren Endpunkt programmgesteuert von Anwendungen aus aufrufen können.
## Testen Sie eine Bereitstellung eines JumpStart Foundation-Modells
Sie können über die Canvas-Anwendung mit einem bereitgestellten JumpStart Foundation-Modell chatten, um dessen Funktionalität zu testen, bevor Sie es über Code aufrufen.
Gehen Sie wie folgt vor, um mit einem bereitgestellten JumpStart Foundation-Modell zu chatten:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich die Option **ML Ops** aus.
1. Wählen Sie die Registerkarte **Bereitstellen**.
1. Suchen Sie in der Liste der Bereitstellungen diejenige, die Sie aufrufen möchten, und wählen Sie das Symbol **Weitere Optionen** (![\[More options icon for a model deployment.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) aus.
1. Wählen Sie im Kontextmenü die Option **Testbereitstellung** aus.
1. Es wird ein neuer Chat zum **Generieren, Extrahieren und Zusammenfassen von Inhalten** mit dem JumpStart Basismodell geöffnet, und Sie können mit der Eingabe von Eingabeaufforderungen beginnen. Beachten Sie, dass Eingabeaufforderungen aus diesem Chat als Anfragen an Ihren SageMaker AI Hosting-Endpunkt gesendet werden.
# Rufen Sie Ihren Endpunkt auf
**Anmerkung**
Wir empfehlen Ihnen, [Ihre Modellbereitstellung in Amazon SageMaker Canvas zu testen](canvas-deploy-model-test.md), bevor Sie einen SageMaker KI-Endpunkt programmgesteuert aufrufen.
Sie können Ihre Amazon SageMaker Canvas-Modelle, die Sie auf einem SageMaker KI-Endpunkt bereitgestellt haben, in der Produktion mit Ihren Anwendungen verwenden. [Rufen Sie den Endpunkt programmgesteuert auf die gleiche Weise auf, wie Sie jeden anderen SageMaker KI-Echtzeit-Endpunkt aufrufen.](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) Der programmgesteuerte Aufruf eines Endpunkts gibt ein Antwortobjekt zurück, das dieselben Felder enthält, die in [Testen der Bereitstellung](canvas-deploy-model-test.md) beschrieben sind.
Weitere Informationen zum programmgesteuerten Aufrufen von Endpunkten finden Sie unter. [Aufrufen von Modellen für Echtzeit-Inferenz](realtime-endpoints-test-endpoints.md)
Die folgenden Python-Beispiele zeigen Ihnen, wie Sie Ihren Endpunkt basierend auf dem Modelltyp aufrufen.
## JumpStart Grundlegende Modelle
Das folgende Beispiel zeigt Ihnen, wie Sie ein JumpStart Foundation-Modell aufrufen, das Sie auf einem Endpunkt bereitgestellt haben.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(
[['feature_column1', 'feature_column2'],
['feature_column1', 'feature_column2']]
).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Numerische und kategoriale Vorhersagemodelle
Im folgenden Beispiel wird gezeigt, wie Sie numerische oder kategoriale Prognosemodelle aufrufen.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(['feature_column1', 'feature_column2'], ['feature_column1', 'feature_column2']).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Zeitreihen-Prognosemodelle
Das folgende Beispiel zeigt, wie Sie Zeitreihenprognosemodelle aufrufen können. Ein vollständiges Beispiel für den Testaufruf eines Zeitreihen-Prognosemodells finden Sie unter [Zeitreihenprognosen mit Amazon Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb). SageMaker
```
import boto3
import pandas as pd
csv_path = './real-time-payload.csv'
data = pd.read_csv(csv_path)
client = boto3.client("runtime.sagemaker")
body = data.to_csv(index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Modelle zur Bildvorhersage
Das folgende Beispiel zeigt, wie Sie Bildvorhersagemodelle aufrufen können.
```
import boto3
client = boto3.client("runtime.sagemaker")
with open("example_image.jpg", "rb") as file:
body = file.read()
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="application/x-image",
Body=body,
Accept="application/json"
)
```
## Modelle zur Textvorhersage
Das folgende Beispiel zeigt, wie Sie Textvorhersagemodelle aufrufen können.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame([["Example text 1"], ["Example text 2"]]).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
# Löschen einer Modellbereitstellung
Sie können Ihre Modellbereitstellungen aus der Amazon SageMaker Canvas-Anwendung löschen. Durch diese Aktion wird auch der Endpunkt aus der SageMaker AI-Konsole gelöscht und alle Ressourcen, die sich auf den Endpunkt beziehen, heruntergefahren.
**Anmerkung**
Optional können Sie Ihren Endpunkt über die [SageMaker KI-Konsole oder mithilfe der KI-API](https://console.aws.amazon.com/sagemaker/) löschen. SageMaker `DeleteEndpoint` Weitere Informationen finden Sie unter [Endpunkte und Ressourcen löschen](realtime-endpoints-delete-resources.md). Wenn Sie den Endpunkt jedoch über die SageMaker AI-Konsole oder APIs anstelle der Canvas-Anwendung löschen, wird die Liste der Bereitstellungen in Canvas nicht automatisch aktualisiert. Sie müssen die Bereitstellung auch aus der Canvas-Anwendung löschen, um sie aus der Liste zu entfernen.
Um eine Bereitstellung in Canvas zu löschen, führen Sie die folgenden Schritte aus:
1. Öffnen Sie die SageMaker Canvas-Anwendung.
1. Wählen Sie im linken Navigationsbereich die Option **ML Ops** aus.
1. Wählen Sie die Registerkarte **Bereitstellen**.
1. Wählen Sie in der Liste der Bereitstellungen die aus, die Sie löschen möchten.
1. Wählen Sie oben auf der Bereitstellungsdetails-Seite das Symbol **Weitere Optionen** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) aus.
1. Wählen Sie **Bereitstellung löschen** aus.
1. Wählen Sie im Dialogfeld **Bereitstellung löschen** die Option **Löschen** aus.
Ihr Bereitstellungs- und SageMaker KI-Hosting-Endpunkt sollten jetzt sowohl aus Canvas als auch aus der SageMaker AI-Konsole gelöscht werden.
# So verwalten Sie Automatisierungen
In SageMaker Canvas können Sie Automatisierungen erstellen, die Ihren Datensatz aktualisieren oder nach einem Zeitplan Vorhersagen anhand Ihres Modells generieren. Beispielsweise erhalten Sie möglicherweise täglich neue Versanddaten. Sie können eine automatische Aktualisierung für Ihren Datensatz und automatische Batchvorhersagen einrichten, die bei jeder Aktualisierung des Datensatzes ausgeführt werden. Mithilfe dieser Funktionen können Sie einen automatisierten Workflow einrichten und den Zeitaufwand für die manuelle Aktualisierung von Datensätzen und das Erstellen von Prognosen reduzieren.
**Anmerkung**
Sie können in Ihrer Canvas-Anwendung nur maximal 20 automatische Konfigurationen einrichten. Automatisierungen sind nur aktiv, solange Sie bei der Canvas-Anwendung angemeldet sind. Wenn Sie sich von Canvas abmelden, werden Ihre automatischen Jobs angehalten, bis Sie sich wieder anmelden.
In den folgenden Abschnitten wird beschrieben, wie Sie Konfigurationen für vorhandene Automatisierungen anzeigen, bearbeiten und löschen. Weitere Informationen zum Einrichten von Automatisierungen finden Sie in den folgenden Themen:
+ Informationen zum Einrichten automatischer Datensatzaktualisierungen finden Sie unter [Aktualisieren eines Datensatzes](canvas-update-dataset.md).
+ Informationen zum Einrichten automatischer Batchvorhersagen finden Sie unter [Batch-Vorhersagen in SageMaker Canvas](canvas-make-predictions-batch.md).
**Topics**
+ [Anzeige Ihrer Automatisierungen](canvas-manage-automations-view.md)
+ [Bearbeiten Ihrer automatischen Konfigurationen](canvas-manage-automations-edit.md)
+ [Löschen einer automatischen Konfiguration](canvas-manage-automations-delete.md)
# Anzeige Ihrer Automatisierungen
Sie können auch alle Ihre Jobs für auto Updates anzeigen, indem Sie im linken Navigationsbereich von Canvas **ML Ops** auswählen. Auf der Seite **ML Operations** werden Automatisierungen sowohl für automatische Datensatzaktualisierungen als auch für automatische Batch-Vorhersagen kombiniert. Auf der Registerkarte **Automatisierungen** können Sie die folgenden Unterregisterkarten sehen:
+ **Alle Jobs** – Sie können jede Instance eines Auftrages zur **Datensatzaktualisierung** oder **Batch-Vorhersage** sehen, den Canvas ausgeführt hat. Für jeden Auftrag können Sie Felder wie den zugehörigen **Eingabedatensatz**, den **Konfigurationsnamen** der zugehörigen Konfiguration für die autom. Aktualisierung und den **Status** sehen, der anzeigt, ob der Auftrag erfolgreich war oder nicht. Sie können die Aufträge nach dem Konfigurationsnamen filtern:
+ Bei Aufträgen zur Datensatz-Aktualisierung können Sie die neueste Version des Datensatzes oder den neuesten Auftrag auswählen, um eine Vorschau des Datensatzes anzuzeigen.
+ Bei Aufträgen zur Batchvorhersage können Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen, um die Prognosen für diesen Auftrag anzuzeigen oder herunterzuladen. Sie können auch **Details anzeigen** auswählen, um weitere Informationen zu Ihrem Vorhersageauftrag anzuzeigen. Weitere Informationen zu Details von Batch-Vorhersageaufträgen finden Sie unter [Anzeigen Ihrer Batch-Vorhersageaufträge](canvas-make-predictions-batch-auto-view.md).
+ **Konfiguration** – Sie können alle Konfigurationen für **Datensatz-Updates** und **Batch-Vorhersagen** sehen, die Sie erstellt haben. Für jede Konfiguration können Sie Felder wie den zugehörigen **Eingabedatensatz** und die **Häufigkeit** der Aufträge sehen. Sie können auch den Schalter **Automatische Aktualisierung** ein- oder ausschalten, um automatische Updates anzuhalten oder fortzusetzen. Wenn Sie für eine bestimmte Konfiguration das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) auswählen, können Sie wählen, ob Sie **alle Aufträge für die Konfiguration anzeigen**, **Konfiguration aktualisieren oder Konfiguration** **löschen** auswählen.
# Bearbeiten Ihrer automatischen Konfigurationen
Nach der Einrichtung einer Konfiguration möchten Sie möglicherweise Änderungen daran vornehmen. Für automatische Datensatzaktualisierungen können Sie den Amazon S3-Speicherort für Canvas zum Importieren von Daten, die Häufigkeit der Aktualisierungen und die Startzeit aktualisieren. Für automatische Batch-Vorhersagen können Sie den Datensatz ändern, der in der Konfiguration auf Aktualisierungen folgt. Sie können die Automatisierung auch ausschalten, um Aktualisierungen vorübergehend anzuhalten, bis Sie sie fortsetzen möchten.
In den folgenden Abschnitten wird gezeigt, wie Sie die einzelnen Konfigurationstypen aktualisieren.
**Anmerkung**
Sie können die Häufigkeit für automatische Batch-Vorhersagen nicht ändern, da automatische Batch-Vorhersagen bei jeder Aktualisierung des Ziel-Datensatzes ausgeführt werden.
**Topics**
+ [Bearbeiten Sie Ihre Konfiguration für die automatische Datensatzaktualisierung](canvas-manage-automations-edit-dataset.md)
+ [Bearbeiten Sie Ihre Konfiguration für die automatische Batch-Vorhersage](canvas-manage-automations-edit-batch.md)
# Bearbeiten Sie Ihre Konfiguration für die automatische Datensatzaktualisierung
Möglicherweise möchten Sie Änderungen an der Konfiguration für die auto Aktualisierung eines Datensatzes vornehmen, z. B. die Häufigkeit der Aktualisierungen ändern. Möglicherweise möchten Sie auch die Konfiguration für automatische Updates deaktivieren, um die Aktualisierungen Ihjres Datensatzes zu unterbrechen.
Gehen Sie wie folgt vor, um Änderungen an der Konfiguration für die auto Aktualisierung eines Datensatzes vorzunehmen:
1. Wählen Sie im linken Navigationsbereich von Canvas die Option **ML Ops** aus.
1. Wählen Sie die Registerkarte **Automatisierungen** aus.
1. Wählen Sie die Registerkarte **Konfiguration** aus.
1. Wählen Sie für Ihre auto Update-Konfiguration das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Wählen Sie im Dropdown-Menü **Konfiguration aktualisieren** aus. Sie werden zur Registerkarte **Automatische Updates** des Datensatzes weitergeleitet.
1. Nehmen Sie Ihre Änderungen an der Konfiguration vor. Wenn Sie die gewünschten Änderungen vorgenommen haben, wählen Sie **Speichern** aus.
Um Ihre Datensatzaktualisierungen zu unterbrechen, schalten Sie Ihre automatische Konfiguration aus. Eine Möglichkeit, auto Updates zu deaktivieren, besteht darin, wie folgt vorzugehen:
1. Wählen Sie im linken Navigationsbereich von Canvas die Option **ML Ops** aus.
1. Wählen Sie die Registerkarte **Automatisierungen** aus.
1. Wählen Sie die Registerkarte **Konfiguration** aus.
1. Suchen Sie Ihre Konfiguration in der Liste und schalten Sie den Schalter **Automatische Aktualisierung** aus.
Automatische Aktualisierungen für Ihren Datensatz sind jetzt angehalten. Sie können diesen Schalter jederzeit wieder einschalten, um den Aktualisierungsplan fortzusetzen.
# Bearbeiten Sie Ihre Konfiguration für die automatische Batch-Vorhersage
Wenn Sie eine Konfiguration für Batch-Vorhersagen bearbeiten, können Sie den Zieldatensatz ändern, nicht jedoch die Häufigkeit (da automatische Batch-Vorhersagen immer dann erfolgen, wenn der Datensatz aktualisiert wird).
Gehen Sie wie folgt vor, um Änderungen an Ihrer Konfiguration für automatische Batch-Vorhersagen vorzunehmen:
1. Wählen Sie im linken Navigationsbereich von Canvas die Option **ML Ops** aus.
1. Wählen Sie die Registerkarte **Automatisierungen** aus.
1. Wählen Sie die Registerkarte **Konfiguration** aus.
1. Wählen Sie für Ihre auto Update-Konfiguration das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Wählen Sie im Dropdown-Menü **Konfiguration aktualisieren** aus. Sie werden zur Registerkarte **Automatische Updates** des Datensatzes weitergeleitet.
1. Das Dialogfeld **Batchvorhersage automatisieren** wird geöffnet. Sie können einen anderen Datensatz auswählen und **Einrichten** wählen, um Ihre Änderungen zu speichern.
Ihre Konfiguration für automatische Batch-Vorhersagen ist jetzt aktualisiert.
Um Ihre automatischen Batch-Vorhersagen anzuhalten, schalten Sie Ihre automatische Konfiguration aus. Gehen Sie wie folgt vor, um Ihre Konfiguration zu deaktivieren:
1. Wählen Sie im linken Navigationsbereich von Canvas die Option **ML Ops** aus.
1. Wählen Sie die Registerkarte **Automatisierungen** aus.
1. Wählen Sie die Registerkarte **Konfiguration** aus.
1. Suchen Sie Ihre Konfiguration in der Liste und schalten Sie den Schalter **Automatische Aktualisierung** aus.
Automatische Batch-Vorhersagen für Ihren Datensatz sind jetzt angehalten. Sie können diesen Schalter jederzeit wieder einschalten, um den Aktualisierungsplan fortzusetzen.
# Löschen einer automatischen Konfiguration
Möglicherweise möchten Sie eine Konfiguration löschen, um Ihren automatisierten Workflow in SageMaker Canvas zu beenden.
Gehen Sie wie folgt vor, um eine Konfiguration für automatische Datensatzaktualisierungen oder automatische Batch-Prognosen zu löschen:
1. Wählen Sie im linken Navigationsbereich von Canvas die Option **ML Ops** aus.
1. Wählen Sie die Registerkarte **Automatisierungen** aus.
1. Wählen Sie die Registerkarte **Konfiguration** aus.
1. Suchen Sie nach Ihrer Konfiguration für auto Updates und wählen Sie das Symbol **Weitere Optionen** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Wählen Sie **Delete configuration (Konfiguration löschen)**aus.
1. Wählen Sie in dem sich öffnenden Dialogfeld die Option **Löschen** aus.
Ihre Konfiguration für auto Updates ist jetzt gelöscht.
# Von Amazon SageMaker Canvas abmelden
Nachdem Sie Ihre Arbeit in Amazon SageMaker Canvas abgeschlossen haben, können Sie sich abmelden oder Ihre Anwendung so konfigurieren, dass die *Workspace-Instance* automatisch beendet wird. Jedes Mal, wenn Sie eine Canvas-Anwendung starten, wird Ihnen eine Workspace-Instance zur Verfügung gestellt. Die Kosten werden Ihnen für die gesamte Laufzeit der Instance in Rechnung gestellt. Durch das Abmelden oder Beenden der Workspace-Instance wird die Abrechnung für die Workspace-Instance beendet. Weitere Informationen finden Sie unter [SageMaker – Preise](https://aws.amazon.com/sagemaker/pricing/).
In den folgenden Abschnitten wird beschrieben, wie Sie sich aus Ihrer Canvas-Anwendung abmelden und wie Sie Ihre Anwendung so konfigurieren, dass sie sich automatisch nach einem festgelegten Zeitplan herunterfährt.
## Abmelden vom Canvas
Wenn Sie sich aus Canvas abmelden, bleiben Ihre Modelle und Datensätze davon unberührt. Alle Quick- oder Standard-Modell-Builds oder [umfangreiche Datenverarbeitungsaufträge](canvas-export-data.md#canvas-export-data-s3) werden auch nach Ihrer Abmeldung weiter ausgeführt.
Um sich abzumelden, wählen Sie im linken Bereich der SageMaker Canvas-Anwendung die Schaltfläche **Abmelden** (![\[Filter icon in the SageMaker Canvas app.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/studio/canvas/logout-icon.png)).
Sie können sich auch von der SageMaker Canvas-Anwendung abmelden, indem Sie Ihren Browser-Tab schließen und dann [die Anwendung in der Konsole löschen](canvas-manage-apps-delete.md).
Nachdem Sie sich abgemeldet haben, fordert Sie SageMaker Canvas auf, auf einer anderen Registerkarte neu zu starten. Die Anmeldung dauert etwa 1 Minute. Wenn Sie einen Administrator haben, der SageMaker Canvas für Sie eingerichtet hat, verwenden Sie die Anweisungen, die er Ihnen gegeben hat, um sich wieder anzumelden. Wenn Sie keinen Administrator haben, finden Sie Informationen zum Verfahren für den Zugriff auf SageMaker Canvas unter[Voraussetzungen für die Einrichtung von Amazon SageMaker Canvas](canvas-getting-started.md#canvas-prerequisites).
## Automatisches Herunterfahren von Canvas
Wenn Sie Canvas-Administrator sind, möchten Sie möglicherweise Anwendungen regelmäßig herunterfahren, um Kosten zu sparen. Sie können entweder einen Zeitplan zum Herunterfahren aktiver Canvas-Anwendungen erstellen oder eine Automatisierung einrichten, um Canvas-Anwendungen herunterzufahren, sobald sie *inaktiv* sind (d. h. wenn der Benutzer seit 2 Stunden nicht mehr aktiv war).
Sie können diese Lösungen mithilfe von AWS Lambda Funktionen erstellen, die unter bestimmten Bedingungen die `DeleteApp` API aufrufen und Canvas-Anwendungen löschen. Weitere Informationen zu diesen Lösungen und Zugriff auf CloudFormation Vorlagen, die Sie verwenden können, finden Sie im Blog [Optimierung der Kosten für Amazon SageMaker Canvas durch automatisches Herunterfahren inaktiver Apps](https://aws.amazon.com/blogs/machine-learning/optimizing-costs-for-amazon-sagemaker-canvas-with-automatic-shutdown-of-idle-apps/).
**Anmerkung**
Möglicherweise fehlen [ CloudWatchAmazon-Metriken](https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/WhatIsCloudWatch.html), wenn bei der Einrichtung Ihres Zeitplans für das Herunterfahren im Leerlauf ein Fehler oder ein CloudWatch Fehler aufgetreten ist. Wir empfehlen Ihnen, einen CloudWatch Alarm hinzuzufügen, der nach fehlenden Messwerten sucht. Wenn Sie auf dieses Problem stoßen, wenden Sie sich an uns, Support um Hilfe zu erhalten.
# Einschränkungen und Fehlerbehebung
Im folgenden Abschnitt werden die Hilfe zur Fehlerbehebung und die Einschränkungen beschrieben, die bei der Verwendung von Amazon SageMaker Canvas gelten. Sie können dieses Thema verwenden, um Ihnen bei der Behebung von Problemen zu helfen, auf die Sie stoßen.
## Behebung von Problemen bei der Erteilung von Berechtigungen über die SageMaker AI-Konsole
Wenn Sie Probleme haben, Ihrem Benutzer Canvas-Basisberechtigungen oder Ready-to-use Modellberechtigungen zu gewähren, hat Ihr Benutzer möglicherweise eine AWS IAM-Ausführungsrolle mit mehr als einer Vertrauensstellung zu anderen AWS Diensten. Eine Vertrauensstellung ist eine mit Ihrer Rolle verknüpfte Richtlinie, die definiert, welche Prinzipale (Benutzer, Rollen, Konten oder Services) die Rolle übernehmen können. Beispielsweise könnte ein Problem auftreten, wenn Sie Ihrem Benutzer zusätzliche Canvas-Berechtigungen gewähren, wenn seine Ausführungsrolle sowohl zu Amazon SageMaker AI als auch zu Amazon Forecast eine Vertrauensbeziehung hat.
Sie können dieses Problem beheben, indem Sie eine der folgenden Optionen auswählen.
### 1. Entfernen Sie alle vertrauenswürdigen Services bis auf einen aus der Rolle.
Bei dieser Lösung müssen Sie die Vertrauensstellung für die IAM-Rolle Ihres Benutzerprofils bearbeiten und alle AWS Dienste außer SageMaker KI entfernen.
Gehen Sie wie folgt vor, um die Vertrauensstellung für Ihre IAM-Ausführungsrolle zu bearbeiten:
1. Gehen Sie zur IAM-Konsole unter. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. Wählen Sie im Navigationsbereich der IAM Console **Roles** (Rollen) aus. In der Konsole werden die Rollen für Ihr Konto angezeigt.
1. Wählen Sie den Namen der Rolle aus, die Sie ändern möchten, und öffnen Sie die Registerkarte **Trust relationships** auf der Detailseite.
1. Wählen Sie **Vertrauensrichtlinie bearbeiten** aus.
1. Fügen Sie im **Editor für die Vertrauensstellung** Folgendes ein, und wählen Sie dann **Richtlinie aktualisieren**.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
},
"Action": "sts:AssumeRole"
}
]
}
```
------
Sie können dieses Richtliniendokument auch mit der IAM CLI aktualisieren. Weitere Informationen finden Sie unter [update-trust](https://docs.aws.amazon.com/cli/latest/reference/ds/update-trust.html) in der *IAM-Befehlszeilenreferenz*.
Sie können jetzt erneut versuchen, Ihrem Benutzer die Canvas-Basisberechtigungen oder die Ready-to-use Modellberechtigungen zu gewähren.
### 2. Verwenden Sie eine andere Rolle mit einem oder weniger vertrauenswürdigen Services.
Für diese Lösung müssen Sie eine andere IAM-Rolle für Ihr Benutzerprofil angeben. Verwenden Sie diese Option, wenn Sie bereits eine IAM-Rolle haben, die Sie ersetzen können.
Um eine andere Ausführungsrolle für Ihren Benutzer anzugeben, führen Sie die folgenden Schritte aus:
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie aus der Liste der Domains die Domain aus, für die Sie eine Liste mit Benutzerprofilen anzeigen möchten.
1. Wählen Sie auf der Seite mit den **Domaindetails** die Registerkarte **Benutzerprofile** aus.
1. Wählen Sie den Benutzer, dessen Berechtigungen Sie bearbeiten möchten. Wählen Sie auf der Seite **Benutzerdetails** die Option **Bearbeiten**.
1. Wählen Sie auf der Seite **Allgemeine Einstellungen** die Dropdown-Liste **Ausführungsrolle** und wählen Sie die Rolle aus, die Sie verwenden möchten.
1. Wählen Sie **Senden**, um Ihre Änderungen am Benutzerprofil zu speichern.
Ihr Benutzer sollte jetzt eine Ausführungsrolle mit nur einem vertrauenswürdigen Dienst (SageMaker KI) verwenden.
Sie können erneut versuchen, Ihrem Benutzer die Canvas-Basisberechtigungen oder die Ready-to-use Modellberechtigungen zu gewähren.
### 3. Hängen Sie die AWS verwaltete Richtlinie manuell an die Ausführungsrolle an, anstatt den Schalter in den SageMaker AI-Domäneneinstellungen zu verwenden.
Anstatt den Schalter in den Domains- oder Benutzerprofileinstellungen zu verwenden, können Sie die verwalteten AWS -Richtlinien, die einem Benutzer die richtigen Berechtigungen gewähren, manuell anhängen.
Um einem Benutzer Canvas-Basisberechtigungen zu gewähren, hängen Sie die [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)Richtlinie an. Um einem Ready-to-use Benutzermodell Berechtigungen zu gewähren, fügen Sie die [AmazonSageMakerCanvasAIServicesZugriffsrichtlinie](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) bei.
Gehen Sie wie folgt vor, um Ihrer Rolle eine AWS verwaltete Richtlinie hinzuzufügen:
1. Rufen Sie die IAM-Konsole unter auf [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/).
1. Wählen Sie **Roles**.
1. Suchen Sie im Suchfeld anhand des Namens nach der IAM-Rolle des Benutzers und wählen Sie sie aus.
1. Wählen Sie auf der Seite für die Benutzerrolle unter **Berechtigungen** die Option **Berechtigungen hinzufügen** aus.
1. Wählen Sie aus dem Dropdown-Menü die Option **Richtlinien anhängen**.
1. Suchen Sie nach der Richtlinie oder den Richtlinien, die Sie der Ausführungsrolle des Benutzers zuordnen möchten, und wählen Sie sie aus:
1. Um Canvas-Basisberechtigungen zu gewähren, suchen Sie nach der [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)Richtlinie und wählen Sie sie aus.
1. Um den Ready-to-use Modellen Berechtigungen zu gewähren, suchen Sie nach der [AmazonSageMakerCanvasAIServicesZugriffsrichtlinie](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) und wählen Sie sie aus.
1. Wählen Sie **Berechtigungen hinzufügen**, um die Richtlinie mit der Rolle zu verknüpfen.
Nachdem Sie der Rolle des Benutzers über die IAM-Konsole eine AWS verwaltete Richtlinie hinzugefügt haben, sollte Ihr Benutzer nun über die Canvas-Basisberechtigungen oder Ready-to-use Modellberechtigungen verfügen.
## Behebung von Problemen beim Erstellen einer Canvas-Anwendung aufgrund eines Bereichsfehlers
Wenn Sie beim Erstellen einer neuen Canvas-Anwendung auf einen Fehler stoßen, bedeutet dies`Unable to create app because space is not in InService state`, dass die Erstellung des zugrunde liegenden Amazon SageMaker Studio-Speicherplatzes fehlgeschlagen ist. Ein *Studio*-Bereich ist der zugrunde liegende Speicher, der Ihre Canvas-Anwendungsdaten hostet. Allgemeinere Informationen über Studio-Bereiche finden Sie unter [Amazon SageMaker Studio-Räume](studio-updated-spaces.md). Allgemeinere Informationen zur Konfiguration von Bereichen in Canvas finden Sie unter [Speichern Sie SageMaker Canvas-Anwendungsdaten in Ihrem eigenen KI-Bereich SageMaker](canvas-spaces-setup.md).
Um die Hauptursache dafür zu ermitteln, warum die Erstellung des Speicherplatzes fehlgeschlagen ist, können Sie das `FailureReason` Feld mithilfe der [DescribeSpace](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeSpace.html)API überprüfen. Weitere Informationen zu den möglichen Status der Bereiche und ihrer Bedeutung finden Sie unter [Entitäten und Status der Amazon SageMaker AI-Domain](sm-domain.md).
Um dieses Problem zu beheben, suchen Sie in der SageMaker AI-Konsole nach Ihrer Domain und löschen Sie den fehlerhaften Speicherplatz, der in der Fehlermeldung aufgeführt ist, die Sie erhalten haben. Ausführliche Schritte zum Suchen und Löschen eines Bereichs finden Sie auf der Seite [Stoppen und Löschen Ihrer laufenden Studio-Anwendungen und -Bereiche](studio-updated-running-stop.md). Folgen Sie dort den Anweisungen zum **Löschen eines Studio-Bereichs**. Durch das Löschen des Bereichs werden auch alle mit diesem Bereich verbundenen Anwendungen gelöscht. Nachdem Sie den Bereich gelöscht haben, können Sie erneut versuchen, Ihre Canvas-Anwendung zu erstellen. Der Bereich sollte jetzt erfolgreich bereitgestellt werden, sodass Canvas gestartet werden kann.
# Abrechnung und Kosten in SageMaker Canvas
Um die mit Ihrer SageMaker Canvas-Anwendung verbundenen Kosten zu verfolgen, können Sie den AWS Fakturierung und Kostenmanagement Service nutzen. Das Rechnungs- und Kostenmanagement bietet Tools, mit denen Sie Informationen über Ihre Kosten und Nutzung sammeln, Ihre Kostentreiber und Nutzungstrends analysieren und Maßnahmen zur Budgetierung Ihrer Ausgaben ergreifen können. Weitere Informationen finden Sie unter [Was ist AWS Fakturierung und Kostenmanagement?](https://docs.aws.amazon.com/awsaccountbilling/latest/aboutv2/billing-what-is.html)
Die Abrechnung in SageMaker Canvas besteht aus den folgenden Komponenten:
+ Gebühren für Workspace-Instanzen — Ihnen wird die Anzahl der Stunden in Rechnung gestellt, für die Sie angemeldet sind oder SageMaker Canvas verwenden. Wir empfehlen Ihnen, sich abzumelden oder einen Zeitplan zum Herunterfahren aller Canvas-Anwendungen zu erstellen, die Sie nicht aktiv nutzen, um Kosten zu sparen. Weitere Informationen finden Sie unter [Von Amazon SageMaker Canvas abmelden](canvas-log-out.md).
+ AWS Servicegebühren — Ihnen werden Gebühren für die Erstellung und Erstellung von Prognosen mit benutzerdefinierten Modellen oder für die Erstellung von Prognosen mit Ready-to-use Modellen in Rechnung gestellt:
+ Trainingsgebühren: Für alle Modelltypen werden Ihnen die Gebühren entsprechend Ihrer Ressourcennutzung während der Modellerstellung in Rechnung gestellt. Zu diesen Ressourcen gehören alle Rechen-Instances, die Canvas bereitstellt. Diese Gebühren werden in Ihrem Konto möglicherweise als Hosting-, Trainings-, Verarbeitungs- oder Batch-Transformationsaufträge aufgeführt.
+ Prognosegebühren — Ihnen werden die für die Erstellung von Prognosen verwendeten Ressourcen in Rechnung gestellt, je nachdem, welche Art von benutzerdefiniertem Modell Sie erstellt haben oder welche Art von Ready-to-use Modell Sie verwendet haben.
Die [Ready-to-use Modelle](canvas-ready-to-use-models.md) in Canvas nutzen andere AWS Dienste, um Vorhersagen zu generieren. Wenn Sie ein Ready-to-use Modell verwenden, wird Ihnen der jeweilige Service in Rechnung gestellt, und es gelten die jeweiligen Preisbedingungen:
+ Für die Stimmungsanalyse, die Extraktion von Entitäten, die Spracherkennung und die Erkennung personenbezogener Daten werden Ihnen die [Amazon Comprehend-Preise](https://aws.amazon.com/comprehend/pricing/) berechnet.
+ Für die Objekterkennung in Bildern und die Texterkennung in Bildern werden Ihnen die [Amazon-Rekognition-Preise](https://aws.amazon.com/rekognition/pricing/) berechnet.
+ Für die Kostenanalyse, die Analyse von Ausweisdokumenten und die Dokumentenanalyse werden Ihnen die [Amazon-Textract-Preise](https://aws.amazon.com/textract/pricing/) berechnet.
Weitere Informationen finden Sie unter [SageMaker Preise für Canvas](https://aws.amazon.com/sagemaker/canvas/pricing/).
Um Ihnen zu helfen, Ihre Kosten in Billing and Cost Management nachzuverfolgen, können Sie Ihrer SageMaker Canvas-App und Ihren Benutzern benutzerdefinierte Tags zuweisen. Sie können die Kosten verfolgen, die Ihren Apps entstehen, und indem Sie einzelne Benutzerprofile taggen, können Sie die Kosten anhand des Benutzerprofils verfolgen. Weitere Informationen zu Tags finden Sie unter [Verwendung von Kostenumlage-Tags](https://docs.aws.amazon.com/awsaccountbilling/latest/aboutv2/cost-alloc-tags.html).
Sie können Ihrer SageMaker Canvas-App und Ihren Benutzern Tags hinzufügen, indem Sie wie folgt vorgehen:
+ Wenn Sie Ihre Amazon SageMaker AI-Domain und SageMaker Canvas zum ersten Mal einrichten, folgen Sie den Anweisungen für die ersten [Schritte](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html) und fügen Sie Tags hinzu, wenn Sie Ihre Domain oder Benutzer erstellen. Sie können Tags entweder über die **Allgemeinen Einstellungen** im Domain-Konsolen-Setup oder über das APIs ([CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)oder [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)) hinzufügen. SageMaker AI fügt die in Ihrer Domain angegebenen Tags oder UserProfile allen SageMaker Canvas-Apps oder Benutzern hinzu, die Sie nach der Erstellung der Domain erstellen.
+ Wenn Sie Tags zu Apps in einer vorhandenen Domain hinzufügen möchten, müssen Sie Tags entweder der Domain oder der hinzufügen UserProfile. Sie können Tags entweder über die Konsole oder die [AddTags](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AddTags.html)API hinzufügen. Wenn Sie Tags über die Konsole hinzufügen, müssen Sie Ihre SageMaker Canvas-App löschen und neu starten, damit die Tags in der App verbreitet werden. Wenn Sie die API verwenden, werden die Tags direkt zur App hinzugefügt. [Weitere Informationen zum Löschen und Neustarten einer SageMaker Canvas-App finden Sie unter Apps verwalten.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-manage-apps.html)
Nachdem Sie Ihrer Domain Tags hinzugefügt haben, kann es bis zu 24 Stunden dauern, bis die Tags zur Aktivierung in der AWS Fakturierung und Kostenmanagement Konsole angezeigt werden. Nachdem sie in der Konsole angezeigt wurden, dauert es weitere 24 Stunden, bis die Tags aktiviert sind.
Auf der **Cost Explorer**-Seite können Sie Ihre Kosten nach Tags und Nutzungsarten gruppieren und filtern, um Ihre Workspace-Instance-Gebühren von Ihren Trainingsgebühren zu trennen. Die jeweiligen Gebühren sind wie folgt aufgeführt:
+ Gebühren für Workspace-Instances: Die Gebühren werden unter der Nutzungsart `REGION-Canvas:Session-Hrs (Hrs)` angezeigt.
+ Schulungsgebühren: Die Gebühren werden unter den Nutzungsarten für SageMaker KI-Hosting-, Schulungs-, Verarbeitungs- oder Batch-Transform-Jobs angezeigt.
# SageMaker Geospatial-Funktionen von Amazon
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Wenn Sie vor dem 30. November 2023 eine Amazon SageMaker AI-Domain erstellt haben, bleibt Studio Classic das Standarderlebnis. Domains, die nach dem 30. November 2023 erstellt wurden, verwenden standardmäßig das neue Studio-Erlebnis.
SageMaker Geospatiale Funktionen und Ressourcen von Amazon sind *nur* in Studio Classic verfügbar. Weitere Informationen zum Einrichten einer Domain und zu den ersten Schritten mit Studio finden Sie unter [Erste Schritte mit Amazon SageMaker Geospatial](geospatial-getting-started.md).
Die SageMaker Geodatenfunktionen von Amazon erleichtern es Datenwissenschaftlern und Technikern für maschinelles Lernen (ML), ML-Modelle mithilfe von Geodaten schneller zu erstellen, zu trainieren und bereitzustellen. Sie haben Zugriff auf Open-Source-Daten-, Verarbeitungs- und Visualisierungstools von Drittanbietern, um die Aufbereitung von Geodaten für ML effizienter zu gestalten. Sie können Ihre Produktivität steigern, indem Sie speziell entwickelte Algorithmen und vortrainierte ML-Modelle verwenden, um die Modellbildung und das Training zu beschleunigen, und integrierte Visualisierungstools verwenden, um die Prognoseergebnisse auf einer interaktiven Karte zu untersuchen und dann teamübergreifend an Erkenntnissen und Ergebnissen zu arbeiten.
**Anmerkung**
Derzeit werden SageMaker Geodatenfunktionen nur in der Region USA West (Oregon) unterstützt.
Wenn die SageMaker Geospatial-Benutzeroberfläche in Ihrer aktuellen Studio Classic-Instanz nicht verfügbar ist, überprüfen Sie, ob Sie sich derzeit in der Region USA West (Oregon) befinden.
**Warum SageMaker Geodatenfunktionen verwenden?**
Mithilfe von SageMaker Geodatenfunktionen können Sie Vorhersagen für Geodaten schneller treffen als mit Lösungen. do-it-yourself SageMaker Geodatenfunktionen erleichtern den Zugriff auf Geodaten aus Ihren bestehenden Kundendatenseen, Open-Source-Datensätzen und anderen Geodatenanbietern. SageMaker SageMaker Geodatenfunktionen minimieren den Bedarf an maßgeschneiderten Infrastrukturen und Datenvorverarbeitungsfunktionen, indem sie speziell entwickelte Algorithmen für effiziente Datenaufbereitung, Modelltraining und Inferenz anbieten. Sie können auch benutzerdefinierte Visualisierungen und Daten von Amazon SageMaker Studio Classic aus erstellen und mit Ihrem Unternehmen teilen. SageMaker Geodatenfunktionen bieten vortrainierte Modelle für allgemeine Anwendungen in der Landwirtschaft, im Immobilienbereich, im Versicherungswesen und im Finanzdienstleistungssektor.
## Wie kann ich georäumliche Funktionen nutzen SageMaker ?
Sie können SageMaker Geodatenfunktionen auf zwei Arten verwenden.
+ Über die SageMaker Geospatial-Benutzeroberfläche als Teil der Amazon SageMaker Studio Classic-Benutzeroberfläche.
+ Über eine Studio-Notebook-Instance, die das **Geospatial 1.0**-Image verwendet.
**SageMaker KI verfügt über die folgenden räumlichen Funktionen**
+ Verwenden Sie ein speziell entwickeltes SageMaker Geodatenbild, das sowohl CPU- als auch GPU-basierte Notebook-Instanzen unterstützt und außerdem häufig verwendete Open-Source-Bibliotheken enthält, die in Workflows für maschinelles Lernen mit Geodaten verwendet werden.
+ Verwenden Sie Amazon SageMaker Processing und den SageMaker Geospatial-Container, um umfangreiche Workloads mit Ihren eigenen Datensätzen auszuführen, darunter Boden-, Wetter-, Klima-, LiDAR- und kommerzielle Luft- und Satellitenbilder.
+ Führen Sie einen [Erdbeobachtungsauftrag](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-eoj.html) für die Rasterdatenverarbeitung aus.
+ Führen Sie einen [Vector Enrichment-Job](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-vej.html) aus, um Breiten- und Längengrade in für Menschen lesbare Adressen umzuwandeln und verrauschte GPS-Tracks bestimmten Straßen zuzuordnen.
+ Verwenden Sie [direkt in Studio Classic integrierte Visualisierungstools, um Geodaten oder Modellvorhersagen interaktiv auf einer Karte anzuzeigen](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-visualize.html).
Sie können auch Daten aus einer Sammlung von Geodatenanbietern verwenden. Derzeit sind unter anderem folgende Datensammlungen verfügbar:
+ [https://www.usgs.gov/centers/eros/data-citation?qt-science_support_page_related_con=0#qt-science_support_page_related_con](https://www.usgs.gov/centers/eros/data-citation?qt-science_support_page_related_con=0#qt-science_support_page_related_con)
+ [https://sentinels.copernicus.eu/documents/247904/690755/Sentinel_Data_Legal_Notice](https://sentinels.copernicus.eu/documents/247904/690755/Sentinel_Data_Legal_Notice)
+ [https://sentinel.esa.int/web/sentinel/missions/sentinel-2](https://sentinel.esa.int/web/sentinel/missions/sentinel-2)
+ [https://registry.opendata.aws/copernicus-dem/](https://registry.opendata.aws/copernicus-dem/)
+ [https://registry.opendata.aws/naip/](https://registry.opendata.aws/naip/)
## Verwenden Sie Geospatial zum ersten Mal? SageMaker
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Nach dem 30. November 2023 erstellte neue Domains werden standardmäßig in der Studiokonfiguration angezeigt. Der Zugriff auf SageMaker Geospatial ist auf Studio Classic beschränkt. Weitere Informationen finden Sie unter[Zugreifen auf Geospatial SageMaker](access-studio-classic-geospatial.md).
Wenn Sie Amazon SageMaker AI zum ersten Mal AWS verwenden, empfehlen wir Ihnen, Folgendes zu tun:
1. **Erstellen Sie eine AWS-Konto.**
Informationen zur Einrichtung eines AWS Kontos und zu den ersten Schritten mit SageMaker KI finden Sie unter[Vollständige Amazon SageMaker AI-Voraussetzungen](gs-set-up.md).
1. **Erstellen Sie eine Benutzerrolle und eine Ausführungsrolle, die mit SageMaker Geospatial funktionieren**.
Als verwalteter Service führt Amazon SageMaker Geospatial Capabilities in Ihrem Namen Operationen auf der AWS Hardware durch, die SageMaker KI verwaltet. Eine SageMaker KI-Ausführungsrolle kann nur die Operationen ausführen, die Benutzer gewähren. Um mit SageMaker Geodatenfunktionen arbeiten zu können, müssen Sie eine Benutzerrolle und eine Ausführungsrolle einrichten. Weitere Informationen finden Sie unter [SageMaker Funktionen und Rollen im Zusammenhang mit räumlichen Daten](sagemaker-geospatial-roles.md).
1. **Aktualisieren Sie Ihre Vertrauensrichtlinie, sodass sie auch SageMaker Geodaten einbezieht**.
SageMaker Geospatial definiert einen zusätzlichen Dienstprinzipal. Informationen zum Erstellen oder Aktualisieren der Vertrauensrichtlinie für Ihre SageMaker KI-Ausführungsrolle finden Sie unter[Den SageMaker Geospatial Service Principal zu einer bestehenden SageMaker AI-Ausführungsrolle hinzufügen](sagemaker-geospatial-roles-pass-role.md).
1. **Richten Sie eine Amazon SageMaker AI-Domain für den Zugriff auf Amazon SageMaker Studio Classic ein.**
Um SageMaker Geospatial verwenden zu können, ist eine Domain erforderlich. Für Domains, die vor dem 30. November 2023 erstellt wurden, ist Studio Classic die Standardkonfiguration. Für Domains, die nach dem 30. November 2023 erstellt wurden, ist es Studio. Weitere Informationen zum Zugriff auf Studio Classic von Studio aus finden Sie unter [Zugreifen auf Geospatial SageMaker](access-studio-classic-geospatial.md).
1. **Denken Sie daran, die Ressourcen herunterzufahren.**
Wenn Sie die Nutzung der SageMaker Geodatenfunktionen beendet haben, fahren Sie die Instanz herunter, auf der sie ausgeführt wird, um zusätzliche Kosten zu vermeiden. Weitere Informationen finden Sie unter [Ressourcen von Amazon SageMaker Studio Classic herunterfahren](notebooks-run-and-manage-shut-down.md).
**Topics**
+ [Wie kann ich georäumliche Funktionen nutzen SageMaker ?](#how-use-geo)
+ [Verwenden Sie Geospatial zum ersten Mal? SageMaker](#first-time-geospatial-data)
+ [Erste Schritte mit Amazon SageMaker Geospatial](geospatial-getting-started.md)
+ [Verwendung eines Verarbeitungsauftrags für benutzerdefinierte Geodaten-Workloads](geospatial-custom-operations.md)
+ [Jobs im Bereich Erdbeobachtung](geospatial-eoj.md)
+ [Jobs im Bereich Vektoranreicherung](geospatial-vej.md)
+ [Visualisierung mithilfe von SageMaker Geodatenfunktionen](geospatial-visualize.md)
+ [Amazon SageMaker Geospatial Map SDK](geospatial-notebook-sdk.md)
+ [SageMaker Häufig gestellte Fragen zu Geodatenfunktionen](geospatial-faq.md)
+ [SageMaker Geospatiale Sicherheit und Berechtigungen](geospatial-security-general.md)
+ [Arten von Recheninstances](geospatial-instances.md)
+ [Datenerfassung](geospatial-data-collections.md)
# Erste Schritte mit Amazon SageMaker Geospatial
SageMaker Geospatial bietet einen speziell entwickelten **Image** - und **Instance-Typ** für Amazon SageMaker Studio Classic-Notebooks. **Sie können entweder CPU- oder GPU-fähige Notebooks mit dem SageMaker Geospatial Image verwenden.** Sie können Ihre Geodaten auch mit einem speziell entwickelten Visualizer visualisieren. Darüber hinaus können Sie mit SageMaker Geospatial auch APIs Rasterdatensammlungen abfragen. Sie können auch vortrainierte Modelle verwenden, um Geodaten zu analysieren, Geokodierung rückgängig zu machen und Karten abzugleichen.
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Wenn Sie vor dem 30. November 2023 eine Amazon SageMaker AI-Domain erstellt haben, bleibt Studio Classic das Standarderlebnis. Domains, die nach dem 30. November 2023 erstellt wurden, verwenden standardmäßig das neue Studio-Erlebnis.
Gehen Sie wie folgt vor, um auf Amazon SageMaker Geospatial zuzugreifen und mit der Nutzung zu beginnen:
**Topics**
+ [Zugreifen auf Geospatial SageMaker](access-studio-classic-geospatial.md)
+ [Erstellen Sie ein Amazon SageMaker Studio Classic-Notizbuch mithilfe des Geodatenbilds](geospatial-launch-notebook.md)
+ [Greifen Sie auf die Sentinel-2-Rasterdatensammlung zu und erstellen Sie einen Erdbeobachtungsauftrag zur Landsegmentierung](geospatial-demo.md)
# Zugreifen auf Geospatial SageMaker
**Anmerkung**
Derzeit werden SageMaker Geodatenfunktionen nur in der Region USA West (Oregon) und in Studio Classic unterstützt.
Wenn die SageMaker Geospatial-Benutzeroberfläche in Ihrer aktuellen Studio Classic-Instanz nicht verfügbar ist, überprüfen Sie, ob Sie sich derzeit in der Region USA West (Oregon) befinden.
Für den Zugriff auf SageMaker Geospatial ist eine Domäne erforderlich. Wenn Sie vor dem 30. November 2023 eine Domain erstellt haben, ist das Standardkonfiguration Studio Classic.
Wenn Sie eine Domäne nach dem 30. November 2023 erstellt haben oder wenn Sie zu Studio migriert sind, können Sie das folgende Verfahren verwenden, um Studio Classic von Studio aus zu aktivieren, um SageMaker Geodatenfunktionen zu verwenden.
Weitere Informationen zum Erstellen einer Domain finden Sie unter [Onboard to Amazon SageMaker AI domain](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html).
**So greifen Sie von Studio aus auf Studio Classic zu**
1. Starten Sie Amazon SageMaker Studio.
1. Wählen Sie unter **Anwendungen** die Option **Studio Classic** aus.
1. Wählen Sie dann **Studio-Classic-Bereich erstellen** aus.
1. Geben Sie auf der Seite **Studio-Classic-Bereich erstellen** einen **Namen** ein.
1. Deaktivieren Sie die Option **Mit meiner Domain teilen**. SageMaker Geospatial ist in gemeinsam genutzten Domänen nicht verfügbar.
1. Wählen Sie dann **Bereich erstellen** aus.
Bei Erfolg ändert sich der **Status** zu **Wird aktualisiert**. Wenn Ihre Studio-Classic-Anwendung einsatzbereit ist, ändert sich der Status in **Gestoppt**.
Um Ihre Studio-Classic-Anwendung zu starten, wählen Sie **Ausführen** aus.
# Erstellen Sie ein Amazon SageMaker Studio Classic-Notizbuch mithilfe des Geodatenbilds
**Wichtig**
Seit dem 30. November 2023 heißt das vorherige Amazon SageMaker Studio-Erlebnis jetzt Amazon SageMaker Studio Classic. Der folgende Abschnitt bezieht sich konkret auf die Verwendung der Studio-Classic-Anwendung. Informationen zur Verwendung der aktualisierten Studio-Konfiguration finden Sie unter [Amazon SageMaker Studio](studio-updated.md).
Studio Classic wird weiterhin für bestehende Workloads beibehalten, ist aber nicht mehr für das Onboarding verfügbar. Sie können nur bestehende Studio Classic-Anwendungen beenden oder löschen und keine neuen erstellen. Wir empfehlen Ihnen, [Ihren Workload auf das neue Studio-Erlebnis zu migrieren](studio-updated-migrate.md).
**Anmerkung**
Derzeit werden SageMaker Geodaten nur in der Region USA West (Oregon) unterstützt.
Wenn Sie in Ihrer aktuellen Domain oder Notebook-Instanz nicht sehen, dass SageMaker Geodaten in Ihrer aktuellen Domain oder Notebook-Instanz verfügbar sind, stellen Sie sicher, dass Sie sich derzeit in der Region USA West (Oregon) befinden.
Gehen Sie wie folgt vor, um ein Studio Classic-Notizbuch mit dem SageMaker Geodatenbild zu erstellen. Wenn Sie Studio als Standardversion verwenden, finden Sie unter [Zugreifen auf Geospatial SageMaker](access-studio-classic-geospatial.md) weitere Informationen zum Starten einer Studio-Classic-Anwendung.
**So erstellen Sie ein Studio Classic-Notizbuch mit dem SageMaker Geodatenbild**
1. Starten von Studio Classic
1. Wählen Sie in der Menüleiste **Startseite**.
1. Wählen Sie unter **Schnellaktionen** die Option **Launcher öffnen** aus.
1. Wenn das **Launcher**-Dialogfeld geöffnet wird. Wählen Sie unter **Notebooks und Rechenressourcen** die Option **Umgebung ändern** aus.
1. Wenn, wird das Dialogfeld **Umgebung ändern** geöffnet. Wählen Sie das Dropdown-Menü **Bild** und wählen Sie **Geospatial 1.0** aus, oder geben Sie es ein.
![\[Ein Dialogfeld, in dem das richtige Geodatenbild und der gewählte Instance-Typ angezeigt werden.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/geospatial-environment-dialogue.png)
1. Wählen Sie als Nächstes einen **Instance-Typ** aus der Dropdown-Liste aus.
SageMaker Geospatial unterstützt zwei Arten von Notebook-Instanzen: CPU und GPU. Die unterstützte CPU-Instance heißt **ml.geospatial.interactive**. Jede GPU-Instance der G5-Familie kann mit dem Geospatial 1.0-Image verwendet werden.
**Anmerkung**
Wenn Sie beim Versuch, eine GPU-basierte Instanz zu starten, eine ResourceLimitExceededFehlermeldung erhalten, müssen Sie eine Erhöhung des Kontingents beantragen. Informationen zur Beantragung einer Quotenerhöhung für Service Quotas finden Sie unter [Beantragung einer Quotenerhöhung](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) im *Service Quotas-Benutzerhandbuch*
1. Wählen Sie **Select (Auswählen)**.
1. Klicken Sie auf **Create Notebook (Notebook erstellen)**.
Nachdem Sie ein Notizbuch erstellt haben, können Sie das SageMaker Geospatial-Tutorial ausprobieren, um mehr über [SageMaker Geodaten](geospatial-demo.md) zu erfahren. Es zeigt Ihnen, wie Sie Sentinel-2-Bilddaten verarbeiten und mithilfe der API für Erdbeobachtungsjobs eine Landsegmentierung durchführen.
# Greifen Sie auf die Sentinel-2-Rasterdatensammlung zu und erstellen Sie einen Erdbeobachtungsauftrag zur Landsegmentierung
Dieses Python-basierte Tutorial verwendet das SDK für Python (Boto3) und ein Amazon Studio Classic-Notizbuch. SageMaker Um diese Demo erfolgreich abzuschließen, stellen Sie sicher, dass Sie über die erforderlichen AWS Identity and Access Management (IAM-) Berechtigungen für die Verwendung von Geospatial und Studio Classic verfügen. SageMaker SageMaker Geospatial erfordert, dass Sie über einen Benutzer, eine Gruppe oder eine Rolle verfügen, die auf Studio Classic zugreifen können. Sie müssen außerdem über eine SageMaker AI-Ausführungsrolle verfügen, die den Prinzipal des SageMaker Geospatial Service `sagemaker-geospatial.amazonaws.com` in ihrer Vertrauensrichtlinie spezifiziert.
Weitere Informationen zu diesen Anforderungen finden Sie unter [SageMaker Geospatial IAM-Rollen](sagemaker-geospatial-roles.md).
In diesem Tutorial erfahren Sie, wie Sie die SageMaker Geospatial-API verwenden, um die folgenden Aufgaben auszuführen:
+ Finden Sie die verfügbaren Raster-Datensammlungen mit `list_raster_data_collections`.
+ Suchen Sie eine angegebene Raster-Datensammlung mithilfe von `search_raster_data_collection`.
+ Erstellen Sie einen Erdbeobachtungsauftrag (EOJ) mithilfe von `start_earth_observation_job`.
## Verwenden von `list_raster_data_collections`, um verfügbare Datensammlungen zu finden
SageMaker Geospatial unterstützt mehrere Rasterdatensammlungen. Weitere Informationen zu den verfügbaren Datensammlungen finden Sie unter [Datenerfassung](geospatial-data-collections.md).
In dieser Demo werden Satellitendaten verwendet, die von [Sentinel-2Cloud-optimierten GeoTIFF-Satelliten](https://registry.opendata.aws/sentinel-2-l2a-cogs/) gesammelt wurden. Diese Satelliten decken alle fünf Tage die Landoberfläche der Erde weltweit ab. Die Sentinel-2-Satelliten sammeln nicht nur Oberflächenbilder der Erde, sondern auch Daten über eine Vielzahl von Spektralbändern.
Um ein Interessengebiet (AOI) zu durchsuchen, benötigen Sie den ARN, der mit den Sentinel-2-Satellitendaten verknüpft ist. Verwenden Sie den `list_raster_data_collections` API-Vorgang, um die verfügbaren Datensammlungen und die zugehörigen Datensammlungen ARNs in Ihrem AWS-Region zu finden.
Da die Antwort paginiert werden kann, müssen Sie den `get_paginator` Vorgang verwenden, um alle relevanten Daten zurückzugeben:
```
import boto3
import sagemaker
import sagemaker_geospatial_map
import json
## SageMaker Geospatial is currently only avaialable in US-WEST-2
session = boto3.Session(region_name='us-west-2')
execution_role = sagemaker.get_execution_role()
## Creates a SageMaker Geospatial client instance
geospatial_client = session.client(service_name="sagemaker-geospatial")
# Creates a resusable Paginator for the list_raster_data_collections API operation
paginator = geospatial_client.get_paginator("list_raster_data_collections")
# Create a PageIterator from the paginator class
page_iterator = paginator.paginate()
# Use the iterator to iterate throught the results of list_raster_data_collections
results = []
for page in page_iterator:
results.append(page['RasterDataCollectionSummaries'])
print(results)
```
Dies ist ein Beispiel für eine JSON-Antwort aus dem `list_raster_data_collections` API-Vorgang. Sie ist so gekürzt, dass sie nur die Datensammlung (Sentinel-2) enthält, die in diesem Codebeispiel verwendet wird. Weitere Informationen zu einer bestimmten Raster-Datensammlung erhalten Sie mit `get_raster_data_collection`:
```
{
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"Description": "Sentinel-2a and Sentinel-2b imagery, processed to Level 2A (Surface Reflectance) and converted to Cloud-Optimized GeoTIFFs",
"DescriptionPageUrl": "https://registry.opendata.aws/sentinel-2-l2a-cogs",
"Name": "Sentinel 2 L2A COGs",
"SupportedFilters": [
{
"Maximum": 100,
"Minimum": 0,
"Name": "EoCloudCover",
"Type": "number"
},
{
"Maximum": 90,
"Minimum": 0,
"Name": "ViewOffNadir",
"Type": "number"
},
{
"Name": "Platform",
"Type": "string"
}
],
"Tags": {},
"Type": "PUBLIC"
}
```
Nachdem Sie das vorherige Codebeispiel ausgeführt haben, erhalten Sie den ARN der Sentinel-2-Raster-Datensammlung, `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`. Im [nächsten Abschnitt](#demo-search-raster-data) können Sie die Sentinel-2-Datensammlung mithilfe der `search_raster_data_collection` API abfragen.
## Durchsuchen der Sentinel-2 Raster-Datensammlung mit `search_raster_data_collection`
Im vorherigen Abschnitt haben Sie `list_raster_data_collections` den ARN für die Sentinel-2 Datenerfassung abgerufen. Jetzt können Sie diesen ARN verwenden, um die Datensammlung über einen bestimmten Interessenbereich (AOI), einen bestimmten Zeitraum, Eigenschaften und die verfügbaren UV-Bänder zu durchsuchen.
Um die `search_raster_data_collection` API aufzurufen, müssen Sie dem Python `RasterDataCollectionQuery` Parameter ein Wörterbuch übergeben. Dieses Beispiel verwendet `AreaOfInterest`, `TimeRangeFilter`, `PropertyFilters`, und `BandFilter`. Der Einfachheit halber können Sie das Python-Wörterbuch mithilfe der Variablen **search\$1rdc\$1query** angeben, die die Suchabfrageparameter enthalten:
```
search_rdc_query = {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
# coordinates are input as longitute followed by latitude
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2022-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z"
},
"PropertyFilters": {
"Properties": [
{
"Property": {
"EoCloudCover": {
"LowerBound": 0,
"UpperBound": 1
}
}
}
],
"LogicalOperator": "AND"
},
"BandFilter": [
"visual"
]
}
```
In diesem Beispiel fragen Sie einen `AreaOfInterest` ab, der [Lake Mead](https://en.wikipedia.org/wiki/Lake_Mead) in Utah enthält. Darüber hinaus unterstützt Sentinel-2 mehrere Arten von Bildbändern. Um die Veränderung der Wasseroberfläche zu messen, benötigen Sie nur das `visual` Band.
Nachdem Sie die Abfrageparameter erstellt haben, können Sie die `search_raster_data_collection` API verwenden, um die Anfrage zu stellen.
Das folgende Codebeispiel implementiert eine `search_raster_data_collection` API-Anfrage. Diese API unterstützt keine Paginierung mithilfe der `get_paginator` API. Um sicherzustellen, dass die vollständige API-Antwort erfasst wurde, verwendet das Codebeispiel eine `while` Schleife, um zu überprüfen, ob `NextToken` vorhanden ist. Das Codebeispiel wird dann verwendet`.extend()`, um das Satellitenbild URLs und andere Antwortmetadaten an die `items_list` anzuhängen.
Weitere Informationen zu finden Sie [SearchRasterDataCollection](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_SearchRasterDataCollection.html)in der *Amazon SageMaker AI API-Referenz*. `search_raster_data_collection`
```
search_rdc_response = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query
)
## items_list is the response from the API request.
items_list = []
## Use the python .get() method to check that the 'NextToken' exists, if null returns None breaking the while loop
while search_rdc_response.get('NextToken'):
items_list.extend(search_rdc_response['Items'])
search_rdc_response = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query, NextToken=search_rdc_response['NextToken']
)
## Print the number of observation return based on the query
print (len(items_list))
```
Nachfolgend sehen Sie eine JSON-Antwort auf Ihre Abfrage. Sie wurde aus Gründen der Übersichtlichkeit gekürzt. Nur das in der Anfrage angegebene **"BandFilter": ["visual"]** wird im Schlüssel-Wert-Paar `Assets` zurückgegeben:
```
{
'Assets': {
'visual': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/6/S2A_15TUH_20220623_0_L2A/TCI.tif'
}
},
'DateTime': datetime.datetime(2022, 6, 23, 17, 22, 5, 926000, tzinfo = tzlocal()),
'Geometry': {
'Coordinates': [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
],
'Type': 'Polygon'
},
'Id': 'S2A_15TUH_20220623_0_L2A',
'Properties': {
'EoCloudCover': 0.046519,
'Platform': 'sentinel-2a'
}
}
```
Jetzt, wo Sie Ihre Abfrageergebnisse haben, können Sie die Ergebnisse im nächsten Abschnitt visualisieren, indem Sie `matplotlib` verwenden. Auf diese Weise wird überprüft, ob die Ergebnisse aus der richtigen geografischen Region stammen.
## Visualisierung von `search_raster_data_collection` mit `matplotlib`
Bevor Sie mit dem Erdbeobachtungsjob (EOJ) beginnen, können Sie ein Ergebnis unserer Abfrage mit `matplotlib` visualisieren. Das folgende Codebeispiel verwendet das erste Element, `items_list[0]["Assets"]["visual"]["Href"]`, aus der `items_list`-Variablen, die im vorherigen Codebeispiel erstellt wurde, und druckt ein Bild mit `matplotlib`.
```
# Visualize an example image.
import os
from urllib import request
import tifffile
import matplotlib.pyplot as plt
image_dir = "./images/lake_mead"
os.makedirs(image_dir, exist_ok=True)
image_dir = "./images/lake_mead"
os.makedirs(image_dir, exist_ok=True)
image_url = items_list[0]["Assets"]["visual"]["Href"]
img_id = image_url.split("/")[-2]
path_to_image = image_dir + "/" + img_id + "_TCI.tif"
response = request.urlretrieve(image_url, path_to_image)
print("Downloaded image: " + img_id)
tci = tifffile.imread(path_to_image)
plt.figure(figsize=(6, 6))
plt.imshow(tci)
plt.show()
```
Nachdem Sie überprüft haben, ob sich die Ergebnisse in der richtigen geografischen Region befinden, können Sie im nächsten Schritt den Earth Observation Job (EOJ) starten. Sie verwenden das EOJ, um die Gewässer anhand der Satellitenbilder zu identifizieren, indem Sie ein Verfahren verwenden, das als Landsegmentierung bezeichnet wird.
## Starten Sie einen Erdbeobachtungsauftrag (EOJ), der eine Landsegmentierung anhand einer Reihe von Satellitenbildern durchführt
SageMaker Geospatial bietet mehrere vortrainierte Modelle, mit denen Sie Geodaten aus Rasterdatensammlungen verarbeiten können. Weitere Informationen zu den verfügbaren vortrainierten Modellen und benutzerdefinierten Operationen finden Sie unter [Arten von Operationen](geospatial-eoj-models.md).
Um die Veränderung der Wasseroberfläche zu berechnen, müssen Sie ermitteln, welche Pixel in den Bildern Wasser entsprechen. Die Landbedeckungssegmentierung ist ein semantisches Segmentierungsmodell, das von der `start_earth_observation_job` API unterstützt wird. Semantische Segmentierungsmodelle ordnen jedem Pixel in jedem Bild eine Bezeichnung zu. In den Ergebnissen wird jedem Pixel eine Bezeichnung zugewiesen, die auf der Klassenzuweisung für das Modell basiert. Im Folgenden finden Sie die Klassenkarte für das Landsegmentierungsmodell:
```
{
0: "No_data",
1: "Saturated_or_defective",
2: "Dark_area_pixels",
3: "Cloud_shadows",
4: "Vegetation",
5: "Not_vegetated",
6: "Water",
7: "Unclassified",
8: "Cloud_medium_probability",
9: "Cloud_high_probability",
10: "Thin_cirrus",
11: "Snow_ice"
}
```
Verwenden Sie die `start_earth_observation_job` API, um einen Erdbeobachtungsjob zu starten. Beim Senden Ihrer Anfrage müssen Sie Folgendes angeben:
+ `InputConfig`(*dict*) – Wird verwendet, um die Koordinaten des Bereichs, den Sie durchsuchen möchten, und andere Metadaten, die mit Ihrer Suche verknüpft sind, anzugeben.
+ `JobConfig`(*dict*) – Wird verwendet, um den Typ der EOJ-Operation anzugeben, die Sie mit den Daten ausgeführt haben. Dieses Beispiel verwendet **LandCoverSegmentationConfig**.
+ `ExecutionRoleArn`(*string*) — Der ARN der SageMaker AI-Ausführungsrolle mit den erforderlichen Berechtigungen zur Ausführung des Jobs.
+ `Name`(*string*) – Ein Name für den Erdbeobachtungsauftrag.
Das `InputConfig` ist ein Python Wörterbuch. Verwenden Sie die folgende Variable **eoj\$1input\$1config**, um die Suchabfrageparameter zu speichern. Verwenden Sie diese Variable, wenn Sie die `start_earth_observation_job` API-Anfrage stellen. w.
```
# Perform land cover segmentation on images returned from the Sentinel-2 dataset.
eoj_input_config = {
"RasterDataCollectionQuery": {
"RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates":[
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
}
}
```
Das `JobConfig` ist ein Python Wörterbuch, das verwendet wird, um die EOJ-Operation zu spezifizieren, die Sie für Ihre Daten ausführen möchten:
```
eoj_config = {"LandCoverSegmentationConfig": {}}
```
Nachdem die Wörterbuchelemente jetzt angegeben sind, können Sie Ihre `start_earth_observation_job` API-Anfrage mithilfe des folgenden Codebeispiels einreichen:
```
# Gets the execution role arn associated with current notebook instance
execution_role_arn = sagemaker.get_execution_role()
# Starts an earth observation job
response = sm_geo_client.start_earth_observation_job(
Name="lake-mead-landcover",
InputConfig=eoj_input_config,
JobConfig=eoj_config,
ExecutionRoleArn=execution_role_arn,
)
print(response)
```
Der Job „Eine Erdbeobachtung starten“ gibt einen ARN zusammen mit anderen Metadaten zurück.
Um eine Liste aller laufenden und aktuellen Erdbeobachtungsaufträge abzurufen, verwenden Sie die `list_earth_observation_jobs` API. Verwenden Sie die `get_earth_observation_job` API, um den Status eines einzelnen Erdbeobachtungsauftrags zu überwachen. Verwenden Sie für diese Anfrage den ARN, der nach dem Absenden Ihrer EOJ-Anfrage erstellt wurde. Weitere Informationen finden Sie [GetEarthObservationJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_GetEarthObservationJob.html)in der *Amazon SageMaker AI API-Referenz*.
Um die mit Ihnen ARNs EOJs verbundenen `list_earth_observation_jobs` API-Operationen zu finden. Weitere Informationen finden Sie [ListEarthObservationJobs](https://docs.aws.amazon.com//sagemaker/latest/APIReference/API_geospatial_ListEarthObservationJobs.html)in der *Amazon SageMaker AI API-Referenz*.
```
# List all jobs in the account
sg_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]
```
Nachfolgend finden Sie ein Beispiel einer JSON-Antwort:
```
{
'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/futg3vuq935t',
'CreationTime': datetime.datetime(2023, 10, 19, 4, 33, 54, 21481, tzinfo = tzlocal()),
'DurationInSeconds': 3493,
'Name': 'lake-mead-landcover',
'OperationType': 'LAND_COVER_SEGMENTATION',
'Status': 'COMPLETED',
'Tags': {}
}, {
'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/wu8j9x42zw3d',
'CreationTime': datetime.datetime(2023, 10, 20, 0, 3, 27, 270920, tzinfo = tzlocal()),
'DurationInSeconds': 1,
'Name': 'mt-shasta-landcover',
'OperationType': 'LAND_COVER_SEGMENTATION',
'Status': 'INITIALIZING',
'Tags': {}
}
```
Nachdem der Status Ihres EOJ-Auftrags auf `COMPLETED` geändert wurde, fahren Sie mit dem nächsten Abschnitt fort, um die Änderung der Fläche von Lake Mead's zu berechnen.
## Berechnung der Veränderung der Oberfläche des Mead-Sees
Um die Änderung der Oberfläche von Lake Mead zu berechnen, exportieren Sie zunächst die Ergebnisse des EOJ nach Amazon S3, indem Sie Folgendes verwenden: `export_earth_observation_job`
```
sagemaker_session = sagemaker.Session()
s3_bucket_name = sagemaker_session.default_bucket() # Replace with your own bucket if needed
s3_bucket = session.resource("s3").Bucket(s3_bucket_name)
prefix = "export-lake-mead-eoj" # Replace with the S3 prefix desired
export_bucket_and_key = f"s3://{s3_bucket_name}/{prefix}/"
eoj_output_config = {"S3Data": {"S3Uri": export_bucket_and_key}}
export_response = sm_geo_client.export_earth_observation_job(
Arn="arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/7xgwzijebynp",
ExecutionRoleArn=execution_role_arn,
OutputConfig=eoj_output_config,
ExportSourceImages=False,
)
```
Um den Status Ihres Exportauftrags zu sehen, verwenden Sie: `get_earth_observation_job`
```
export_job_details = sm_geo_client.get_earth_observation_job(Arn=export_response["Arn"])
```
Um die Veränderungen des Wasserspiegels von Lake Mead zu berechnen, laden Sie die Landbedeckungsmasken auf die lokale SageMaker Notebook-Instanz herunter und laden Sie die Quellbilder aus unserer vorherigen Abfrage herunter. In der Klassenkarte für das Landsegmentierungsmodell ist der Klassenindex für Wasser 6.
Gehen Sie wie folgt vor, um die Wassermaske aus einem Sentinel-2-Bild zu extrahieren. Zählen Sie zunächst die Anzahl der Pixel, die im Bild als Wasser (Klassenindex 6) markiert sind. Zweitens multiplizieren Sie die Anzahl mit der Fläche, die jedes Pixel abdeckt. Bänder können sich in ihrer räumlichen Auflösung unterscheiden. Für das Modell der Landbedeckungssegmentierung werden alle Bänder auf eine räumliche Auflösung von 60 Metern heruntergerechnet.
```
import os
from glob import glob
import cv2
import numpy as np
import tifffile
import matplotlib.pyplot as plt
from urllib.parse import urlparse
from botocore import UNSIGNED
from botocore.config import Config
# Download land cover masks
mask_dir = "./masks/lake_mead"
os.makedirs(mask_dir, exist_ok=True)
image_paths = []
for s3_object in s3_bucket.objects.filter(Prefix=prefix).all():
path, filename = os.path.split(s3_object.key)
if "output" in path:
mask_name = mask_dir + "/" + filename
s3_bucket.download_file(s3_object.key, mask_name)
print("Downloaded mask: " + mask_name)
# Download source images for visualization
for tci_url in tci_urls:
url_parts = urlparse(tci_url)
img_id = url_parts.path.split("/")[-2]
tci_download_path = image_dir + "/" + img_id + "_TCI.tif"
cogs_bucket = session.resource(
"s3", config=Config(signature_version=UNSIGNED, region_name="us-west-2")
).Bucket(url_parts.hostname.split(".")[0])
cogs_bucket.download_file(url_parts.path[1:], tci_download_path)
print("Downloaded image: " + img_id)
print("Downloads complete.")
image_files = glob("images/lake_mead/*.tif")
mask_files = glob("masks/lake_mead/*.tif")
image_files.sort(key=lambda x: x.split("SQA_")[1])
mask_files.sort(key=lambda x: x.split("SQA_")[1])
overlay_dir = "./masks/lake_mead_overlay"
os.makedirs(overlay_dir, exist_ok=True)
lake_areas = []
mask_dates = []
for image_file, mask_file in zip(image_files, mask_files):
image_id = image_file.split("/")[-1].split("_TCI")[0]
mask_id = mask_file.split("/")[-1].split(".tif")[0]
mask_date = mask_id.split("_")[2]
mask_dates.append(mask_date)
assert image_id == mask_id
image = tifffile.imread(image_file)
image_ds = cv2.resize(image, (1830, 1830), interpolation=cv2.INTER_LINEAR)
mask = tifffile.imread(mask_file)
water_mask = np.isin(mask, [6]).astype(np.uint8) # water has a class index 6
lake_mask = water_mask[1000:, :1100]
lake_area = lake_mask.sum() * 60 * 60 / (1000 * 1000) # calculate the surface area
lake_areas.append(lake_area)
contour, _ = cv2.findContours(water_mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
combined = cv2.drawContours(image_ds, contour, -1, (255, 0, 0), 4)
lake_crop = combined[1000:, :1100]
cv2.putText(lake_crop, f"{mask_date}", (10,50), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA)
cv2.putText(lake_crop, f"{lake_area} [sq km]", (10,100), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA)
overlay_file = overlay_dir + '/' + mask_date + '.png'
cv2.imwrite(overlay_file, cv2.cvtColor(lake_crop, cv2.COLOR_RGB2BGR))
# Plot water surface area vs. time.
plt.figure(figsize=(20,10))
plt.title('Lake Mead surface area for the 2021.02 - 2022.07 period.', fontsize=20)
plt.xticks(rotation=45)
plt.ylabel('Water surface area [sq km]', fontsize=14)
plt.plot(mask_dates, lake_areas, marker='o')
plt.grid('on')
plt.ylim(240, 320)
for i, v in enumerate(lake_areas):
plt.text(i, v+2, "%d" %v, ha='center')
plt.show()
```
Mithilfe von `matplotlib` können Sie die Ergebnisse grafisch visualisieren. Die Grafik zeigt, dass die Oberfläche des Sees Mead von Januar 2021 bis Juli 2022 abgenommen hat.
![\[Ein Balkendiagramm zeigt, dass die Oberfläche von Lake Mead von Januar 2021 bis Juli 2022 abgenommen hat\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/lake-mead-decrease.png)
# Verwendung eines Verarbeitungsauftrags für benutzerdefinierte Geodaten-Workloads
Mit [Amazon SageMaker Processing](processing-job.md) können Sie eine vereinfachte, verwaltete SageMaker KI-Umgebung nutzen, um Ihre Datenverarbeitungs-Workloads mit dem speziell entwickelten Geospatial-Container auszuführen.
Die zugrunde liegende Infrastruktur für einen Amazon SageMaker Processing-Job wird vollständig von SageMaker KI verwaltet. Während eines Verarbeitungsauftrags werden Cluster-Ressourcen für die Dauer Ihres Jobs bereitgestellt und nach Abschluss eines Jobs bereinigt.
![\[Ausführen eines Verarbeitungsauftrags.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/Processing-1.png)
Das obige Diagramm zeigt, wie SageMaker KI einen Auftrag zur Verarbeitung von Geodaten ausführt. SageMaker KI nimmt Ihr Geospatial-Workload-Skript, kopiert Ihre Geodaten aus Amazon Simple Storage Service (Amazon S3) und ruft dann den angegebenen Geodatencontainer ab. Die dem Verarbeitungsauftrag zugrunde liegende Infrastruktur wird vollständig von KI verwaltet. SageMaker Cluster-Ressourcen werden für die Dauer Ihres Jobs bereitgestellt und nach Abschluss eines Jobs bereinigt. Die Ausgabe des Verarbeitungsauftrags wird in dem von Ihnen angegebenen Bucket gespeichert.
**Einschränkungen bei der Pfadbenennung**
Die lokalen Pfade innerhalb eines Containers für Verarbeitungsaufträge müssen mit **/opt/ml/processing/** beginnen.
SageMaker Geospatial stellt einen speziell entwickelten Container bereit`081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest`, der bei der Ausführung eines Verarbeitungsauftrags spezifiziert werden kann.
**Topics**
+ [Überblick: Führen Sie Verarbeitungsaufträge mithilfe eines Geodatencontainers aus `ScriptProcessor` SageMaker](geospatial-custom-operations-overview.md)
+ [Verwenden von `ScriptProcessor` zur Berechnung des Normalized Difference Vegetation Index (NDVI) anhand von Sentinel-2-Satellitendaten](geospatial-custom-operations-procedure.md)
# Überblick: Führen Sie Verarbeitungsaufträge mithilfe eines Geodatencontainers aus `ScriptProcessor` SageMaker
SageMaker Geospatial bietet einen speziell entwickelten Verarbeitungscontainer,. `081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest` Sie können diesen Container verwenden, wenn Sie einen Job mit Amazon SageMaker Processing ausführen. Wenn Sie eine Instanz der [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor)Klasse erstellen, die über das *Amazon SageMaker Python SDK for Processing* verfügbar ist, geben Sie dies an`image_uri`.
**Anmerkung**
Wenn Sie beim Versuch, einen Verarbeitungsjob zu starten, eine ResourceLimitExceededFehlermeldung erhalten, müssen Sie eine Erhöhung des Kontingents beantragen. Informationen zur Beantragung einer Quotenerhöhung für Service Quotas finden Sie unter [Beantragung einer Quotenerhöhung](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) im *Service Quotas-Benutzerhandbuch*
**Voraussetzungen für die Verwendung von `ScriptProcessor`**
1. Sie haben ein Python Skript erstellt, das Ihre Geospatial-ML-Arbeitslast spezifiziert.
1. Sie haben der SageMaker AI-Ausführungsrolle Zugriff auf alle benötigten Amazon S3 S3-Buckets gewährt.
1. Bereiten Sie Ihre Daten für den Import in den Container vor. Amazon SageMaker Processing Jobs unterstützen entweder die Einstellung `s3_data_type` gleich `"ManifestFile"` oder gleich`"S3Prefix"`.
Das folgende Verfahren zeigt Ihnen, wie Sie mithilfe des SageMaker Geospatial-Containers eine Instanz von Amazon SageMaker Processing erstellen `ScriptProcessor` und einen Auftrag einreichen.
**So erstellen Sie eine `ScriptProcessor` Instance und reichen einen Amazon SageMaker Processing-Job mithilfe eines SageMaker Geodatencontainers ein**
1. Instanziieren Sie eine Instanz der `ScriptProcessor` Klasse mithilfe des Geodatenbilds: SageMaker
```
from sagemaker.processing import ScriptProcessor, ProcessingInput, ProcessingOutput
sm_session = sagemaker.session.Session()
execution_role_arn = sagemaker.get_execution_role()
# purpose-built geospatial container
image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest'
script_processor = ScriptProcessor(
command=['python3'],
image_uri=image_uri,
role=execution_role_arn,
instance_count=4,
instance_type='ml.m5.4xlarge',
sagemaker_session=sm_session
)
```
*execution\$1role\$1arn*Ersetzen Sie es durch den ARN der SageMaker KI-Ausführungsrolle, die Zugriff auf die in Amazon S3 gespeicherten Eingabedaten und alle anderen AWS Dienste hat, die Sie in Ihrem Verarbeitungsjob aufrufen möchten. Sie können die `instance_count` und die `instance_type` aktualisieren, um sie an die Anforderungen Ihres Verarbeitungsjobs anzupassen.
1. Verwenden Sie die folgende `.run()` Methode, um einen Verarbeitungsjob zu starten:
```
# Can be replaced with any S3 compliant string for the name of the folder.
s3_folder = geospatial-data-analysis
# Use .default_bucket() to get the name of the S3 bucket associated with your current SageMaker session
s3_bucket = sm_session.default_bucket()
s3_manifest_uri = f's3://{s3_bucket}/{s3_folder}/manifest.json'
s3_prefix_uri = f's3://{s3_bucket}/{s3_folder}/image-prefix
script_processor.run(
code='preprocessing.py',
inputs=[
ProcessingInput(
source=s3_manifest_uri | s3_prefix_uri ,
destination='/opt/ml/processing/input_data/',
s3_data_type= "ManifestFile" | "S3Prefix",
s3_data_distribution_type= "ShardedByS3Key" | "FullyReplicated"
)
],
outputs=[
ProcessingOutput(
source='/opt/ml/processing/output_data/',
destination=s3_output_prefix_url
)
]
)
```
+ *preprocessing.py*Ersetzen Sie es durch den Namen Ihres eigenen Python-Datenverarbeitungsskripts.
+ Ein Verarbeitungsjob unterstützt zwei Methoden zum Formatieren Ihrer Eingabedaten. Sie können entweder eine Manifestdatei erstellen, die auf alle Eingabedaten für Ihren Verarbeitungsauftrag verweist, oder Sie können für jede einzelne Dateneingabe ein gemeinsames Präfix verwenden. Wenn Sie eine Manifestdatei erstellt haben, die `s3_manifest_uri` gleich `"ManifestFile"` ist. Wenn Sie ein Dateipräfix verwendet haben, das `s3_manifest_uri` gleich `"S3Prefix"` gesetzt ist. Sie geben den Pfad zu Ihren Daten mit `source` an.
+ Sie können die Daten Ihres Verarbeitungsauftrags auf zwei Arten verteilen:
+ Verteilen Sie Ihre Daten auf alle Verarbeitungsinstances, indem Sie `s3_data_distribution_type` gleich `FullyReplicated` setzen.
+ Verteilen Sie Ihre Daten auf der Grundlage des Amazon S3-Schlüssels in Shards, indem Sie `s3_data_distribution_type` gleich `ShardedByS3Key` setzen. Bei der Verwendung von `ShardedByS3Key` wird an jede Verarbeitungsinstance ein Datenbruchstück gesendet.
Sie können ein Skript verwenden, um SageMaker Geodaten zu verarbeiten. Dieses Skript finden Sie in [Schritt 3: Schreiben eines Skripts, das den NDVI berechnen kann](geospatial-custom-operations-procedure.md#geospatial-custom-operations-script-mode). Weitere Informationen zum `.run()` API-Betrieb finden Sie [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run)im *Amazon SageMaker Python SDK for Processing*.
Um den Fortschritt Ihres Verarbeitungsauftrags zu überwachen, unterstützt die `ProcessingJobs` Klasse eine [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe) Methode. Diese Methode gibt eine Antwort vom `DescribeProcessingJob` API-Aufruf zurück. Weitere Informationen finden Sie [`DescribeProcessingJob`in der *Amazon SageMaker AI API-Referenz*](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeProcessingJob.html).
Im nächsten Thema erfahren Sie, wie Sie mithilfe des SageMaker Geospatial-Containers eine Instanz der `ScriptProcessor` Klasse erstellen und anschließend anhand von Bildern den Normalized Difference Vegetation Index (NDVI) berechnen. Sentinel-2
# Verwenden von `ScriptProcessor` zur Berechnung des Normalized Difference Vegetation Index (NDVI) anhand von Sentinel-2-Satellitendaten
Die folgenden Codebeispiele zeigen Ihnen, wie Sie den normalisierten Differenzvegetationsindex eines bestimmten geografischen Gebiets mithilfe des speziell erstellten Geodatenbilds in einem Studio Classic-Notizbuch berechnen und mithilfe [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor)des AI Python SDK eine umfangreiche Arbeitslast mit Amazon SageMaker Processing ausführen. SageMaker
Diese Demo verwendet auch eine Amazon SageMaker Studio Classic-Notebook-Instance, die den Geospatial-Kernel und den Instance-Typ verwendet. Informationen zum Erstellen einer Geodaten-Notebook-Instance von Studio Classic finden Sie unter [Erstellen Sie ein Amazon SageMaker Studio Classic-Notizbuch mithilfe des Geodatenbilds](geospatial-launch-notebook.md).
Sie können dieser Demo in Ihrer eigenen Notebook-Instance folgen, indem Sie die folgenden Codefragmente kopieren und einfügen:
1. [Verwenden Sie `search_raster_data_collection`, um ein bestimmtes Gebiet von Interesse (AOI) über einen bestimmten Zeitraum unter Verwendung einer bestimmten Rasterdatensammlung,Sentinel-2, abzufragen.](#geospatial-custom-operations-procedure-search)
1. [Erstellen Sie eine Manifestdatei, die angibt, welche Daten während des Verarbeitungsjobs verarbeitet werden.](#geospatial-custom-operations-procedure-manifest)
1. [Schreiben Sie ein Python-Skript zur Datenverarbeitung, das den NDVI berechnet.](#geospatial-custom-operations-script-mode)
1. [Erstellen Sie eine `ScriptProcessor` Instance und starten Sie den Amazon SageMaker Processing Job](#geospatial-custom-operations-create).
1. [Visualisieren der Ergebnisse Ihres Verarbeitungsauftrags](#geospatial-custom-operations-visual).
## Fragen Sie die Sentinel-2 Raster-Datenerfassung ab mit `SearchRasterDataCollection`
Mit `search_raster_data_collection` können Sie unterstützte Raster-Datensammlungen abfragen. In diesem Beispiel werden Daten verwendet, die von Sentinel-2-Satelliten abgerufen wurden. Das angegebene Interessengebiet (`AreaOfInterest`) ist ländliches Gebiet im Norden von Iowa, und der Zeitraum (`TimeRangeFilter`) reicht vom 1. Januar 2022 bis 30. Dezember 2022. Um die verfügbaren Rasterdatensammlungen in Ihrem AWS-Region zu sehen, verwenden Sie `list_raster_data_collections`. Ein Codebeispiel mit dieser API finden Sie [`ListRasterDataCollections`](geospatial-data-collections.md)im *Amazon SageMaker AI Developer Guide*.
In den folgenden Codebeispielen verwenden Sie den mit der Sentinel-2-Rasterdatensammlung verbundenen ARN, `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`.
Eine `search_raster_data_collection` API-Anfrage erfordert zwei Parameter:
+ Sie müssen einen `Arn` Parameter angeben, der der Raster-Datenerfassung entspricht, die Sie abfragen möchten.
+ Sie müssen auch einen `RasterDataCollectionQuery` Parameter angeben, der in ein Python Wörterbuch aufgenommen wird.
Das folgende Codebeispiel enthält die erforderlichen Schlüssel-Wert-Paare für den Parameter `RasterDataCollectionQuery`, der in der Variablen `search_rdc_query` gespeichert wird.
```
search_rdc_query = {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [[
[
-94.50938680498298,
43.22487436936203
],
[
-94.50938680498298,
42.843474642037194
],
[
-93.86520004156142,
42.843474642037194
],
[
-93.86520004156142,
43.22487436936203
],
[
-94.50938680498298,
43.22487436936203
]
]]
}
}
},
"TimeRangeFilter": {"StartTime": "2022-01-01T00:00:00Z", "EndTime": "2022-12-30T23:59:59Z"}
}
```
Um die `search_raster_data_collection`-Anfrage zu stellen, müssen Sie den ARN der `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`-Rasterdatensammlung angeben: Sentinel-2. Sie müssen auch das zuvor definierte Python-Wörterbuch übergeben, das Abfrageparameter spezifiziert.
```
## Creates a SageMaker Geospatial client instance
sm_geo_client= session.create_client(service_name="sagemaker-geospatial")
search_rdc_response1 = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query
)
```
Die Ergebnisse dieser API können nicht paginiert werden. Um alle von der `search_raster_data_collection` Operation zurückgegebenen Satellitenbilder zu sammeln, können Sie eine `while` Schleife implementieren. Damit wird geprüft, ob `NextToken` in der API-Antwort enthalten ist:
```
## Holds the list of API responses from search_raster_data_collection
items_list = []
while search_rdc_response1.get('NextToken') and search_rdc_response1['NextToken'] != None:
items_list.extend(search_rdc_response1['Items'])
search_rdc_response1 = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query,
NextToken=search_rdc_response1['NextToken']
)
```
Die API-Antwort gibt eine Liste mit URLs Untertiteln des `Assets` Schlüssels zurück, die bestimmten Bildbändern entsprechen. Im Folgenden finden Sie eine gekürzte Version der API-Antwort. Einige der Bildbänder wurden aus Gründen der Übersichtlichkeit entfernt.
```
{
'Assets': {
'aot': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/12/S2A_15TUH_20221230_0_L2A/AOT.tif'
},
'blue': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/12/S2A_15TUH_20221230_0_L2A/B02.tif'
},
'swir22-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/B12.jp2'
},
'visual-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/TCI.jp2'
},
'wvp-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/WVP.jp2'
}
},
'DateTime': datetime.datetime(2022, 12, 30, 17, 21, 52, 469000, tzinfo = tzlocal()),
'Geometry': {
'Coordinates': [
[
[-95.46676936182894, 43.32623760511659],
[-94.11293433656887, 43.347431265475954],
[-94.09532154452742, 42.35884880571144],
[-95.42776890002203, 42.3383710796791],
[-95.46676936182894, 43.32623760511659]
]
],
'Type': 'Polygon'
},
'Id': 'S2A_15TUH_20221230_0_L2A',
'Properties': {
'EoCloudCover': 62.384969,
'Platform': 'sentinel-2a'
}
}
```
Im [nächsten Abschnitt](#geospatial-custom-operations-procedure-manifest) erstellen Sie eine Manifestdatei mit dem `'Id'` Schlüssel aus der API-Antwort.
## Erstellen Sie eine Eingabe-Manifestdatei mit dem `Id` Schlüssel aus der `search_raster_data_collection` API-Antwort
Wenn Sie einen Verarbeitungsauftrag ausführen, müssen Sie eine Dateneingabe von Amazon S3 angeben. Der Eingabedatentyp kann entweder eine Manifestdatei sein, die dann auf die einzelnen Datendateien verweist. Sie können jeder Datei, die Sie verarbeiten möchten, auch ein Präfix hinzufügen. Das folgende Codebeispiel definiert den Ordner, in dem Ihre Manifestdateien generiert werden.
Verwenden Sie SDK für Python (Boto3), um den Standard-Bucket und den ARN der Ausführungsrolle abzurufen, die Ihrer Notebook-Instance von Studio Classic zugeordnet ist:
```
sm_session = sagemaker.session.Session()
s3 = boto3.resource('s3')
# Gets the default excution role associated with the notebook
execution_role_arn = sagemaker.get_execution_role()
# Gets the default bucket associated with the notebook
s3_bucket = sm_session.default_bucket()
# Can be replaced with any name
s3_folder = "script-processor-input-manifest"
```
Als Nächstes erstellen Sie eine Manifestdatei. Sie enthält die URLs Satellitenbilder, die Sie verarbeiten wollten, wenn Sie Ihren Verarbeitungsauftrag später in Schritt 4 ausführen.
```
# Format of a manifest file
manifest_prefix = {}
manifest_prefix['prefix'] = 's3://' + s3_bucket + '/' + s3_folder + '/'
manifest = [manifest_prefix]
print(manifest)
```
Das folgende Codebeispiel gibt die S3-URI zurück, unter der Ihre Manifestdateien erstellt werden.
```
[{'prefix': 's3://sagemaker-us-west-2-111122223333/script-processor-input-manifest/'}]
```
Alle Antwortelemente aus der search\$1raster\$1data\$1collection-Antwort werden nicht benötigt, um den Verarbeitungsjob auszuführen.
Der folgende Codeausschnitt entfernt die unnötigen Elemente `'Properties'`, `'Geometry'`, und `'DateTime'`. Das `'Id'` Schlüssel-Wert-Paar, `'Id': 'S2A_15TUH_20221230_0_L2A'`, enthält das Jahr und den Monat. Im folgenden Codebeispiel werden diese Daten analysiert, um neue Schlüssel im Python Wörterbuch **dict\$1month\$1items** zu erstellen. Die Werte sind die Assets, die von der `SearchRasterDataCollection` Abfrage zurückgegeben werden.
```
# For each response get the month and year, and then remove the metadata not related to the satelite images.
dict_month_items = {}
for item in items_list:
# Example ID being split: 'S2A_15TUH_20221230_0_L2A'
yyyymm = item['Id'].split("_")[2][:6]
if yyyymm not in dict_month_items:
dict_month_items[yyyymm] = []
# Removes uneeded metadata elements for this demo
item.pop('Properties', None)
item.pop('Geometry', None)
item.pop('DateTime', None)
# Appends the response from search_raster_data_collection to newly created key above
dict_month_items[yyyymm].append(item)
```
In diesem Codebeispiel lädt die `dict_month_items` als JSON-Objekt unter Verwendung der API-Operation [https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/s3/client/upload_file.html](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/s3/client/upload_file.html) in Amazon S3 hoch:
```
## key_ is the yyyymm timestamp formatted above
## value_ is the reference to all the satellite images collected via our searchRDC query
for key_, value_ in dict_month_items.items():
filename = f'manifest_{key_}.json'
with open(filename, 'w') as fp:
json.dump(value_, fp)
s3.meta.client.upload_file(filename, s3_bucket, s3_folder + '/' + filename)
manifest.append(filename)
os.remove(filename)
```
In diesem Codebeispiel wird eine übergeordnete `manifest.json` Datei hochgeladen, die auf alle anderen Manifeste verweist, die auf Amazon S3 hochgeladen wurden. Es speichert auch den Pfad zu einer lokalen Variablen: **s3\$1manifest\$1uri**. Sie verwenden diese Variable erneut, um die Quelle der Eingabedaten anzugeben, wenn Sie den Verarbeitungsauftrag in Schritt 4 ausführen.
```
with open('manifest.json', 'w') as fp:
json.dump(manifest, fp)
s3.meta.client.upload_file('manifest.json', s3_bucket, s3_folder + '/' + 'manifest.json')
os.remove('manifest.json')
s3_manifest_uri = f's3://{s3_bucket}/{s3_folder}/manifest.json'
```
Nachdem Sie die Eingabemanifestdateien erstellt und hochgeladen haben, können Sie ein Skript schreiben, das Ihre Daten im Verarbeitungsauftrag verarbeitet. Es verarbeitet die Daten aus den Satellitenbildern, berechnet den NDVI und sendet die Ergebnisse dann an einen anderen Amazon S3-Standort zurück.
## Schreiben Sie ein Skript, das den NDVI berechnet
Amazon SageMaker Studio Classic unterstützt die Verwendung des `%%writefile` Cell Magic-Befehls. Nachdem Sie eine Zelle mit diesem Befehl ausgeführt haben, wird ihr Inhalt in Ihrem lokalen Studio-Classic-Verzeichnis gespeichert. Dieser Code ist spezifisch für die Berechnung von NDVI. Folgendes kann jedoch nützlich sein, wenn Sie Ihr eigenes Skript für einen Verarbeitungsjob schreiben:
+ In Ihrem Verarbeitungsjob-Container müssen die lokalen Pfade innerhalb des Containers mit `/opt/ml/processing/` beginnen. In diesem Beispiel werden **input\$1data\$1path = '/opt/ml/processing/input\$1data/' ** und **processed\$1data\$1path = '/opt/ml/processing/output\$1data/'** auf diese Weise angegeben.
+ Mit Amazon SageMaker Processing kann ein Skript, das ein Verarbeitungsauftrag ausführt, Ihre verarbeiteten Daten direkt auf Amazon S3 hochladen. Stellen Sie dazu sicher, dass die Ihrer `ScriptProcessor` Instance zugeordnete Ausführungsrolle die erforderlichen Voraussetzungen für den Zugriff auf den S3-Bucket erfüllt. Sie können auch einen Ausgabeparameter angeben, wenn Sie Ihren Verarbeitungsjob ausführen. Weitere Informationen finden Sie unter [`.run()`API-Betrieb](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run) im *Amazon SageMaker Python SDK*. In diesem Codebeispiel werden die Ergebnisse der Datenverarbeitung direkt auf Amazon S3 hochgeladen.
+ Verwenden Sie den `volume_size_in_gb` Parameter, um die Größe des an Ihren Verarbeitungsauftrag EBScontainer angehängten Amazon zu verwalten. Die Standardgröße der Container ist 30 GB. Sie können optional auch die Python-Bibliothek [Abfall-Sammler](https://docs.python.org/3/library/gc.html) verwenden, um den Speicher in Ihrem Amazon EBS-Container zu verwalten.
Das folgende Codebeispiel lädt die Arrays in den Verarbeitungsjob-Container. Wenn sich Arrays aufbauen und den Speicher füllen, stürzt der Verarbeitungsjob ab. Um diesen Absturz zu verhindern, enthält das folgende Beispiel Befehle, mit denen die Arrays aus dem Container des Verarbeitungsjobs entfernt werden.
```
%%writefile compute_ndvi.py
import os
import pickle
import sys
import subprocess
import json
import rioxarray
if __name__ == "__main__":
print("Starting processing")
input_data_path = '/opt/ml/processing/input_data/'
input_files = []
for current_path, sub_dirs, files in os.walk(input_data_path):
for file in files:
if file.endswith(".json"):
input_files.append(os.path.join(current_path, file))
print("Received {} input_files: {}".format(len(input_files), input_files))
items = []
for input_file in input_files:
full_file_path = os.path.join(input_data_path, input_file)
print(full_file_path)
with open(full_file_path, 'r') as f:
items.append(json.load(f))
items = [item for sub_items in items for item in sub_items]
for item in items:
red_uri = item["Assets"]["red"]["Href"]
nir_uri = item["Assets"]["nir"]["Href"]
red = rioxarray.open_rasterio(red_uri, masked=True)
nir = rioxarray.open_rasterio(nir_uri, masked=True)
ndvi = (nir - red)/ (nir + red)
file_name = 'ndvi_' + item["Id"] + '.tif'
output_path = '/opt/ml/processing/output_data'
output_file_path = f"{output_path}/{file_name}"
ndvi.rio.to_raster(output_file_path)
print("Written output:", output_file_path)
```
Sie haben jetzt ein Skript, das den NDVI berechnen kann. Als Nächstes können Sie eine Instanz des Verarbeitungsjobs erstellen ScriptProcessor und diesen ausführen.
## Erstellen einer Instance der `ScriptProcessor`-Klasse
Diese Demo verwendet die [ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor)Klasse, die über das Amazon SageMaker Python SDK verfügbar ist. Zuerst müssen Sie eine Instance der Klasse erstellen und dann können Sie Ihren Verarbeitungsjob mithilfe der `.run()`-Methode starten.
```
from sagemaker.processing import ScriptProcessor, ProcessingInput, ProcessingOutput
image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest'
processor = ScriptProcessor(
command=['python3'],
image_uri=image_uri,
role=execution_role_arn,
instance_count=4,
instance_type='ml.m5.4xlarge',
sagemaker_session=sm_session
)
print('Starting processing job.')
```
Wenn Sie Ihren Verarbeitungsjob starten, müssen Sie ein [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingInput](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingInput) Objekt angeben. In diesem Objekt geben Sie Folgendes an:
+ Der Pfad zur Manifestdatei, die Sie in Schritt 2 erstellt haben, **s3\$1manifest\$1uri**. Dies ist die Quelle der Eingabedaten für den Container.
+ Der Pfad zu dem Ort, an dem die Eingabedaten im Container gespeichert werden sollen. Dieser muss mit dem Pfad übereinstimmen, den Sie in Ihrem Skript angegeben haben.
+ Verwenden Sie den Parameter `s3_data_type`, um die Eingabe als `"ManifestFile"` zu spezifizieren.
```
s3_output_prefix_url = f"s3://{s3_bucket}/{s3_folder}/output"
processor.run(
code='compute_ndvi.py',
inputs=[
ProcessingInput(
source=s3_manifest_uri,
destination='/opt/ml/processing/input_data/',
s3_data_type="ManifestFile",
s3_data_distribution_type="ShardedByS3Key"
),
],
outputs=[
ProcessingOutput(
source='/opt/ml/processing/output_data/',
destination=s3_output_prefix_url,
s3_upload_mode="Continuous"
)
]
)
```
Im folgenden Codebeispiel wird die [`.describe()`Methode](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe) verwendet, um Details zu Ihrem Verarbeitungsjob abzurufen.
```
preprocessing_job_descriptor = processor.jobs[-1].describe()
s3_output_uri = preprocessing_job_descriptor["ProcessingOutputConfig"]["Outputs"][0]["S3Output"]["S3Uri"]
print(s3_output_uri)
```
## Visualisieren Sie Ihre Ergebnisse mit `matplotlib`
Mit der Python-Bibliothek [Matplotlib](https://matplotlib.org/stable/index.html) können Sie Rasterdaten plotten. Bevor Sie die Daten plotten, müssen Sie den NDVI anhand von Beispielbildern der Sentinel-2-Satelliten berechnen. Im folgenden Codebeispiel werden die Bildarrays mithilfe der `.open_rasterio()`-API-Operation geöffnet und anschließend der NDVI anhand der `nir` und der `red`-Bildbänder aus den Sentinel-2-Satellitendaten berechnet.
```
# Opens the python arrays
import rioxarray
red_uri = items[25]["Assets"]["red"]["Href"]
nir_uri = items[25]["Assets"]["nir"]["Href"]
red = rioxarray.open_rasterio(red_uri, masked=True)
nir = rioxarray.open_rasterio(nir_uri, masked=True)
# Calculates the NDVI
ndvi = (nir - red)/ (nir + red)
# Common plotting library in Python
import matplotlib.pyplot as plt
f, ax = plt.subplots(figsize=(18, 18))
ndvi.plot(cmap='viridis', ax=ax)
ax.set_title("NDVI for {}".format(items[25]["Id"]))
ax.set_axis_off()
plt.show()
```
Die Ausgabe des vorherigen Codebeispiels ist ein Satellitenbild, dem die NDVI-Werte überlagert sind. Ein NDVI-Wert nahe 1 bedeutet, dass viel Vegetation vorhanden ist, und Werte nahe 0 bedeuten, dass keine Vegetation vorhanden ist.
![\[Ein Satellitenbild von Nord-Iowa mit überlagertem NDVI\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/ndvi-iowa.png)
Damit ist die Demo der Verwendung von `ScriptProcessor` abgeschlossen.
# Jobs im Bereich Erdbeobachtung
Mithilfe eines Erdbeobachtungsauftrags (EOJ) können Sie Geodaten erfassen, transformieren und visualisieren, um Vorhersagen zu treffen. Sie können aus einer Vielzahl von Operationen und Modellen eine Operation auswählen, die Ihrem Anwendungsfall entspricht. Sie haben die Flexibilität, Ihr Interessengebiet und die Datenanbieter auszuwählen und Zeitbereiche und cloud-cover-percentage-based Filter festzulegen. Nachdem SageMaker KI ein EOJ für Sie erstellt hat, können Sie die Eingaben und Ausgaben des Jobs mithilfe der Visualisierungsfunktion visualisieren. Ein EOJ bietet verschiedene Anwendungsfälle, darunter den Vergleich der Entwaldung im Laufe der Zeit und die Diagnose der Pflanzengesundheit. Sie können ein EOJ erstellen, indem Sie ein SageMaker Notizbuch mit einem SageMaker Geodatenbild verwenden. Sie können auch auf die SageMaker Geospatial-Benutzeroberfläche als Teil der Amazon SageMaker Studio Classic-Benutzeroberfläche zugreifen, um die Liste all Ihrer Jobs einzusehen. Sie können die Benutzeroberfläche auch verwenden, um einen laufenden Job anzuhalten oder zu beenden. Sie können einen Job aus der Liste der verfügbaren EOJ auswählen, um die **Job-Zusammenfassung** und die **Job-Details** sowie die **Job-Ausgabe** zu visualisieren.
**Topics**
+ [Erstellen Sie einen Erdbeobachtungsauftrag mit einem Amazon SageMaker Studio Classic-Notizbuch mit einem SageMaker Geodatenbild](geospatial-eoj-ntb.md)
+ [Arten von Operationen](geospatial-eoj-models.md)
# Erstellen Sie einen Erdbeobachtungsauftrag mit einem Amazon SageMaker Studio Classic-Notizbuch mit einem SageMaker Geodatenbild
**So verwenden Sie ein SageMaker Studio Classic-Notizbuch mit einem SageMaker Geodatenbild:**
1. Wählen Sie im **Launcher** unter **Notebooks und Compute-Ressourcen** die Option **Umgebung ändern**.
1. Als Nächstes wird das Dialogfeld „**Umgebung ändern**“ geöffnet.
1. Wählen Sie das Dropdown-Menü **Bild** aus und wählen Sie **Geospatial 1.0**. Der **Instance-Typ** sollte **ml.geospatial.interactive** sein. Ändern Sie die Standardwerte für andere Einstellungen nicht.
1. Wählen Sie **Select (Auswählen)**.
1. Klicken Sie auf **Create Notebook (Notebook erstellen)**.
Sie können ein EOJ mit einem Amazon SageMaker Studio Classic-Notizbuch mit einem SageMaker Geodatenbild mithilfe des unten angegebenen Codes initiieren.
```
import boto3
import sagemaker
import sagemaker_geospatial_map
session = boto3.Session()
execution_role = sagemaker.get_execution_role()
sg_client = session.client(service_name="sagemaker-geospatial")
```
Im Folgenden finden Sie ein Beispiel dafür, wie Sie ein EOJ in der Region USA West (Oregon) erstellen.
```
#Query and Access Data
search_rdc_args = {
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", # sentinel-2 L2A COG
"RasterDataCollectionQuery": {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
"BandFilter": ["visual"],
},
}
tci_urls = []
data_manifests = []
while search_rdc_args.get("NextToken", True):
search_result = sg_client.search_raster_data_collection(**search_rdc_args)
if search_result.get("NextToken"):
data_manifests.append(search_result)
for item in search_result["Items"]:
tci_url = item["Assets"]["visual"]["Href"]
print(tci_url)
tci_urls.append(tci_url)
search_rdc_args["NextToken"] = search_result.get("NextToken")
# Perform land cover segmentation on images returned from the sentinel dataset.
eoj_input_config = {
"RasterDataCollectionQuery": {
"RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
}
}
eoj_config = {"LandCoverSegmentationConfig": {}}
response = sg_client.start_earth_observation_job(
Name="lake-mead-landcover",
InputConfig=eoj_input_config,
JobConfig=eoj_config,
ExecutionRoleArn=execution_role,
)
```
Nachdem Ihr EOJ erstellt wurde, wird `Arn` an Sie zurückgegeben. Sie verwenden den `Arn`, um einen Job zu identifizieren und weitere Operationen durchzuführen. Um den Status eines Auftrags abzurufen, können Sie `sg_client.get_earth_observation_job(Arn = response['Arn'])` ausführen.
Das folgende Beispiel zeigt, wie Sie den Status eines EOJ abfragen, bis es abgeschlossen ist.
```
eoj_arn = response["Arn"]
job_details = sg_client.get_earth_observation_job(Arn=eoj_arn)
{k: v for k, v in job_details.items() if k in ["Arn", "Status", "DurationInSeconds"]}
# List all jobs in the account
sg_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]
```
Nachdem das EOJ abgeschlossen ist, können Sie die EOJ-Ausgaben direkt im Notebook visualisieren. Das folgende Beispiel zeigt, wie eine interaktive Karte gerendert werden kann.
```
map = sagemaker_geospatial_map.create_map({
'is_raster': True
})
map.set_sagemaker_geospatial_client(sg_client)
# render the map
map.render()
```
Das folgende Beispiel zeigt, wie die Karte auf einen Interessenbereich zentriert werden kann und die Eingabe und Ausgabe des EOJ als separate Ebenen innerhalb der Karte gerendert werden können.
```
# visualize the area of interest
config = {"label": "Lake Mead AOI"}
aoi_layer = map.visualize_eoj_aoi(Arn=eoj_arn, config=config)
# Visualize input.
time_range_filter = {
"start_date": "2022-07-01T00:00:00Z",
"end_date": "2022-07-10T23:59:59Z",
}
config = {"label": "Input"}
input_layer = map.visualize_eoj_input(
Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)
# Visualize output, EOJ needs to be in completed status.
time_range_filter = {
"start_date": "2022-07-01T00:00:00Z",
"end_date": "2022-07-10T23:59:59Z",
}
config = {"preset": "singleBand", "band_name": "mask"}
output_layer = map.visualize_eoj_output(
Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)
```
Sie können die `export_earth_observation_job` Funktion verwenden, um die EOJ-Ergebnisse in Ihren Amazon-S3-Bucket zu exportieren. Die Exportfunktion macht es einfach, Ergebnisse teamübergreifend zu teilen. SageMaker KI vereinfacht auch die Datensatzverwaltung. Wir können die EOJ-Ergebnisse einfach mithilfe des Job-ARN teilen, anstatt Tausende von Dateien im S3-Bucket zu crawlen. Jedes EOJ wird zu einem Asset im Datenkatalog, da die Ergebnisse nach dem Job-ARN gruppiert werden können. Das folgende Beispiel zeigt, wie Sie die Ergebnisse eines EOJ exportieren können.
```
sagemaker_session = sagemaker.Session()
s3_bucket_name = sagemaker_session.default_bucket() # Replace with your own bucket if needed
s3_bucket = session.resource("s3").Bucket(s3_bucket_name)
prefix = "eoj_lakemead" # Replace with the S3 prefix desired
export_bucket_and_key = f"s3://{s3_bucket_name}/{prefix}/"
eoj_output_config = {"S3Data": {"S3Uri": export_bucket_and_key}}
export_response = sg_client.export_earth_observation_job(
Arn=eoj_arn,
ExecutionRoleArn=execution_role,
OutputConfig=eoj_output_config,
ExportSourceImages=False,
)
```
Sie können den Status Ihres Exportauftrags mithilfe des folgenden Snippets überwachen.
```
# Monitor the export job status
export_job_details = sg_client.get_earth_observation_job(Arn=export_response["Arn"])
{k: v for k, v in export_job_details.items() if k in ["Arn", "Status", "DurationInSeconds"]}
```
Nach dem Löschen des EOJ werden Ihnen keine Speichergebühren berechnet.
Ein Beispiel, das zeigt, wie ein EOJ ausgeführt wird, finden Sie in diesem [Blogbeitrag](https://aws.amazon.com/blogs/machine-learning/monitoring-lake-mead-drought-using-the-new-amazon-sagemaker-geospatial-capabilities/).
Weitere Notizbücher zu SageMaker Geodatenfunktionen finden Sie in diesem [GitHub Repository](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-geospatial).
# Arten von Operationen
Wenn Sie ein EOJ erstellen, wählen Sie eine Operation basierend auf Ihrem Anwendungsfall aus. Die SageMaker Geospatial-Funktionen von Amazon bieten eine Kombination aus speziell entwickelten Vorgängen und vortrainierten Modellen. Sie können diese Operationen verwenden, um die Auswirkungen von Umweltveränderungen und menschlichen Aktivitäten im Laufe der Zeit zu verstehen oder wolken- und wolkenfreie Pixel zu identifizieren.
**Cloud-Maskierung**
Die Identifizierung von Wolken in Satellitenbildern ist ein wichtiger Vorverarbeitungsschritt bei der Erstellung hochwertiger Geodaten. Das Ignorieren von Wolkenpixeln kann zu Analysefehlern führen, und eine übermäßige Erkennung von Wolkenpixeln kann die Anzahl gültiger Beobachtungen verringern. Durch Wolkenmaskierung können wolkige und wolkenfreie Pixel in Satellitenbildern identifiziert werden. Eine genaue Wolkenmaske hilft dabei, Satellitenbilder für die Verarbeitung zu erhalten, und verbessert die Datengenerierung. Im Folgenden finden Sie die Klassenübersicht für Cloud-Maskierung.
```
{
0: "No_cloud",
1: "cloud"
}
```
**Entfernung von Wolken**
Die Wolkenentfernung für Sentinel-2-Daten verwendet ein ML-basiertes semantisches Segmentierungsmodell, um Wolken im Bild zu identifizieren. Getrübte Pixel können durch Pixel aus anderen Zeitstempeln ersetzt werden. Die USGS Landsat-Daten enthalten Landsat-Metadaten, die zur Wolkenentfernung verwendet werden.
**Zeitliche Statistik**
Mit temporalen Statistiken werden Statistiken für Geodaten im Zeitverlauf berechnet. Die derzeit unterstützten zeitlichen Statistiken umfassen Mittelwert, Median und Standardabweichung. Sie können diese Statistiken berechnen, indem Sie `GROUPBY` verwenden und es entweder auf `all` oder auf `yearly` einstellen. Sie können auch die `TargetBands` erwähnen.
**Zonale Statistik**
Bei der zonalen Statistik werden statistische Operationen für einen bestimmten Bereich im Bild ausgeführt.
**Resampling**
Resampling wird verwendet, um die Auflösung eines Geobildes herauf- und herunter zu skalieren. Das `value` Attribut beim Resampling stellt die Länge einer Seite des Pixels dar.
**Geomosaik**
Mit Geomosaic können Sie kleinere Bilder zu einem großen Bild zusammenfügen.
**Stapeln von Bändern**
Beim Bandstapeln werden mehrere Bildbänder als Eingabe verwendet und zu einem einzigen GeoTIFF gestapelt. Das `OutputResolution`-Attribut bestimmt die Auflösung des Ausgabebilds. Basierend auf den Auflösungen der Eingabebilder können Sie sie auf `lowest`, `highest` oder `average` einstellen.
**Band-Mathematik**
Bandmathematik, auch bekannt als Spektralindex, ist ein Verfahren, bei dem die Beobachtungen von mehreren Spektralbändern in ein einzelnes Band umgewandelt werden, wodurch die relative Fülle der interessierenden Merkmale angegeben wird. Beispielsweise sind der Normalized Difference Vegetation Index (NDVI) und der Enhanced Vegetation Index (EVI) hilfreich, um das Vorhandensein grüner Vegetationsmerkmale zu beobachten.
**Segmentierung der Landbedeckung**
Die Segmentierung der Landbedeckung ist ein semantisches Segmentierungsmodell, mit dem physische Materialien wie Vegetation, Wasser und nackter Boden auf der Erdoberfläche identifiziert werden können. Eine genaue Methode zur Kartierung der Landbedeckungsmuster hilft Ihnen, die Auswirkungen von Umweltveränderungen und menschlichen Aktivitäten im Laufe der Zeit zu verstehen. Die Segmentierung der Landbedeckung wird häufig für die Regionalplanung, die Katastrophenabwehr, das ökologische Management und die Umweltverträglichkeitsprüfung verwendet. Im Folgenden finden Sie die Klassenübersicht für die Segmentierung der Landbedeckung.
```
{
0: "No_data",
1: "Saturated_or_defective",
2: "Dark_area_pixels",
3: "Cloud_shadows",
4: "Vegetation",
5: "Not_vegetated",
6: "Water",
7: "Unclassified",
8: "Cloud_medium_probability",
9: "Cloud_high_probability",
10: "Thin_cirrus",
11: "Snow_ice"
}
```
## Verfügbarkeit von EOJ Operations
Die Verfügbarkeit von Vorgängen hängt davon ab, ob Sie die SageMaker Geospatial-Benutzeroberfläche oder die Amazon SageMaker Studio Classic-Notizbücher mit einem SageMaker Geodatenbild verwenden. Derzeit unterstützen Notebooks alle Funktionen. Zusammenfassend lässt sich sagen, dass die folgenden Geodatenoperationen von KI unterstützt werden: SageMaker
| Operationen | Description | Verfügbarkeit |
| --- | --- | --- |
| Cloud-Maskierung | Identifizieren Sie wolkenfreie und wolkenfreie Pixel, um bessere und genauere Satellitenbilder zu erhalten. | Benutzeroberfläche, Notebook |
| Entfernung von Wolken | Entfernen Sie Pixel, die Teile einer Wolke enthalten, aus Satellitenbildern. | Notebook |
| Temporäre Statistik | Berechnet Statistiken im Zeitverlauf für ein bestimmtes GeoTIFF. | Notebook |
| Zonenbasierte Statistiken | Berechnet Statistiken über benutzerdefinierte Regionen. | Notebook |
| Resampling | Skalieren Sie Bilder auf verschiedene Auflösungen. | Notebook |
| Geomosaik | Kombinieren Sie mehrere Bilder für mehr Genauigkeit. | Notebook |
| Stapeln von Bändern | Kombinieren Sie mehrere Spektralbänder, um ein einziges Bild zu erstellen. | Notebook |
| Bandmathematik/Spektralindex | Ermitteln Sie eine Kombination von Spektralbändern, die die Fülle der interessierenden Merkmale angeben. | Benutzeroberfläche, Notebook |
| Segmentierung der Landbedeckung | Identifizieren Sie Landbedeckungstypen wie Vegetation und Wasser in Satellitenbildern. | Benutzeroberfläche, Notebook |
# Jobs im Bereich Vektoranreicherung
Ein Vector Enrichment Job (VEJ) führt Operationen mit Ihren Vektordaten durch. Derzeit können Sie einen VEJ verwenden, um umgekehrte Geokodierung oder Kartenabgleich durchzuführen.
**Umgekehrte Geokodierung**
Mit einem VEJ mit umgekehrter Geokodierung können Sie geografische Koordinaten (Breitengrad, Längengrad) in für Menschen lesbare Adressen konvertieren, die von Amazon Location Service unterstützt werden. Wenn Sie eine CSV-Datei hochladen, die die Längen- und Breitengradkoordinaten enthält, werden die Adressnummer, das Land, die Bezeichnung, die Gemeinde, das Viertel, die Postleitzahl und die Region dieses Standorts zurückgegeben. Die Ausgabedatei besteht aus Ihren Eingabedaten sowie Spalten, die diese am Ende angehängten Werte enthalten. Diese Jobs sind für die Aufnahme von Zehntausenden von GPS-Tracks optimiert.
**Kartenabgleich**
Beim Kartenabgleich können Sie GPS-Koordinaten auf Straßensegmente übertragen. Die Eingabe sollte eine CSV-Datei sein, die die Trace-ID (Route), den Längengrad, den Breitengrad und die Timestamp-Attribute enthält. Pro Route können mehrere GPS-Koordinaten vorhanden sein. Die Eingabe kann auch mehrere Routen enthalten. Die Ausgabe ist eine GeoJSON-Datei, die Links der vorhergesagten Route enthält. Sie enthält auch die in der Eingabe angegebenen Fangpunkte. Diese Jobs sind so optimiert, dass sie Zehntausende von Laufwerken in einer Anfrage akzeptieren. Der Kartenabgleich wird unterstützt von. [OpenStreetMap](https://www.openstreetmap.org/) Der Kartenabgleich schlägt fehl, wenn die Namen im Eingabequellenfeld nicht mit denen in `MapMatchingConfig` übereinstimmen. Die Fehlermeldung, die Sie erhalten, enthält die Feldnamen, die in der Eingabedatei vorhanden sind, und den erwarteten Feldnamen, der in `MapMatchingConfig` nicht gefunden wurde.
Die CSV-Eingabedatei für einen VEJ muss Folgendes enthalten:
+ Eine Kopfzeile
+ Breitengrad und Längengrad in separaten Spalten
+ Die Spalten ID und Timestamp können im numerischen Format oder im Zeichenkettenformat vorliegen. Alle anderen Spaltendaten dürfen nur im numerischen Format vorliegen
+ Lassen Sie sich passende Anführungszeichen nicht entgehen
Für die Zeitstempelspalte unterstützen SageMaker Geodatenfunktionen die Epochenzeit in Sekunden und Millisekunden (lange Ganzzahl). Die unterstützten Zeichenkettenformate lauten wie folgt:
+ "tt.MM.jjjj HH:mm:ss z"
+ "jjjj-MM-td'T'HH:mm:ss.SSS'Z'"
+ "jjjj-MM-td'T'HH:mm:ss"
+ „hh:mm:ss a“ yyyy-MM-dd
+ „yyyy-MM-dd hh:mm:ss“
+ „yyyy MMddHHmmss“
Sie müssen zwar ein Amazon SageMaker Studio Classic-Notebook verwenden, um einen VEJ auszuführen, aber Sie können alle Jobs anzeigen, die Sie über die Benutzeroberfläche erstellen. Um die Visualisierung im Notebook verwenden zu können, müssen Sie zuerst Ihre Ausgabe in Ihren S3-Bucket exportieren. Die VEJ-Aktionen, die Sie ausführen können, lauten wie folgt.
+ [StartVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_StartVectorEnrichmentJob.html)
+ [GetVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_GetVectorEnrichmentJob.html)
+ [ListVectorEnrichmentJobs](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListVectorEnrichmentJobs.html)
+ [StopVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_StopVectorEnrichmentJob.html)
+ [DeleteVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_DeleteVectorEnrichmentJob.html)
# Visualisierung mithilfe von SageMaker Geodatenfunktionen
Mithilfe der von Amazon SageMaker Geospatial bereitgestellten Visualisierungsfunktionen können Sie Geodaten, die Eingaben für Ihre EOJ- oder VEJ-Jobs sowie die aus Ihrem Amazon S3 S3-Bucket exportierten Ausgaben visualisieren. Das Visualisierungstool wird von [Foursquare Studio](https://studio.foursquare.com/home) unterstützt. Die folgende Abbildung zeigt das Visualisierungstool, das von Geodatenfunktionen unterstützt wird. SageMaker
![\[Das Visualisierungstool mit SageMaker Geodatenfunktionen zeigt eine Karte der kalifornischen Küste.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/geospatial_vis.png)
Sie können den linken Navigationsbereich verwenden, um Daten, Ebenen, Filter und Spalten hinzuzufügen. Sie können auch Änderungen an der Art und Weise vornehmen, wie Sie mit der Karte interagieren.
**Datensatz**
Die für die Visualisierung verwendete Datenquelle wird als **Datensatz** bezeichnet. Um Daten für die Visualisierung hinzuzufügen, wählen Sie im linken Navigationsbereich **Daten hinzufügen** aus. Sie können die Daten entweder von Ihrem Amazon-S3-Bucket oder Ihrem lokalen Computer hochladen. Die unterstützten Datenformate sind CSV, JSON und GeoJSON. Sie können Ihrer Karte mehrere Datensätze hinzufügen. Nachdem Sie den Datensatz hochgeladen haben, können Sie sehen, wie er auf dem Kartenbildschirm geladen ist.
**Ebenen**
Im Ebenenfenster wird automatisch eine Ebene erstellt und gefüllt, wenn Sie einen Datensatz hinzufügen. Wenn Ihre Karte aus mehr als einem Datensatz besteht, können Sie auswählen, welcher Datensatz zu einer Ebene gehört. Sie können neue Ebenen erstellen und diese gruppieren. SageMaker SageMaker Geodatenfunktionen unterstützen verschiedene Ebenentypen, darunter Punkt, Bogen, Symbol und Polygon.
Sie können jedem Datenpunkt in einer Ebene einen **Umriss** zuweisen. Sie können die Datenpunkte auch weiter anpassen. Sie können beispielsweise den Ebenentyp **Punkt** und dann **Füllfarbe** auf der Grundlage einer beliebigen Spalte Ihres Datensatzes auswählen. Sie können auch den Radius der Punkte ändern.
Die folgende Abbildung zeigt das Ebenenfenster, das von SageMaker Geodatenfunktionen unterstützt wird.
![\[Das Ebenenfenster mit Datenpunkten auf einer Karte der USA, unterstützt durch SageMaker Geodatenfunktionen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/geospatial_vis_layer.png)
**Spalten**
Sie können die in Ihrem Datensatz vorhandenen Spalten mithilfe der Registerkarte **Spalten** im linken Navigationsbereich anzeigen.
**Filter**
Sie können Filter verwenden, um die Datenpunkte einzuschränken, die auf der Karte angezeigt werden.
**Interaktionen**
Im Bereich **Interaktionen** können Sie anpassen, wie Sie mit der Karte interagieren. Sie können beispielsweise auswählen, welche Metriken angezeigt werden sollen, wenn Sie den Tooltip über einen Datenpunkt bewegen.
**Basiskarte**
Derzeit unterstützt SageMaker KI nur die Amazon Dark-Basiskarte.
**Modi für geteilte Karten**
Sie können eine **einzelne Karte**, **zweifache Karten** oder **Swipe-Karten** verwenden. Mit **Dual Maps** können Sie dieselbe Karte side-by-side anhand verschiedener Ebenen vergleichen. Verwenden Sie **Swipe-Karten**, um zwei Karten übereinander zu legen, und verwenden Sie die verschiebbare Trennlinie, um sie zu vergleichen. Sie können den Modus „Geteilte Karten“ auswählen, indem Sie auf die Schaltfläche **Teilungsmodus** in der oberen rechten Ecke Ihrer Karte klicken.
## Legenden für EOJ in der SageMaker Geospatial-Benutzeroberfläche
Die Ausgabevisualisierung eines EOJ hängt von der Operation ab, mit der Sie es erstellen. Die Legende basiert auf der Standardfarbskala. Sie können die Legende anzeigen, indem Sie in der oberen rechten Ecke Ihrer Karte auf die Schaltfläche **Legende anzeigen** klicken.
**Spektralindex**
Wenn Sie die Ausgabe für ein EOJ visualisieren, das die Spektralindex-Operation verwendet, können Sie die Kategorie anhand der Farbe aus der Legende zuordnen, wie in der Abbildung gezeigt.
![\[Die Legende für die Spektralindex-Mapping.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/geo_spectral_index.png)
**Wolkenmaskierung**
Wenn Sie die Ausgabe für ein EOJ visualisieren, das die Cloud-Maskierungsoperation verwendet, können Sie die Kategorie anhand der Farbe aus der Legende zuordnen, wie in der Abbildung gezeigt.
![\[Die Legende für die Kartenerstellung von Wolkenmaskierungen.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/geo_cloud_masking.png)
**Segmentierung der Landbedeckung**
Wenn Sie die Ausgabe für ein EOJ visualisieren, das die Operation Landbedeckungssegmentierung verwendet, können Sie die Kategorie anhand der Farbe aus der Legende zuordnen, wie in der Abbildung gezeigt.
![\[Die Legende für die Kartierung der Landbedeckungssegmentierung.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/geo_landcover_ss.png)
# Amazon SageMaker Geospatial Map SDK
Sie können die SageMaker Geospatial-Funktionen von Amazon verwenden, um Karten innerhalb der SageMaker Geospatial-Benutzeroberfläche sowie SageMaker Notizbücher mit einem Geodatenbild zu visualisieren. Diese Visualisierungen werden von der Kartenvisualisierungsbibliothek namens [Foursquare Studio](https://studio.foursquare.com/home) unterstützt
Sie können das vom SageMaker Geospatial Map SDK APIs bereitgestellte SDK verwenden, um Ihre Geodaten zu visualisieren, einschließlich Eingabe, Ausgabe und AoI für EOJ.
**Topics**
+ [add\$1dataset-API](#geo-add-dataset)
+ [update\$1dataset-API](#geo-update-dataset)
+ [add\$1layer-API](#geo-add-layer)
+ [update\$1layer-API](#geo-update-layer)
+ [visualize\$1eoj\$1aoi API](#geo-visualize-eoj-aoi)
+ [visualize\$1eoj\$1input API](#geo-visualize-eoj-input)
+ [visualize\$1eoj\$1output API](#geo-visualize-eoj-output)
## add\$1dataset-API
Fügt der Karte ein Raster- oder Vektor-Datensatz-Objekt hinzu.
**Erforderliche Syntax**
```
Request =
add_dataset(
self,
dataset: Union[Dataset, Dict, None] = None,
*,
auto_create_layers: bool = True,
center_map: bool = True,
**kwargs: Any,
) -> Optional[Dataset]
```
**Anfrageparameter**
Die Anfrage akzeptiert die folgenden Parameter.
Positionale Argumente
| Argument | Typ | Description |
| --- | --- | --- |
| `dataset` | Union [Datensatz, Diktat, Keine] | Daten, die zur Erstellung eines Datensatzes verwendet werden, im CSV-, JSON- oder GeoJSON-Format (für lokale Datensätze) oder in einer UUID-Zeichenfolge. |
Schlüsselwort-Argumente
| Argument | Typ | Beschreibung |
| --- | --- | --- |
| `auto_create_layers` | Boolesch | Ob versucht werden soll, beim Hinzufügen eines Datensatzes neue Ebenen zu erstellen. Der Standardwert ist `False`. |
| `center_map` | Boolesch | Ob die Karte auf dem erstellten Datensatz zentriert werden soll. Der Standardwert ist `True`. |
| `id` | Zeichenfolge | Eindeutige Kennung des Datensatzes. Wenn Sie ihn nicht angeben, wird eine zufällige ID generiert. |
| `label` | Zeichenfolge | Datensatz-Bezeichnung, die angezeigt wird. |
| `color` | Tupel [Float, Float, Float] | Farbbezeichnung des Datensatzes. |
| `metadata` | Dictionary | Objekt, das Tileset-Metadaten enthält (für gekachelte Datensätze). |
**Antwort**
Diese API gibt das [Datensatz-Objekt](https://location.foursquare.com/developer/docs/studio-map-sdk-types#dataset) zurück, das der Map hinzugefügt wurde.
## update\$1dataset-API
Aktualisiert die bestehenden Datensatzeinstellungen.
**Erforderliche Syntax**
```
Request =
update_dataset(
self,
dataset_id: str,
values: Union[_DatasetUpdateProps, dict, None] = None,
**kwargs: Any,
) -> Dataset
```
**Anfrageparameter**
Die Anfrage akzeptiert die folgenden Parameter.
Positionale Argumente
| Argument | Typ | Description |
| --- | --- | --- |
| `dataset_id` | Zeichenfolge | Die Kennung des zu aktualisierenden Datensatzes. |
| `values` | Union [[\$1DatasetUpdateProps, dict](https://location.foursquare.com/developer/docs/studio-map-sdk-types#datasetupdateprops), Keine] | Die zu aktualisierenden Werte. |
Schlüsselwort-Argumente
| Argument | Typ | Description |
| --- | --- | --- |
| `label` | Zeichenfolge | Datensatz-Bezeichnung, die angezeigt wird. |
| `color` | [RGBColor](https://location.foursquare.com/developer/docs/studio-map-sdk-types#rgbcolor) | Farbbezeichnung des Datensatzes. |
**Antwort**
Diese API gibt das aktualisierte Datensatzobjekt für interaktive Karten oder `None` für nicht interaktive HTML-Umgebungen zurück.
## add\$1layer-API
Fügt der Karte eine neue Ebene hinzu. Diese Funktion erfordert mindestens eine gültige Layer-Konfiguration.
**Erforderliche Syntax**
```
Request =
add_layer(
self,
layer: Union[LayerCreationProps, dict, None] = None,
**kwargs: Any
) -> Layer
```
**Anfrageparameter**
Die Anfrage akzeptiert die folgenden Parameter.
Argumente
| Argument | Typ | Description |
| --- | --- | --- |
| `layer` | Union [[LayerCreationProps](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layercreationprops), dict, Keine] | Eine Reihe von Eigenschaften, die zum Erstellen einer Ebene verwendet werden. |
**Antwort**
Das Ebenenobjekt, das der Karte hinzugefügt wurde.
## update\$1layer-API
Aktualisieren Sie eine bestehende Ebene mit den angegebenen Werten.
**Erforderliche Syntax**
```
Request =
update_layer(
self,
layer_id: str,
values: Union[LayerUpdateProps, dict, None],
**kwargs: Any
) -> Layer
```
**Anfrageparameter**
Die Anfrage akzeptiert die folgenden Parameter.
Argumente
| Positionale Argumente | Typ | Description |
| --- | --- | --- |
| `layer_id` | Zeichenfolge | Die ID der zu aktualisierenden Ebene. |
| `values` | Union [[LayerUpdateProps](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layerupdateprops), dict, Keine] | Die zu aktualisierenden Werte. |
Schlüsselwort-Argumente
| Argument | Typ | Description |
| --- | --- | --- |
| `type` | [LayerType](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layertype) | Der Ebenentyp. |
| `data_id` | Zeichenfolge | Eindeutige Kennung für den Datensatz, den dieser Layer visualisiert. |
| `fields` | Diktat [Zeichenfolge, optional [Zeichenfolge]] | Wörterbuch, das Felder, die der Layer für die Visualisierung benötigt, entsprechenden Datensatzfeldern zuordnet. |
| `label` | Zeichenfolge | Kanonische Bezeichnung dieser Ebene. |
| `is_visible` | Boolesch | Ob die Ebene sichtbar ist oder nicht. |
| `config` | [LayerConfig](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layerconfig) | Typspezifische Layer-Konfiguration. |
**Antwort**
Gibt das aktualisierte Ebenenobjekt zurück.
## visualize\$1eoj\$1aoi API
Visualisieren Sie die AoI des angegebenen Auftrags-ARN.
**Anfrageparameter**
Die Anfrage akzeptiert die folgenden Parameter.
Argumente
| Argument | Typ | Description |
| --- | --- | --- |
| `Arn` | Zeichenfolge | Der ARN des Auftrags. |
| `config` | Dictionary config = \$1label: benutzerdefiniertes Label der hinzugefügten AoI-Ebene, Standard-AoI\$1 | Eine Option zum Übergeben von Ebeneneigenschaften. |
**Antwort**
Referenz des hinzugefügten Eingabe-Layer-Objekts.
## visualize\$1eoj\$1input API
Visualisieren Sie die Eingabe des angegebenen EOJ ARN.
**Anfrageparameter**
Die Anfrage akzeptiert die folgenden Parameter.
Argumente
| Argument | Typ | Description |
| --- | --- | --- |
| `Arn` | Zeichenfolge | Der ARN des Auftrags. |
| `time_range_filter` | Dictionary time\$1range\$1filter = \$1 start\$1date: Datum im ISO-Format end\$1date: Datum im ISO-Format \$1 | Eine Option zur Angabe der Start- und Endzeit. Standardmäßig wird das Start- und Enddatum der Suche für die Raster-Datenerfassung verwendet. |
| `config` | Dictionary config = \$1label: benutzerdefinierte Bezeichnung des hinzugefügten Ausgabe-Layers, Standardeingabe\$1 | Eine Option zum Übergeben von Layer-Eigenschaften. |
**Antwort**
Referenz des hinzugefügten Eingabe-Layer-Objekts.
## visualize\$1eoj\$1output API
Visualisieren Sie die Ausgabe des angegebenen EOJ ARN.
**Anfrageparameter**
Die Anfrage akzeptiert die folgenden Parameter.
Argumente
| Argument | Typ | Description |
| --- | --- | --- |
| `Arn` | Zeichenfolge | Der ARN des Auftrags. |
| `time_range_filter` | Dictionary time\$1range\$1filter = \$1 start\$1date: Datum im ISO-Format end\$1date: Datum im ISO-Format \$1 | Eine Option zur Angabe der Start- und Endzeit. Standardmäßig wird das Start- und Enddatum der Suche für die Raster-Datenerfassung verwendet. |
| `config` | Dictionary config = \$1 label: benutzerdefinierte Bezeichnung des hinzugefügten Ausgabe-Layers, Standardausgabe Voreinstellung: SingleBand oder TrueColor, band\$1name:, nur für die Voreinstellung 'SingleBand' erforderlich. Zulässige Bänder für ein EOJ \$1 | Eine Option zum Übergeben von Layer-Eigenschaften. |
**Antwort**
Referenz des hinzugefügten Ausgabe-Layer-Objekts.
Weitere Informationen zur Visualisierung Ihrer Geodaten finden Sie unter [Visualization Using Amazon SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-visualize.html) Geospatial.
# SageMaker Häufig gestellte Fragen zu Geodatenfunktionen
In den folgenden häufig gestellten Fragen finden Sie Antworten auf häufig gestellte Fragen zu SageMaker Geodatenfunktionen.
1. **In welchen Regionen sind die SageMaker Geodatenfunktionen von Amazon verfügbar?**
Derzeit werden SageMaker Geodatenfunktionen nur in der Region USA West (Oregon) unterstützt. Um SageMaker Geodaten anzuzeigen, wählen Sie in der Navigationsleiste der Konsole den Namen der aktuell angezeigten Region aus. Wählen Sie dann die Region US West (Oregon).
1. **Welche AWS Identity and Access Management Berechtigungen und Richtlinien sind für die Verwendung von SageMaker Geodaten erforderlich?**
Um SageMaker Geospatial verwenden zu können, benötigen Sie einen Benutzer, eine Gruppe oder eine Rolle, die auf KI zugreifen SageMaker kann. Sie müssen auch eine SageMaker KI-Ausführungsrolle erstellen, damit SageMaker Geospatial Operationen in Ihrem Namen ausführen kann. Weitere Informationen finden Sie unter Rollen im Bereich [SageMaker Geospatial Capabilities](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-geospatial-roles.html).
1. **Ich habe bereits eine SageMaker KI-Ausführungsrolle. Muss ich diese aktualisieren?**
Ja. Um SageMaker Geospatial verwenden zu können, müssen Sie in Ihrer IAM-Vertrauensrichtlinie einen zusätzlichen Dienstprinzipal angeben:. `sagemaker-geospatial.amazonaws.com` Weitere Informationen zur Angabe eines Service Principals in einer Vertrauensbeziehung finden Sie [Den SageMaker Geospatial Service Principal zu einer bestehenden SageMaker AI-Ausführungsrolle hinzufügen](sagemaker-geospatial-roles-pass-role.md) im *Amazon SageMaker AI Developer Guide*.
1. **Kann ich SageMaker Geodatenfunktionen in meiner VPC-Umgebung nutzen?**
Ja, Sie können SageMaker Geodaten über ein VPN verwenden. Weitere Informationen hierzu finden Sie unter [Verwenden Sie die SageMaker Geospatial-Funktionen von Amazon in Ihrer Amazon Virtual Private Cloud](geospatial-notebooks-and-internet-access-vpc-requirements.md).
1. **Warum kann ich den Visualizer, das Bild oder den Instanztyp für SageMaker Geodatenkarten nicht sehen, wenn ich zu Amazon SageMaker Studio Classic navigiere?**
Stellen Sie sicher, dass Sie Amazon SageMaker Studio Classic in der Region USA West (Oregon) starten und dass Sie keinen gemeinsam genutzten Bereich verwenden.
1. **Warum kann ich das SageMaker Geodatenbild oder den Instanztyp nicht sehen, wenn ich versuche, eine Notebook-Instanz in Studio Classic zu erstellen?**
Stellen Sie sicher, dass Sie Amazon SageMaker Studio Classic in der Region USA West (Oregon) starten und dass Sie keinen gemeinsam genutzten Bereich verwenden. Weitere Informationen hierzu finden Sie unter [Erstellen Sie ein Amazon SageMaker Studio Classic-Notizbuch mithilfe des Geodatenbilds](geospatial-launch-notebook.md).
1. **Welche Bänder werden für verschiedene Raster-Datensammlungen unterstützt?**
Verwenden Sie die `GetRasterDataCollection` API-Antwort und suchen Sie `ImageSourceBands` im Feld nach den Bändern, die für diese bestimmte Datenerfassung unterstützt werden.
# SageMaker Geospatiale Sicherheit und Berechtigungen
In den Themen auf dieser Seite erfahren Sie mehr über Funktionen und Sicherheitsfunktionen im SageMaker Bereich Geodaten. Erfahren Sie außerdem, wie Sie SageMaker Geodatenfunktionen in einer Amazon Virtual Private Cloud nutzen und Ihre Daten im Ruhezustand mithilfe von Verschlüsselung schützen können.
Weitere Informationen über IAM-Benutzer und -Rollen finden Sie unter [Identitäten (Benutzer, Gruppen und Rollen)](https://docs.aws.amazon.com/IAM/latest/UserGuide/id.html) im IAM-Benutzerhandbuch.
Weitere Informationen zur Verwendung von IAM mit SageMaker KI finden Sie unter. [AWS Identity and Access Management für Amazon SageMaker AI](security-iam.md)
**Topics**
+ [Konfiguration und Schwachstellenanalyse in Geodaten SageMaker](geospatial-config-vulnerability.md)
+ [Bewährte Sicherheitsmethoden für SageMaker raumbezogene Funktionen](geospatial-sec-best-practices.md)
+ [Verwenden Sie die SageMaker Geospatial-Funktionen von Amazon in Ihrer Amazon Virtual Private Cloud](geospatial-notebooks-and-internet-access-vpc-requirements.md)
+ [AWS KMS Berechtigungen für SageMaker Geodatenfunktionen von Amazon verwenden](geospatial-kms.md)
# Konfiguration und Schwachstellenanalyse in Geodaten SageMaker
Konfiguration und IT-Kontrollen liegen in der gemeinsamen Verantwortung von AWS Ihnen, unserem Kunden. AWS kümmert sich um grundlegende Sicherheitsaufgaben wie das Patchen von Gastbetriebssystemen (OS) und Datenbanken, die Firewall-Konfiguration und die Notfallwiederherstellung. Diese Verfahren wurden von qualifizierten Dritten überprüft und zertifiziert. Weitere Informationen finden Sie in den folgenden Ressourcen:
+ [Modell der übergreifenden Verantwortlichkeit](https://aws.amazon.com/compliance/shared-responsibility-model/).
+ [Amazon Web Services: Übersicht über Sicherheitsverfahren](https://d0.awsstatic.com/whitepapers/Security/AWS_Security_Whitepaper.pdf).
# Bewährte Sicherheitsmethoden für SageMaker raumbezogene Funktionen
Die SageMaker Geospatial-Funktionen von Amazon bieten eine Reihe von Sicherheitsfunktionen, die Sie bei der Entwicklung und Implementierung Ihrer eigenen Sicherheitsrichtlinien berücksichtigen sollten. Die folgenden bewährten Methoden stellen allgemeine Richtlinien und keine vollständige Sicherheitslösung dar. Da diese bewährten Methoden für Ihre Umgebung möglicherweise nicht angemessen oder ausreichend sind, sollten Sie sie als hilfreiche Überlegungen und nicht als bindend ansehen.
**Anwendung des Prinzips der geringsten Privilegien**
Die SageMaker Geospatial-Funktionen von Amazon bieten detaillierte Zugriffsrichtlinien für Anwendungen, die IAM-Rollen verwenden. Wir empfehlen, den Rollen nur die für den Auftrag erforderlichen Mindestberechtigungen zu gewähren. Wir empfehlen außerdem, die Aufträge regelmäßig und bei jeder Änderung an Ihrer Bewerbung auf Berechtigungen zu überprüfen.
**Rollenbasierte Zugriffskontrolle (RBAC) Berechtigungen**
Administratoren sollten die Berechtigungen für die rollenbasierte Zugriffskontrolle (RBAC) für die Geodatenfunktionen von Amazon strikt kontrollieren. SageMaker
**Verwenden Sie, wann immer möglich, temporäre Anmeldeinformationen**
Verwenden Sie nach Möglichkeit temporäre Anmeldeinformationen anstelle von langfristigen Anmeldeinformationen, wie z. B. Zugangsschlüsseln. Für Szenarien, in denen Sie IAM-Benutzer mit programmatischem Zugriff und langfristigen Anmeldeinformationen benötigen, empfehlen wir, die Zugriffsschlüssel zu rotieren. Regelmäßig rotierende langfristige Anmeldeinformationen helfen Ihnen dabei, sich mit dem Prozess vertraut zu machen. Dies ist nützlich, wenn Sie sich jemals in einer Situation befinden, in der Sie Anmeldeinformationen rotieren müssen, z. B. wenn ein Mitarbeiter Ihr Unternehmen verlässt. Wir empfehlen, dass Sie IAM-Zugriff auf zuletzt verwendete Informationen verwenden, um Zugriffsschlüssel sicher zu rotieren und zu entfernen. Weitere Informationen finden Sie unter [Rotierende Zugriffsschlüssel](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_credentials_access-keys.html#Using_RotateAccessKey) und [bewährte Sicherheitsmethoden in IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/best-practices.html).
**Wird zum Anzeigen und Protokollieren von AWS CloudTrail API-Aufrufen verwendet**
AWS CloudTrail verfolgt jeden, der API-Aufrufe in Ihrem AWS Konto tätigt. API-Aufrufe werden protokolliert, wenn jemand die Amazon SageMaker Geospatial Capabilities API, die Amazon SageMaker Geospatial Capabilities Console oder Amazon SageMaker Geospatial Capabilities CLI-Befehle verwendet. AWS Aktivieren Sie die Protokollierung und legen Sie einen Amazon-S3-Bucket zum Speichern der Protokolle fest.
Ihr Vertrauen, Ihre Privatsphäre und die Sicherheit Ihrer Inhalte sind unsere obersten Prioritäten. Wir implementieren verantwortungsvolle und ausgeklügelte technische und physische Kontrollen, die den unbefugten Zugriff auf Ihre Inhalte oder deren Offenlegung verhindern und sicherstellen, dass unsere Nutzung unseren Verpflichtungen gegenüber Ihnen entspricht. Weitere Informationen finden Sie in den [AWS Häufig gestellten Fragen zum Datenschutz](https://aws.amazon.com/compliance/data-privacy-faq/).
# Verwenden Sie die SageMaker Geospatial-Funktionen von Amazon in Ihrer Amazon Virtual Private Cloud
Das folgende Thema enthält Informationen zur Verwendung von SageMaker Notizbüchern mit einem SageMaker Geodatenbild in einer Amazon SageMaker AI-Domain im Modus „Nur VPC“. Weitere Informationen zu Amazon VPCs SageMaker Studio Classic finden [Sie unter Wählen Sie eine Amazon VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-vpc.html).
## `VPC only` Kommunikation mit dem Internet
Standardmäßig verwendet die SageMaker AI-Domain zwei Amazon VPC. Eine der Amazon VPC wird von Amazon SageMaker AI verwaltet und bietet direkten Internetzugang. Sie geben die andere Amazon VPC an, die verschlüsselten Datenverkehr zwischen der Domain und Ihrem Volume von Amazon Elastic File System (Amazon EFS) bereitstellt.
Sie können dieses Verhalten so ändern, dass SageMaker KI den gesamten Datenverkehr über Ihre angegebene Amazon VPC sendet. Wenn bei der Erstellung der SageMaker AI-Domäne der Netzwerkzugriffsmodus ausgewählt `VPC only` wurde, müssen die folgenden Anforderungen berücksichtigt werden, um die Verwendung von SageMaker Studio Classic-Notebooks innerhalb der erstellten SageMaker AI-Domäne weiterhin zu ermöglichen.
## Voraussetzungen für die Verwendung des `VPC only`-Modus
**Anmerkung**
Um die Visualisierungskomponenten der SageMaker Geodatenfunktionen nutzen zu können, muss der Browser, den Sie für den Zugriff auf die SageMaker Studio Classic-Benutzeroberfläche verwenden, mit dem Internet verbunden sein.
Wenn Sie `VpcOnly` wählen, gehen Sie folgendermaßen vor:
1. Sie dürfen nur private Subnetze verwenden. Sie können öffentliche Subnetze nicht im `VpcOnly` Modus verwenden.
1. Stellen Sie sicher, dass Ihre Subnetze über die erforderliche Anzahl an IP-Adressen verfügen. Die erwartete Anzahl an IP-Adressen, die pro Benutzer benötigt werden, kann je nach Anwendungsfall variieren. Wir empfehlen zwischen 2 und 4 IP-Adressen pro Benutzer. Die gesamte IP-Adresskapazität für eine Studio-Classic-Domain ist die Summe der verfügbaren IP-Adressen für jedes Subnetz, die bei der Erstellung der Domain bereitgestellt wurden. Stellen Sie sicher, dass Ihre geschätzte IP-Adressnutzung die Kapazität nicht überschreitet, die von der Anzahl der von Ihnen bereitgestellten Subnetze unterstützt wird. Darüber hinaus kann die Verwendung von Subnetzen, die über viele Availability Zones verteilt sind, die Verfügbarkeit von IP-Adressen erhöhen. Weitere Informationen finden Sie unter [VPC und Subnetzdimensionierung](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html#vpc-sizing-ipv4) für. IPv4
**Anmerkung**
Sie können nur Subnetze mit einer Standard-Tenancy-VPC konfigurieren, in der Ihre Instance auf freigegebenen Hardware läuft. [Weitere Informationen zum Tenancy-Attribut für finden Sie unter Dedicated VPCs Instances.](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/dedicated-instance.html)
1. Richten Sie eine oder mehrere Sicherheitsgruppen mit Regeln für eingehenden und ausgehenden Datenverkehr ein, die zusammen den folgenden Datenverkehr zulassen:
+ [NFS-Verkehr über TCP auf Port 2049](https://docs.aws.amazon.com/efs/latest/ug/network-access.html) zwischen der Domain und dem Amazon EFS-Volume.
+ [TCP-Verkehr innerhalb der Sicherheitsgruppe](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances). Dies ist für die Konnektivität zwischen der JupyterServer App und den KernelGateway Apps erforderlich. Sie müssen den Zugriff auf mindestens Ports im Bereich `8192-65535` zulassen.
1. Wenn Sie den Internetzugang zulassen möchten, müssen Sie ein [NAT-Gateway](https://docs.aws.amazon.com/vpc/latest/userguide/vpc-nat-gateway.html#nat-gateway-working-with) mit Internetzugang verwenden, z. B. über ein [Internet-Gateway](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Internet_Gateway.html).
1. Wenn Sie den Internetzugang nicht zulassen möchten, [erstellen Sie Schnittstellen-VPC-Endpunkte](https://docs.aws.amazon.com/vpc/latest/privatelink/vpce-interface.html) (AWS PrivateLink), damit Studio Classic mit den entsprechenden Dienstnamen auf die folgenden Dienste zugreifen kann. Sie müssen diesen Endpunkten auch die Sicherheitsgruppen für Ihre VPC zuordnen.
**Anmerkung**
Derzeit werden SageMaker Geodatenfunktionen nur in der Region USA West (Oregon) unterstützt.
+ SageMaker API: `com.amazonaws.us-west-2.sagemaker.api`
+ SageMaker KI-Laufzeit:`com.amazonaws.us-west-2.sagemaker.runtime`. Dies ist erforderlich, um Studio Classic-Notebooks mit einem SageMaker Geodatenbild auszuführen.
+ Amazon S3: `com.amazonaws.us-west-2.s3`.
+ Um SageMaker Projekte zu verwenden:`com.amazonaws.us-west-2.servicecatalog`.
+ SageMaker Geospatiale Funktionen: `com.amazonaws.us-west-2.sagemaker-geospatial`
Wenn Sie das [SageMaker Python-SDK](https://sagemaker.readthedocs.io/en/stable/) verwenden, um Remote-Trainingsjobs auszuführen, müssen Sie auch die folgenden Amazon VPC-Endpunkte erstellen.
+ AWS -Security-Token-Service: `com.amazonaws.region.sts`
+ Amazon CloudWatch:. `com.amazonaws.region.logs` Dies ist erforderlich, damit das SageMaker Python-SDK den Status des Ferntrainingsjobs abrufen kann Amazon CloudWatch.
**Anmerkung**
Bei einem Kunden, der im VPC-Modus arbeitet, können Firmenfirewalls Verbindungsprobleme mit SageMaker Studio Classic oder zwischen JupyterServer und dem verursachen. KernelGateway Führen Sie die folgenden Prüfungen durch, wenn Sie bei der Verwendung von SageMaker Studio Classic hinter einer Firewall auf eines dieser Probleme stoßen.
Vergewissern Sie sich, dass die Studio-Classic-URL auf der Zulassungsliste Ihres Netzwerks steht.
Vergewissern Sie sich, dass die Websocket-Verbindungen nicht blockiert sind. Jupyter verwendet Websocket unter der Haube. Wenn die KernelGateway Anwendung dies ist InService, JupyterServer kann möglicherweise keine Verbindung zum hergestellt werden KernelGateway. Dieses Problem sollte auch auftreten, wenn Sie das System Terminal öffnen.
# AWS KMS Berechtigungen für SageMaker Geodatenfunktionen von Amazon verwenden
Sie können Ihre Daten im Ruhezustand schützen, indem Sie die Verschlüsselung für SageMaker Geodatenfunktionen verwenden. Standardmäßig verwendet es serverseitige Verschlüsselung mit einem Amazon SageMaker Geospatial-eigenen Schlüssel. SageMaker Geospatial Capabilities unterstützt auch eine Option für serverseitige Verschlüsselung mit einem vom Kunden verwalteten KMS-Schlüssel.
## Serverseitige Verschlüsselung mit verwaltetem Amazon SageMaker Geospatial Key (Standard)
SageMaker Geospatial-Funktionen verschlüsseln all Ihre Daten, einschließlich der Rechenergebnisse Ihrer Erdbeobachtungsaufträge (EOJ) und Vector Enrichment-Jobs (VEJ) zusammen mit all Ihren Service-Metadaten. Es gibt keine Daten, die unverschlüsselt in Geospatial Capabilities gespeichert werden. SageMaker Es verwendet einen AWS eigenen Standardschlüssel, um all Ihre Daten zu verschlüsseln.
## Serverseitige Verschlüsselung mit vom Kunden verwaltetem KMS-Schlüssel (optional)
SageMaker Geospatiale Funktionen unterstützen die Verwendung eines symmetrischen, vom Kunden verwalteten Schlüssels, den Sie erstellen, besitzen und verwalten, um eine zweite Verschlüsselungsebene über der vorhandenen AWS eigenen Verschlüsselung hinzuzufügen. Da Sie die volle Kontrolle über diese Verschlüsselungsebene haben, können Sie beispielsweise folgende Aufgaben ausführen:
+ Festlegung und Pflege wichtiger Richtlinien
+ Festlegung und Aufrechterhaltung von IAM-Richtlinien und -Zuschüssen
+ Aktivieren und Deaktivieren wichtiger Richtlinien
+ Kryptographisches Material mit rotierendem Schlüssel
+ Hinzufügen von -Tags
+ Erstellen von Schlüsselaliasen
+ Schlüssel für das Löschen von Schlüsseln planen
Weitere Informationen finden Sie unter [Kundenverwaltete Schlüssel](https://docs.aws.amazon.com/kms/latest/developerguide/concepts.html#customer-cmk) im *AWS Key Management Service Entwicklerhandbuch*.
## So nutzt SageMaker Geospatial Capabilities Zuschüsse in AWS KMS
SageMaker Für Geospatial Capabilities ist ein Zuschuss erforderlich, um Ihren vom Kunden verwalteten Schlüssel nutzen zu können. Wenn Sie ein EOJ oder ein VEJ erstellen, das mit einem vom Kunden verwalteten Schlüssel verschlüsselt ist, erstellt SageMaker Geospatial Capabilities in Ihrem Namen einen Zuschuss, indem es eine Anfrage an sendet. `CreateGrant` AWS KMS Grants in AWS KMS werden verwendet, um SageMaker Geospatial Capabilities Zugriff auf einen KMS-Schlüssel in einem Kundenkonto zu gewähren. Sie können den Zugriff auf die Genehmigung jederzeit widerrufen oder den Zugriff des Services auf den vom Kunden verwalteten Schlüssel entfernen. Wenn Sie dies tun, können SageMaker Geodatenfunktionen nicht auf die Daten zugreifen, die mit dem vom Kunden verwalteten Schlüssel verschlüsselt wurden, was sich auf Vorgänge auswirkt, die von diesen Daten abhängig sind.
## Erstellen eines kundenseitig verwalteten Schlüssels
Sie können einen symmetrischen, vom Kunden verwalteten Schlüssel mithilfe der AWS Management Console oder der erstellen. AWS KMS APIs
**Einen symmetrischen kundenverwalteten Schlüssel erstellen**
Folgen Sie den Schritten zum [Erstellen von KMS-Schlüsseln mit symmetrischer Verschlüsselung](https://docs.aws.amazon.com/kms/latest/developerguide/create-keys.html#create-symmetric-cmk) im AWS Key Management Service Entwicklerhandbuch.
**Schlüsselrichtlinie**
Schlüsselrichtlinien steuern den Zugriff auf den vom Kunden verwalteten Schlüssel. Jeder vom Kunden verwaltete Schlüssel muss über genau eine Schlüsselrichtlinie verfügen, die aussagt, wer den Schlüssel wie verwenden kann. Wenn Sie Ihren kundenseitig verwalteten Schlüssel erstellen, können Sie eine Schlüsselrichtlinie angeben. Weitere Informationen finden Sie unter [Bestimmung des Zugriffs auf AWS KMS Schlüssel](https://docs.aws.amazon.com/kms/latest/developerguide/determining-access.html) im *AWS Key Management Service Entwicklerhandbuch*.
Um Ihren vom Kunden verwalteten Schlüssel mit Ihren Ressourcen für SageMaker Geodatenfunktionen verwenden zu können, müssen die folgenden API-Operationen in der Schlüsselrichtlinie zugelassen sein. Der Hauptbenutzer für diese Operationen sollte die Ausführungsrolle sein, die Sie in der Anfrage für SageMaker Geodatenfunktionen angegeben haben. SageMaker Geospatial Capabilities übernimmt die in der Anforderung angegebene Ausführungsrolle zur Ausführung dieser KMS-Operationen.
+ `[kms:CreateGrant](https://docs.aws.amazon.com/kms/latest/APIReference/API_CreateGrant.html)`
+ `kms:GenerateDataKey`
+ `kms:Decrypt`
+ `kms:GenerateDataKeyWithoutPlaintext`
Im Folgenden finden Sie Beispiele für Richtlinienerklärungen, die Sie für SageMaker Geodatenfunktionen hinzufügen können:
**CreateGrant**
```
"Statement" : [
{
"Sid" : "Allow access to Amazon SageMaker geospatial capabilities",
"Effect" : "Allow",
"Principal" : {
"AWS" : ""
},
"Action" : [
"kms:CreateGrant",
"kms:Decrypt",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlaintext"
],
"Resource" : "*",
},
]
```
Weitere Informationen zum Festlegen von Berechtigungen in einer Richtlinie finden Sie unter [AWS KMS Berechtigungen](https://docs.aws.amazon.com/kms/latest/developerguide/kms-api-permissions-reference.html) im *AWS Key Management Service Entwicklerhandbuch*. Weitere Informationen zur Fehlerbehebung finden Sie unter [Fehlerbehebung beim Schlüsselzugriff](https://docs.aws.amazon.com/kms/latest/developerguide/policy-evaluation.html) im *AWS Key Management Service Entwicklerhandbuch*.
Wenn Ihre Schlüsselrichtlinie nicht Ihren Kontostamm als Schlüsseladministrator vorsieht, müssen Sie dieselben KMS-Berechtigungen für Ihre Ausführungsrolle ARN hinzufügen. Hier ist eine Beispielrichtlinie, die Sie der Ausführungsrolle hinzufügen können:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Action": [
"kms:CreateGrant",
"kms:Decrypt",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlaintext"
],
"Resource": [
"arn:aws:kms:us-east-1:111122223333:key/key-id"
],
"Effect": "Allow"
}
]
}
```
------
## Überwachung Ihrer Verschlüsselungsschlüssel im Hinblick auf SageMaker Geodatenfunktionen
Wenn Sie einen vom AWS KMS Kunden verwalteten Schlüssel mit Ihren SageMaker Geospatial-Ressourcen verwenden, können Sie Amazon CloudWatch Logs verwenden AWS CloudTrail , um Anfragen zu verfolgen, an die SageMaker Geospatial gesendet wird. AWS KMS
Wählen Sie eine Registerkarte in der folgenden Tabelle aus, um Beispiele für AWS CloudTrail Ereignisse zur Überwachung von KMS-Vorgängen zu sehen, die von SageMaker Geospatial Capabilities aufgerufen werden, um auf Daten zuzugreifen, die mit Ihrem vom Kunden verwalteten Schlüssel verschlüsselt wurden.
------
#### [ CreateGrant ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AssumedRole",
"principalId": "AROAIGDTESTANDEXAMPLE:SageMaker-Geospatial-StartEOJ-KMSAccess",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole/SageMaker-Geospatial-StartEOJ-KMSAccess",
"accountId": "111122223333",
"accessKeyId": "AKIAIOSFODNN7EXAMPLE3",
"sessionContext": {
"sessionIssuer": {
"type": "Role",
"principalId": "AKIAIOSFODNN7EXAMPLE3",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole",
"accountId": "111122223333",
"userName": "SageMakerGeospatialCustomerRole"
},
"webIdFederationData": {},
"attributes": {
"creationDate": "2023-03-17T18:02:06Z",
"mfaAuthenticated": "false"
}
},
"invokedBy": "arn:aws:iam::111122223333:root"
},
"eventTime": "2023-03-17T18:02:06Z",
"eventSource": "kms.amazonaws.com",
"eventName": "CreateGrant",
"awsRegion": "us-west-2",
"sourceIPAddress": "172.12.34.56",
"userAgent": "ExampleDesktop/1.0 (V1; OS)",
"requestParameters": {
"retiringPrincipal": "sagemaker-geospatial.us-west-2.amazonaws.com",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE",
"operations": [
"Decrypt"
],
"granteePrincipal": "sagemaker-geospatial.us-west-2.amazonaws.com"
},
"responseElements": {
"grantId": "0ab0ac0d0b000f00ea00cc0a0e00fc00bce000c000f0000000c0bc0a0000aaafSAMPLE",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
},
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": false,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ GenerateDataKey ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AWSService",
"invokedBy": "sagemaker-geospatial.amazonaws.com"
},
"eventTime": "2023-03-24T00:29:45Z",
"eventSource": "kms.amazonaws.com",
"eventName": "GenerateDataKey",
"awsRegion": "us-west-2",
"sourceIPAddress": "sagemaker-geospatial.amazonaws.com",
"userAgent": "sagemaker-geospatial.amazonaws.com",
"requestParameters": {
"encryptionContext": {
"aws:s3:arn": "arn:aws:s3:::axis-earth-observation-job-378778860802/111122223333/napy9eintp64/output/consolidated/32PPR/2022-01-04T09:58:03Z/S2B_32PPR_20220104_0_L2A_msavi.tif"
},
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE",
"keySpec": "AES_256"
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ Decrypt ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AWSService",
"invokedBy": "sagemaker-geospatial.amazonaws.com"
},
"eventTime": "2023-03-28T22:04:24Z",
"eventSource": "kms.amazonaws.com",
"eventName": "Decrypt",
"awsRegion": "us-west-2",
"sourceIPAddress": "sagemaker-geospatial.amazonaws.com",
"userAgent": "sagemaker-geospatial.amazonaws.com",
"requestParameters": {
"encryptionAlgorithm": "SYMMETRIC_DEFAULT",
"encryptionContext": {
"aws:s3:arn": "arn:aws:s3:::axis-earth-observation-job-378778860802/111122223333/napy9eintp64/output/consolidated/32PPR/2022-01-04T09:58:03Z/S2B_32PPR_20220104_0_L2A_msavi.tif"
},
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ GenerateDataKeyWithoutPlainText ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AssumedRole",
"principalId": "AROAIGDTESTANDEXAMPLE:SageMaker-Geospatial-StartEOJ-KMSAccess",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole/SageMaker-Geospatial-StartEOJ-KMSAccess",
"accountId": "111122223333",
"accessKeyId": "AKIAIOSFODNN7EXAMPLE3",
"sessionContext": {
"sessionIssuer": {
"type": "Role",
"principalId": "AKIAIOSFODNN7EXAMPLE3",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole",
"accountId": "111122223333",
"userName": "SageMakerGeospatialCustomerRole"
},
"webIdFederationData": {},
"attributes": {
"creationDate": "2023-03-17T18:02:06Z",
"mfaAuthenticated": "false"
}
},
"invokedBy": "arn:aws:iam::111122223333:root"
},
"eventTime": "2023-03-28T22:09:16Z",
"eventSource": "kms.amazonaws.com",
"eventName": "GenerateDataKeyWithoutPlaintext",
"awsRegion": "us-west-2",
"sourceIPAddress": "172.12.34.56",
"userAgent": "ExampleDesktop/1.0 (V1; OS)",
"requestParameters": {
"keySpec": "AES_256",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
# Arten von Recheninstances
SageMaker Geospatial-Funktionen bieten drei Arten von Recheninstanzen.
+ **SageMaker Geospatial-Notebook-Instanzen von Studio Classic** — SageMaker Geospatial unterstützt sowohl CPU- als auch GPU-basierte Notebook-Instanzen in Studio Classic. Notebook-Instances werden zum Erstellen, Trainieren und Bereitstellen von ML-Modellen verwendet. Eine Liste der verfügbaren Notebook-Instance-Typen, die mit dem Geodatenbild funktionieren, finden Sie unter [Unterstützte Notebook-Instance-Typen](#supported-geospatial-instances).
+ **SageMaker Instanzen für Geodatenaufträge** — Führen Sie Verarbeitungsaufträge aus, um Satellitenbilddaten zu transformieren.
+ **SageMaker Inferenztypen für Geodatenmodelle — Treffen** Sie Vorhersagen, indem Sie vorab trainierte ML-Modelle auf Satellitenbildern verwenden.
Der Instance-Typ wird durch die von Ihnen ausgeführten Operationen bestimmt.
Die folgende Tabelle zeigt die verfügbaren SageMaker geodatenspezifischen Operationen und Instanztypen, die Sie verwenden können.
| Operationen | Instance |
| --- | --- |
| Temporäre Statistik | ml.geospatial.jobs |
| Zonenbasierte Statistiken | ml.geospatial.jobs |
| Resampling | ml.geospatial.jobs |
| Geomosaik | ml.geospatial.jobs |
| Stapeln von Bändern | ml.geospatial.jobs |
| Band Mathe | ml.geospatial.jobs |
| Entfernung von Wolken mit Landsat8 | ml.geospatial.jobs |
| Entfernung von Wolken mit Sentinel-2 | ml.geospatial.models |
| Cloud-Maskierung | ml.geospatial.models |
| Segmentierung der Landbedeckung | ml.geospatial.models |
## SageMaker Von Geospatial unterstützte Notebook-Instanztypen
SageMaker Geospatial unterstützt sowohl CPU- als auch GPU-basierte Notebook-Instanzen in Studio Classic. Wenn Sie beim Starten einer GPU-fähigen Notebook-Instanz eine ResourceLimitExceededFehlermeldung erhalten, müssen Sie eine Erhöhung des Kontingents beantragen. Weitere Informationen zur [Beantragung einer Quotenerhöhung](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) für Service Quotas finden Sie unter Beantragung einer Quotenerhöhung im *Service Quotas-Benutzerhandbuch*.
Unterstützte Notebook-Instance-Typen von Studio Classic
| Name | Instance-Typ |
| --- | --- |
| ml.geospatial.interactive | CPU |
| ml.g5.xlarge | GPU |
| ml.g5.2xlarge | GPU |
| ml.g5.4xlarge | GPU |
| ml.g5.8xlarge | GPU |
| ml.g5.16xlarge | GPU |
| ml.g5.12xlarge | GPU |
| ml.g5.24xlarge | GPU |
| ml.g5.48xlarge | GPU |
Für jeden Typ von Rechen-Instance, den Sie verwenden, werden Ihnen unterschiedliche Tarife berechnet. Weitere Informationen zur Preisgestaltung finden Sie unter [Geospatial ML with Amazon SageMaker AI](https://aws.amazon.com/sagemaker/geospatial).
## SageMaker Geodatenbibliotheken
Der SageMaker georäumspezifische **Instanztyp** **ml.geospatial.interactive** enthält die folgenden Python-Bibliotheken.
Geodatenbibliotheken, die für den Geospatial-Instance-Typ verfügbar sind
| Name der Bibliothek | Verfügbare Versionen |
| --- | --- |
| numpy | 1.23.4 |
| scipy | 1.11.2 |
| pandas | 1.4.4 |
| gdal | 3.2.2 |
| fiona | 1.8.22 |
| geopandas | 0.11.1 |
| Shapley | 1.8.4 |
| seaborn | 0,11.2 |
| notebook | 1.8.22 |
| scikit-image | 0,11.2 |
| rasterio | 6.4.12 |
| Scikit-learn | 0,19.2 |
| ipyleaflet | 1.0.1 |
| rtree | 0,17.2 |
| opencv | 4.6.0,66 |
| supy | 2022.4.7 |
| SNAP toolbox | 9.0 |
| cdsapi | 0.6.1 |
| arosics | 1.8.1 |
| rasterstats | 0.18.0 |
| rioxarray | 0,14,1 |
| pyroSAR | 0,20,0 |
| eo-learn | 1.4.1 |
| deepforest | 1.2.7 |
| scrapy | 2.8.0 |
| netto CDF4 | 1.6.3 |
| xarray[vollständig] | 0,20,1 |
| Orfeotoolbox | OTB-8.1.1 |
| pytorch | 2.0.1 |
| pytorch-cuda | 11.8 |
| pytorch-cuda | 0,15.2 |
| torchaudio | 2.0.2 |
| pytorch-lightning | 2.0.6 |
| tensorflow | 2.13.0 |
# Datenerfassung
Amazon SageMaker Geospatial unterstützt die folgenden Raster-Datensammlungen. Von den folgenden Datensammlungen können Sie die USGS Landsat- und die Cloud-optimierten Sentinel-2-Datensammlungen verwenden, wenn Sie einen Erdbeobachtungsauftrag (EOJ) starten. Weitere Informationen über die finden Sie EOJs unter[Jobs im Bereich Erdbeobachtung](geospatial-eoj.md).
+ [Copernicus Digital Elevation Model (DEM) – GLO-30](https://registry.opendata.aws/copernicus-dem/)
+ [Copernicus Digital Elevation Model (DEM) – GLO-90](https://registry.opendata.aws/copernicus-dem/)
+ [https://registry.opendata.aws/sentinel-2-l2a-cogs/](https://registry.opendata.aws/sentinel-2-l2a-cogs/)
+ [https://registry.opendata.aws/sentinel-1/](https://registry.opendata.aws/sentinel-1/)
+ [National Agriculture Imagery Program (NAIP)nein AWS](https://registry.opendata.aws/naip/)
+ [https://registry.opendata.aws/usgs-landsat/](https://registry.opendata.aws/usgs-landsat/)
Um die Liste der verfügbaren Raster-Datensammlungen in Ihrem zu finden AWS-Regionen, verwenden Sie`ListRasterDataCollections`. In der [`ListRasterDataCollections`Antwort](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListRasterDataCollections.html#API_geospatial_ListRasterDataCollections_ResponseSyntax) erhalten Sie ein [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListRasterDataCollections.html#API_geospatial_ListRasterDataCollections_ResponseSyntax](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListRasterDataCollections.html#API_geospatial_ListRasterDataCollections_ResponseSyntax)Objekt, das Details zu den verfügbaren Raster-Datensammlungen enthält.
**Example Beispiel — Aufrufen der `ListRasterDataCollections` API mit dem AWS SDK für Python (Boto3)**
Wenn Sie das SDK for Python (Boto3) und SageMaker Geospatial verwenden, müssen Sie einen Geospatial-Client erstellen. `geospatial_client` Verwenden Sie den folgenden Python Codeausschnitt, um die `list_raster_data_collections` API aufzurufen:
```
import boto3
import sagemaker
import sagemaker_geospatial_map
import json
## SageMaker Geospatial Capabilities is currently only avaialable in US-WEST-2
session = boto3.Session(region_name='us-west-2')
execution_role = sagemaker.get_execution_role()
## Creates a SageMaker Geospatial client instance
geospatial_client = session.client(service_name="sagemaker-geospatial")
# Creates a resusable Paginator for the list_raster_data_collections API operation
paginator = geospatial_client.get_paginator("list_raster_data_collections")
# Create a PageIterator from the Paginator
page_iterator = paginator.paginate()
# Use the iterator to iterate throught the results of list_raster_data_collections
results = []
for page in page_iterator:
results.append(page['RasterDataCollectionSummaries'])
print (results)
```
In der JSON-Antwort erhalten Sie Folgendes, das aus Gründen der Übersichtlichkeit gekürzt wurde:
```
{
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:555555555555:raster-data-collection/public/dxxbpqwvu9041ny8",
"Description": "Copernicus DEM is a Digital Surface Model which represents the surface of the Earth including buildings, infrastructure, and vegetation. GLO-30 is instance of Copernicus DEM that provides limited worldwide coverage at 30 meters.",
"DescriptionPageUrl": "https://registry.opendata.aws/copernicus-dem/",
"Name": "Copernicus DEM GLO-30",
"Tags": {},
"Type": "PUBLIC"
}
```
## Bildbandinformationen aus den USGS Landsat- und Sentinel-2-Datensammlungen
Bildbandinformationen aus den USGS Landsat 8 und Sentinel-2 Datensammlungen sind in der folgenden Tabelle aufgeführt.
USGS Landsat
| Band-Name | Wellenlängenbereich (nm) | Einheiten | Gültiger Bereich | Wert füllen | Räumliche Auflösung |
| --- | --- | --- | --- | --- | --- |
| coastal | 435–451 | Ohne Einheiten | 1–65 455 | 0 (ohne Daten) | 30m |
| Blau | 452–512 | Ohne Einheiten | 1–65 455 | 0 (ohne Daten) | 30m |
| Grün | 533–590 | Ohne Einheiten | 1–65 455 | 0 (ohne Daten) | 30m |
| red | 636–673 | Ohne Einheiten | 1–65 455 | 0 (ohne Daten) | 30m |
| nir | 851–879 | Ohne Einheiten | 1–65 455 | 0 (ohne Daten) | 30m |
| swir16 | 1 566–1 651 | Ohne Einheiten | 1–65 455 | 0 (ohne Daten) | 30m |
| swir22 | 2 107–2 294 | Ohne Einheiten | 1–65 455 | 0 (ohne Daten) | 30m |
| qa\$1aerosol | N/A | Bit Index | 0–255 | 1 | 30m |
| qa\$1pixel | N/A | Bit Index | 1–65 455 | 1 (Bit 0) | 30m |
| qa\$1radsat | N/A | Bit Index | 1–65 455 | N/A | 30m |
| t | 10 600–11 190 | Skaliertes Kelvin | 1–65 455 | 0 (ohne Daten) | 30 m (skaliert ab 100 m) |
| atran | N/A | Ohne Einheiten | 0–10 000 | -9999 (ohne Daten) | 30m |
| cdist | N/A | Kilometer | 0–24 000 | -9999 (ohne Daten) | 30m |
| drad | N/A | W/(m^2 sr µm)/DN | 0–28 000 | -9999 (ohne Daten) | 30m |
| urad | N/A | W/(m^2 sr µm)/DN | 0–28 000 | -9999 (ohne Daten) | 30m |
| trad | N/A | W/(m^2 sr µm)/DN | 0–28 000 | -9999 (ohne Daten) | 30m |
| emis | N/A | Emissionskoeffizient | 1–10 000 | -9999 (ohne Daten) | 30m |
| emsd | N/A | Emissionskoeffizient | 1–10 000 | -9999 (ohne Daten) | 30m |
Sentinel-2
| Band-Name | Wellenlängenbereich (nm) | Skalieren | Gültiger Bereich | Wert füllen | Räumliche Auflösung |
| --- | --- | --- | --- | --- | --- |
| coastal | 443 | 0,0001 | N/A | 0 (ohne Daten) | 60 m |
| Blau | 490 | 0,0001 | N/A | 0 (ohne Daten) | 10m |
| Grün | 560 | 0,0001 | N/A | 0 (ohne Daten) | 10m |
| red | 665 | 0,0001 | N/A | 0 (ohne Daten) | 10m |
| rededge1 | 705 | 0,0001 | N/A | 0 (ohne Daten) | 20m |
| rededge2 | 740 | 0,0001 | N/A | 0 (ohne Daten) | 20m |
| rededge3 | 783 | 0,0001 | N/A | 0 (ohne Daten) | 20m |
| nir | 842 | 0,0001 | N/A | 0 (ohne Daten) | 10m |
| nir08 | 865 | 0,0001 | N/A | 0 (ohne Daten) | 20m |
| nir08 | 865 | 0,0001 | N/A | 0 (ohne Daten) | 20m |
| nir09 | 940 | 0,0001 | N/A | 0 (ohne Daten) | 60 m |
| swir16 | 1610 | 0,0001 | N/A | 0 (ohne Daten) | 20m |
| swir22 | 2190 | 0,0001 | N/A | 0 (ohne Daten) | 20m |
| aot | Optische Dicke des Aerosols | 0.001 | N/A | 0 (ohne Daten) | 10m |
| wvp | Szenendurchschnitt Wasserdampf | 0.001 | N/A | 0 (ohne Daten) | 10m |
| scl | Szenenklassifizierungsdaten | N/A | 1–11 | 0 (ohne Daten) | 20m |
# RStudio auf Amazon SageMaker AI
RStudio ist eine integrierte Entwicklungsumgebung für R mit einer Konsole, einem Syntaxhervorhebungseditor, der die direkte Codeausführung unterstützt, und Tools für Plotten, Verlauf, Debugging und Workspace-Management. Amazon SageMaker AI unterstützt RStudio als vollständig verwaltete integrierte Entwicklungsumgebung (IDE), die über Posit Workbench in die Amazon SageMaker AI-Domain integriert ist. RStudio ermöglicht es Kunden, mithilfe einer R-Umgebung datenwissenschaftliche Erkenntnisse zu gewinnen. Mit der RStudio Integration können Sie eine RStudio Umgebung in der Domain starten, um Ihre RStudio Workflows auf SageMaker KI-Ressourcen auszuführen. Weitere Informationen zu Posit Workbench finden Sie auf der [Posit-Webseite](https://posit.co/products/enterprise/workbench/). Diese Seite enthält Informationen zu wichtigen RStudio Konzepten.
SageMaker KI integriert sich RStudio durch die Erstellung einer RStudio ServerPro App.
Folgendes wird von RStudio on SageMaker AI unterstützt.
+ R-Entwickler verwenden die RStudio IDE-Schnittstelle mit beliebten Entwicklertools aus dem R-Ökosystem. Benutzer können mit RStudio Connect neue RStudio Sitzungen starten, R-Code schreiben, Abhängigkeiten aus dem RStudio Package Manager installieren und Shiny-Apps veröffentlichen.
+ R-Entwickler können die zugrunde liegenden Rechenressourcen schnell skalieren, um umfangreiche Datenverarbeitungen und statistische Analysen durchzuführen.
+ Plattformadministratoren können Benutzeridentitäten, Autorisierung, Netzwerk, Speicher und Sicherheit für ihre Data-Science-Teams durch AWS IAM Identity Center und AWS Identity and Access Management Integration einrichten. Dazu gehören die Verbindung zu privaten Amazon Virtual Private Cloud (Amazon VPC) -Ressourcen und der internetfreie Modus mit. AWS PrivateLink
+ Integration mit. AWS License Manager
Informationen zu den Onboarding-Schritten zum Erstellen einer Domain mit RStudio aktivierter Option finden Sie unter[Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
## Verfügbarkeit in Regionen
Die folgende Tabelle enthält Informationen RStudio darüber AWS-Regionen , in welchen Bereichen SageMaker KI unterstützt wird.
| Name der Region | Region |
| --- | --- |
| USA Ost (Ohio) | us-east-2 |
| USA Ost (Nord-Virginia) | us-east-1 |
| USA West (Nordkalifornien) | us-west-1 |
| USA West (Oregon) | us-west-2 |
| Asien-Pazifik (Mumbai) | ap-south-1 |
| Asien-Pazifik (Seoul) | ap-northeast-2 |
| Asien-Pazifik (Singapur) | ap-southeast-1 |
| Asien-Pazifik (Sydney) | ap-southeast-2 |
| Asien-Pazifik (Tokio) | ap-northeast-1 |
| Kanada (Zentral) | ca-central-1 |
| Europa (Frankfurt) | eu-central-1 |
| Europa (Irland) | eu-west-1 |
| Europa (London) | eu-west-2 |
| Europa (Paris) | eu-west-3 |
| Europa (Stockholm) | eu-north-1 |
| Südamerika (São Paulo) | sa-east-1 |
## RStudio Komponenten
+ *RStudioServerPro*: Die RStudio ServerPro App ist eine Mehrbenutzer-App, die von allen Benutzerprofilen in der Domain gemeinsam genutzt wird. Sobald eine RStudio App in einer Domain erstellt wurde, kann der Administrator Benutzern in der Domain Berechtigungen erteilen.
+ *RStudio Benutzer*: RStudio Benutzer sind Benutzer innerhalb der Domain, die berechtigt sind, die RStudio Lizenz zu verwenden.
+ *RStudio admin*: Ein Administrator RStudio auf Amazon SageMaker AI kann auf das RStudio Administrator-Dashboard zugreifen. RStudio Auf Amazon unterscheiden sich SageMaker AI-Administratoren von „normalen“ Posit Workbench-Administratoren dadurch, dass sie keinen Root-Zugriff auf die Instance haben, auf der die RStudio ServerPro App ausgeführt wird, und die Konfigurationsdatei nicht ändern können. RStudio
+ *RStudio Server*: Die RStudio Server-Instance ist dafür verantwortlich, die RStudio Benutzeroberfläche allen autorisierten Benutzern zur Verfügung zu stellen. Diese Instance wird auf einer Amazon SageMaker AI-Instance gestartet.
+ *RSession*: An RSession ist eine browserbasierte Schnittstelle zur RStudio IDE, die auf einer Amazon SageMaker AI-Instance ausgeführt wird. Benutzer können ihre RStudio Projekte über die erstellen und mit ihnen interagieren. RSession
+ *RSessionGateway*: Die RSession Gateway-App wird zur Unterstützung von verwendet RSession.
+ *RStudio Administrator-Dashboard*: Dieses Dashboard enthält Informationen zu den RStudio Benutzern in der Amazon SageMaker AI-Domain und ihren Sitzungen. Auf dieses Dashboard können nur Benutzer zugreifen, die über RStudio Administratorberechtigungen verfügen.
## Unterschiede zu Posit Workbench
RStudio auf Amazon SageMaker AI weist einige signifikante Unterschiede zu [Posit Workbench](https://posit.co/products/enterprise/workbench/) auf.
+ Bei RStudio der Verwendung auf SageMaker KI haben Benutzer keinen Zugriff auf die RStudio Konfigurationsdateien. Amazon SageMaker AI verwaltet die Konfigurationsdatei und legt Standardwerte fest. Sie können den RStudio Connect- und RStudio Package Manager ändern URLs , wenn Sie Ihre RStudio -fähige Amazon SageMaker AI-Domain erstellen.
+ Projektfreigabe, Zusammenarbeit in Echtzeit und Job Launcher werden derzeit nicht unterstützt, wenn sie RStudio auf Amazon SageMaker AI verwendet werden.
+ Bei Verwendung RStudio auf SageMaker KI läuft die RStudio IDE auf Amazon SageMaker AI-Instances für containerisierte Rechenressourcen auf Abruf.
+ RStudio on SageMaker AI unterstützt nur die RStudio IDE und keine anderen, die von einer Posit Workbench-Installation IDEs unterstützt werden.
+ RStudio on SageMaker AI unterstützt nur die in [RStudio Versionierung](rstudio-version.md) angegebene RStudio Version.
# RStudio zum Amazon SageMaker AI-Management
Die folgenden Themen enthalten Informationen zur Verwaltung RStudio auf Amazon SageMaker AI. Dazu gehören Informationen über Ihre RStudio Umgebungskonfiguration, Benutzersitzungen und erforderliche Ressourcen. Informationen zur Verwendung RStudio von SageMaker KI finden Sie unter[RStudio auf Amazon SageMaker AI — Benutzerhandbuch](rstudio-use.md).
Informationen zum Erstellen einer Amazon SageMaker AI-Domain mit RStudio aktivierter Option finden Sie unter[Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
Informationen zu den AWS Regionen, in denen RStudio SageMaker KI nicht unterstützt wird, finden Sie unter[Unterstützte Regionen und Kontingente](regions-quotas.md).
**Topics**
+ [Besorgen Sie sich eine RStudio Lizenz](rstudio-license.md)
+ [RStudio Versionierung](rstudio-version.md)
+ [Netzwerk und Speicher](rstudio-network.md)
+ [RStudioServerPro Instanztyp](rstudio-select-instance.md)
+ [Fügen Sie eine RStudio Connect-URL hinzu](rstudio-configure-connect.md)
+ [Aktualisieren Sie die URL des RStudio Paketmanagers](rstudio-configure-pm.md)
+ [Erstellen Sie eine Amazon SageMaker AI-Domain RStudio mit dem AWS CLI](rstudio-create-cli.md)
+ [Fügen Sie einer vorhandenen Domain RStudio Unterstützung hinzu](rstudio-add-existing.md)
+ [Benutzerdefinierte Bilder RStudio ohne SageMaker KI](rstudio-byoi.md)
+ [Erstellen Sie einen zu verwendenden Benutzer RStudio](rstudio-create-user.md)
+ [Melden Sie sich RStudio als ein anderer Benutzer an](rstudio-login-another.md)
+ [Beenden von Sitzungen für einen anderen Benutzer](rstudio-terminate-another.md)
+ [Verwenden Sie das RStudio Administrator-Dashboard](rstudio-admin.md)
+ [Herunterfahren RStudio](rstudio-shutdown.md)
+ [Fakturierung und Kosten](rstudio-billing.md)
+ [Probleme diagnostizieren und Support erhalten](rstudio-troubleshooting.md)
# Besorgen Sie sich eine RStudio Lizenz
RStudio Bei Amazon SageMaker AI handelt es sich um ein kostenpflichtiges Produkt und erfordert, dass jeder Benutzer über eine entsprechende Lizenz verfügt. Lizenzen für RStudio Amazon SageMaker AI können direkt von RStudio PBC oder durch den Kauf eines Abonnements für Posit Workbench auf AWS Marketplace erworben werden. Für Bestandskunden von Posit Workbench Enterprise werden Lizenzen ohne zusätzliche Kosten ausgestellt. Um eine RStudio Lizenz mit Amazon SageMaker AI verwenden zu können, müssen Sie zunächst eine gültige RStudio Lizenz bei registriert haben AWS License Manager. Für Lizenzen, die direkt über Rstudio PBC gekauft wurden, muss eine Lizenzgewährung für Ihr AWS Konto erstellt werden. Kontaktieren Sie uns RStudio für direkte Lizenzkäufe oder zur Aktivierung vorhandener Lizenzen in. AWS License Manager Mehr Informationen über die Registrierung einer Lizenz bei AWS License Manager finden Sie unter [Vom Verkäufer ausgestellte Lizenzen unter AWS License Manager](https://docs.aws.amazon.com/license-manager/latest/userguide/seller-issued-licenses.html).
Die folgenden Themen zeigen, wie Sie eine von RStudio PBC erteilte Lizenz erwerben und validieren können.
**Holen Sie sich eine Lizenz RStudio **
1. Wenn Sie keine RStudio Lizenz haben, können Sie eine auf dem AWS Marketplace oder direkt bei RStudio PBC erwerben.
+ Um ein Abonnement auf dem AWS Marketplace zu erwerben, führen Sie die Schritte zum [Abonnieren mit einem SaaS-Vertrag](https://docs.aws.amazon.com/marketplace/latest/buyerguide/buyer-saas-products.html) durch, indem Sie nach **Posit Platform (RStudio on SageMaker)** suchen. Um die Lizenz zu erfüllen, werden Sie zu einem externen Formular außerhalb des AWS Marketplace weitergeleitet. Sie müssen zusätzliche Informationen angeben, einschließlich Ihres Firmennamens und Ihrer E-Mail-Adresse. Wenn Sie nicht auf dieses Formular zugreifen können, um einen Firmennamen und eine Kontakt-E-Mail anzugeben, erstellen Sie ein Ticket beim Posit-Support unter [https://support.posit. co/hc/en-us/requests/new](https://support.posit.co/hc/en-us/requests/new)mit Details zu Ihrem Kauf.
+ Wenn Sie direkt bei RStudio PBC einkaufen möchten, gehen Sie zu „[RStudio Preise](https://www.rstudio.com/pricing/)“ oder wenden Sie sich [an sales@rstudio.com](mailto:sales@rstudio.com). Wenn Sie eine RStudio Lizenz kaufen oder aktualisieren, müssen Sie das AWS Konto angeben, auf dem Ihre Amazon SageMaker AI-Domain gehostet wird.
Wenn Sie über eine bestehende RStudio Lizenz verfügen, wenden Sie sich an Ihren RStudio Vertriebsmitarbeiter oder [an sales@rstudio.com](mailto:sales@rstudio.com), um Amazon SageMaker AI zu Ihrer bestehenden Posit Workbench Enterprise-Lizenz hinzuzufügen RStudio oder Ihre Posit Workbench Standard-Lizenz zu konvertieren. Der RStudio Vertriebsmitarbeiter wird Ihnen das entsprechende elektronische Bestellformular zusenden.
1. RStudio gewährt Ihrem AWS Konto über AWS License Manager die Region USA Ost (Nord-Virginia) eine Posit Workbench-Lizenz. Obwohl die RStudio Lizenz in der Region USA Ost (Nord-Virginia) gewährt wird, kann Ihre Lizenz in jeder AWS Region genutzt werden, in RStudio der Amazon SageMaker AI unterstützt wird. Sie können davon ausgehen, dass der Lizenzerteilungsprozess innerhalb von drei Werktagen abgeschlossen ist, nachdem Sie Ihre AWS Konto-ID mit geteilt haben RStudio.
1. Wenn diese Lizenz erteilt wurde, erhalten Sie von Ihrem RStudio Vertriebsmitarbeiter eine E-Mail mit Anweisungen zur Annahme Ihrer Lizenzerteilung.
**Bestätigen Sie Ihre RStudio Lizenz für die Verwendung mit Amazon SageMaker AI**
1. Melden Sie sich in derselben Region wie Ihre Amazon SageMaker AI-Domain bei der AWS License Manager Konsole an. Wenn Sie es AWS License Manager zum ersten Mal verwenden, werden Sie AWS License Manager aufgefordert, die Erlaubnis zur Nutzung AWS License Manager zu erteilen.
1. Wählen Sie **Mit dem AWS Lizenzmanager beginnen** aus.
1. Wählen Sie `I grant AWS License Manager the required permissions` und dann **Berechtigungen erteilen** aus.
1. Navigieren Sie im linken Bereich zu **Gewährte Lizenzen**.
1. Wählen Sie die erteilte Lizenz mit `RSW-SageMaker` als `Product name` aus und wählen Sie **Anzeigen** aus.
1. Wählen Sie auf der Seite mit den Lizenzdetails die Option **Lizenz akzeptieren und aktivieren** aus.
**RStudio administratives Dashboard**
Sie können das RStudio Administrator-Dashboard verwenden, um die Anzahl der Benutzer für die Lizenz zu sehen. Folgen Sie dazu den Schritten unter[Verwenden Sie das RStudio Administrator-Dashboard](rstudio-admin.md).
# RStudio Versionierung
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Dieses Handbuch enthält Informationen zum `2025.05.1+513.pro3` Versionsupdate für RStudio on SageMaker AI. Ab dem 31. Oktober 2025 werden neue Domains mit RStudio Support mit Posit Workbench Version erstellt`2025.05.1+513.pro3`. Dies gilt für die `RStudioServerPro` Anwendungen und `RSessionGateway` Standardanwendungen.
Die folgenden Abschnitte enthalten Informationen zur `2025.05.1+513.pro3` Version.
## Aktuelle Versionsupdates
Die neueste RStudio Version ist`2025.05.1+513.pro3`.
+ Unterstützte R-Versionen:
+ 4.5.1
+ 4.4.3
+ 4.4.0
+ 4.3.3
+ 4.2.3
+ 4.2.1
+ 4.1.3
+ 4.0.2
Mehr Informationen über die Änderungen in dieser Version finden Sie unter [https://docs.posit.co/ide/news/](https://docs.posit.co/ide/news/).
**Anmerkung**
Um die Kompatibilität zu gewährleisten, empfehlen wir, ein Präfix zu verwenden RSessions , das der aktuellen Posit Workbench Version entspricht.
Wenn die folgende Warnung angezeigt wird, besteht ein Versionskonflikt zwischen der `RSession` und der in RStudio SageMaker AI verwendeten Posit Workbench Version. Um dieses Problem zu beheben, aktualisieren Sie die RStudio Version für die Domain. Informationen zum Aktualisieren der RStudio Version finden Sie unter[Führen Sie ein Upgrade auf die neue Version durch](rstudio-version-upgrade.md).
```
Session version 2024.04.2+764.pro1 does not match server version 2025.05.1+513.pro3 - this is an unsupported configuration, and you may experience unexpected issues as a result.
```
## Versionsverwaltung
Derzeit gibt es zwei Versionen von, die von SageMaker AI Posit Workbench unterstützt werden.
+ Letzte Version: `2025.05.1+513.pro3`
Datum der Verfallsdatum: 5. Dezember 2026
+ Frühere Version: `2024.04.2+764.pro1`
Datum der Verfallsdatum: 30. April 2026
**Anmerkung**
Sie können zwar `2024.04.2+764.pro1` bis zum 30.04.2026 weiterhin neue Domains mit der älteren Version erstellen, indem Sie die Version explizit anheften, wenn Sie die Domain mithilfe der CLI erstellen. Wir empfehlen unseren Kunden jedoch dringend, die `2025.05` Version in allen Domänen zu verwenden. POSIT hat aufgehört, Sicherheitslücken für zu beheben. `2024.04.2+764.pro1`
Versionen `2023.03.2-547.pro5` und `2022.02.2-485.pro2` sind veraltet und werden nicht mehr unterstützt. Wir empfehlen die Aktualisierung auf die neueste Version.
Die Posit Workbench Standardversion, die SageMaker AI auswählt, hängt vom Erstellungsdatum der Domain ab.
+ Für Domains, die nach dem 31. Oktober 2025 erstellt wurden, `2025.05.1+513.pro3` ist Version die ausgewählte Standardversion.
+ Für Domänen, die nach dem 04. September 2024 und vor dem 31. Oktober 2025 erstellt wurden, `2024.04.2+764.pro1` ist Version die standardmäßig ausgewählte Version. Sie können Ihre Domains auf die letzte Version (`2025.05.1+513.pro3`) aktualisieren, indem Sie sie als Standardversion für die Domain festlegen. Weitere Informationen finden Sie unter [Führen Sie ein Upgrade auf die neue Version durch](rstudio-version-upgrade.md).
**Anmerkung**
Die `RSessionGateway` Standardanwendungsversion entspricht der aktuellen Version der `RStudioServerPro` Anwendung.
In der folgenden Tabelle ist das Image ARNs für beide Versionen für jede Version aufgeführt AWS-Region. Diese ARNs werden als Teil eines `update-domain` Befehls zum Einstellen der gewünschten Version übergeben.
| Region | `2024.04.2+764.pro1` Image-ARN | `2025.05.1+513.pro3` Image-ARN |
| --- | --- | --- |
| us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-east-1:081325390199:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-east-2:429704687514:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-west-1:742091327244:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-west-2:236514542706:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:af-south-1:559312083959:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-east-1:493642496378:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-south-1:394103062818:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ca-central-1:310906938811:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-central-1:936697816551:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-1:470317259841:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-2:712779665605:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-3:615547856133:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-north-1:243637512696:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-south-1:592751261982:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:sa-east-1:782484402741:image/rstudio-workbench-2025.05-sagemaker-1.0 |
### Änderungen an BYOI Images
Wenn Sie ein BYOI-Image mit verwenden RStudio und Ihre `RStudioServerPro` Version auf aktualisieren`2025.05.1+513.pro3`, müssen Sie Ihre benutzerdefinierten Images aktualisieren, um die Version verwenden zu können, und Ihre vorhandene `2025.05.1+513.pro3` Version erneut bereitstellen. RSessions Wenn Sie versuchen, ein nicht kompatibles Image in eine RSession Domain zu laden, die die `2025.05.1+513.pro3` Version verwendet, schlägt das RSession fehl, weil es die empfangenen Parameter nicht analysieren kann. Um Fehler zu vermeiden, aktualisieren Sie alle bereitgestellten benutzerdefinierten Images in Ihrer bestehenden `RStudioServerPro` Anwendung.
Der `RSW_VERSION` in der Dockerfile muss mit der in RStudio AI verwendeten Posit Workbench Version übereinstimmen. SageMaker Sie können die aktuelle Version in Posit Workbench überprüfen. Verwenden Sie dazu den Versionsnamen, der sich in der unteren linken Ecke der Posit Workbench Launcher-Seite befindet.
```
ARG RSW_VERSION=2025.05.1+513.pro3
ENV RSTUDIO_FORCE_NON_ZERO_EXIT_CODE="1"
ARG RSW_NAME=rstudio-workbench
ARG OS_CODE_NAME=jammy
ARG RSW_DOWNLOAD_URL=https://s3.amazonaws.com/rstudio-ide-build/server/${OS_CODE_NAME}/amd64
RUN RSW_VERSION_URL=`echo -n "${RSW_VERSION}" | sed 's/+/-/g'` \
&& curl -o rstudio-workbench.deb ${RSW_DOWNLOAD_URL}/${RSW_NAME}-${RSW_VERSION_URL}-amd64.deb \
&& gdebi -n ./rstudio-workbench.deb
```
# Führen Sie ein Upgrade auf die neue Version durch
Bestehende Domains, die Version `2024.04.2+764.pro1` verwenden, können auf zwei Arten auf Version `2025.05.1+513.pro3` aktualisiert werden:
+ Erstellen Sie eine neue Domain AWS CLI mit RStudio aktiviertem.
+ Aktualisieren Sie eine bestehende Domain, um die `2025.05.1+513.pro3` Version zu verwenden.
Das folgende Verfahren zeigt, wie Sie die RStudio Anwendung für eine vorhandene Domäne löschen, die Standardversion auf `2025.05.1+513.pro3` festlegen und anschließend eine RStudio Anwendung erstellen.
1. Löschen Sie die `RStudioServerPro` Anwendung und alle `RSessionGateway` Anwendungen, die mit Ihrer vorhandenen Domain verknüpft sind. Informationen darüber, wie Sie Ihre Domain-ID finden, finden Sie unter [Anzeigen von Domains](domain-view.md). Mehr Informationen über das Löschen von Anwendungen finden Sie unter [Herunterfahren RStudio](rstudio-shutdown.md).
```
aws sagemaker delete-app \
--region region \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
1. Wenn Ihre Domain RStudio Version verwendet`2024.04.2+764.pro1`, aktualisieren Sie die Domain, sodass sie sie `2025.05.1+513.pro3` als Posit Workbench Standardversion festlegt. Der `SageMakerImageArn` Wert im folgenden `update-domain` Befehl gibt die RStudio `2025.05.1+513.pro3` Version als Standardversion an. Dieser ARN muss mit dem Region übereinstimmen, in dem sich Ihre Domain befindet. Eine Liste aller verfügbaren ARNs Dateien finden Sie unter[Versionsverwaltung](rstudio-version.md#rstudio-version-new).
Übergeben Sie einen Ausführungsrollen-ARN für die Domain, die Berechtigungen zum Aktualisieren der Domain bereitstellt.
```
aws sagemaker update-domain \
--region region \
--domain-id domainId \
--domain-settings-for-update "{\"RStudioServerProDomainSettingsForUpdate\":{\"DefaultResourceSpec\": {\"SageMakerImageArn\": \"arn-for-2025.05.1+513.pro3-version\", \"InstanceType\": \"system\"}, \"DomainExecutionRoleArn\": \"execution-role-arn\"}}"
```
1. Erstellen Sie eine neue `RStudioServerPro` Anwendung in der vorhandenen Domain.
```
aws sagemaker create-app \
--region region
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
Ihre `RStudioServerPro` Anwendung ist jetzt auf Version `2025.05.1+513.pro3` aktualisiert. Sie können Ihre `RSessionGateway` Anwendungen jetzt neu starten.
# Führen Sie ein Downgrade auf eine frühere Version durch
Sie können die Version Ihrer vorhandenen RStudio Anwendung manuell auf die Version herabstufen. `2024.04.2+764.pro1`
**Um ein Downgrade auf eine frühere Version durchzuführen**
1. Löschen Sie die `RStudioServerPro`-Anwendung, die mit Ihrer vorhandenen Domain verknüpft ist. Informationen darüber, wie Sie Ihre Domain-ID finden, finden Sie unter [Anzeigen von Domains](domain-view.md).
```
aws sagemaker delete-app \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
1. Übergeben Sie den entsprechenden `2024.04.2+764.pro1`-ARN für Ihr Region als Teil des `update-domain`-Befehls. Eine Liste aller verfügbaren Versionen finden Sie ARNs unter[Versionsverwaltung](rstudio-version.md#rstudio-version-new). Sie müssen auch einen Ausführungsrollen-ARN für die Domain übergeben, der Berechtigungen zum Aktualisieren der Domain bereitstellt.
```
aws sagemaker update-domain \
--region region \
--domain-id domainId \
--domain-settings-for-update "{\"RStudioServerProDomainSettingsForUpdate\":{\"DefaultResourceSpec\": {\"SageMakerImageArn\": \"arn-for-2024.04.2+764.pro1-version\", \"InstanceType\": \"system\"}, \"DomainExecutionRoleArn\": \"execution-role-arn\"}}"
```
1. Erstellen Sie eine neue `RStudioServerPro` Anwendung in der vorhandenen Domain. Die RStudio Version ist standardmäßig auf`2024.04.2+764.pro1`.
```
aws sagemaker create-app \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
Ihre `RStudioServerPro` Anwendung wurde jetzt auf Version `2024.04.2+764.pro1` zurückgesetzt.
# Netzwerk und Speicher
Im folgenden Thema werden Überlegungen zum Netzwerkzugriff und zur Datenspeicherung für Ihre RStudio Instance beschrieben. Allgemeine Informationen zum Netzwerkzugriff und zur Datenspeicherung bei Verwendung von Amazon SageMaker AI finden Sie unter[Datenschutz in Amazon SageMaker AI](data-protection.md).
**Amazon-EFS-Volumes**
RStudio auf Amazon SageMaker AI teilt sich ein Amazon EFS-Volume mit der Amazon SageMaker Studio Classic-Anwendung in der Domain. Wenn die RStudio Anwendung zu einer Domain hinzugefügt wird, erstellt SageMaker AI einen Ordner mit dem Namen `shared` im Amazon EFS-Verzeichnis. Wenn dieser `shared` Ordner manuell gelöscht oder geändert wird, funktioniert die RStudio Anwendung möglicherweise nicht mehr. Mehr Informationen über Amazon-EBS-Volume finden Sie unter [Verwalten Sie Ihr Amazon EFS-Speichervolume in Amazon SageMaker Studio Classic](studio-tasks-manage-storage.md).
**Installierte Pakete und Skripte**
Pakete, die Sie von dort aus installieren, RStudio beziehen sich auf die Benutzerprofilebene. Das bedeutet, dass das installierte Paket für jedes Benutzerprofil, in dem es installiert ist, beim RSession Herunterfahren, Neustarten und RSessions für jedes Benutzerprofil, in dem es installiert ist, bestehen bleibt. R-Skripte, die in gespeichert sind, RSessions verhalten sich genauso. Sowohl Pakete als auch R-Skripte werden im Amazon-EFS-Volume des Benutzers gespeichert.
**Verschlüsselung**
RStudio auf Amazon SageMaker AI unterstützt Verschlüsselung im Ruhezustand.
**Nur RStudio im VPC-Modus verwenden**
RStudio auf Amazon SageMaker AI unterstützt die [AWS PrivateLink](https://docs.aws.amazon.com/vpc/latest/userguide/endpoint-services-overview.html)Integration. Mit dieser Integration können Sie RStudio on SageMaker AI im Nur-VPC-Modus ohne direkten Zugriff auf das Internet verwenden. Wenn Sie RStudio den Nur-VPC-Modus verwenden, werden Ihre Sicherheitsgruppen automatisch vom Dienst verwaltet. Dies beinhaltet die Konnektivität zwischen Ihnen RServer und Ihrem. RSessions
Folgendes ist für die Verwendung RStudio im Nur-VPC-Modus erforderlich. Weitere Informationen zur Auswahl einer VPC finden Sie unter [Auswählen einer Amazon VPC](onboard-vpc.md).
+ Ein privates Subnetz mit Zugriff auf das Internet, um Amazon SageMaker AI & License Manager oder Amazon Virtual Private Cloud (Amazon VPC) -Endpunkte für Amazon SageMaker AI und License Manager anzurufen.
+ Die Domain kann nicht mehr als zwei zugeordnete Sicherheitsgruppen haben.
+ Eine Sicherheitsgruppen-ID zur Verwendung mit der Domain in den Domaineinstellungen. Dies muss allen ausgehenden Zugriff erlauben.
+ Eine Sicherheitsgruppen-ID zur Verwendung mit dem Amazon-VPC-Endpunkt. Diese Sicherheitsgruppe muss von der Domain-Sicherheitsgruppen-ID eingehenden Datenverkehr zulassen.
+ Amazon VPC-Endpunkt für `sagemaker.api` und AWS License Manager. Dies muss sich in derselben Amazon-VPC wie das private Subnetz befinden.
# RStudioServerPro Instanztyp
Bei der Entscheidung, welcher Amazon EC2 EC2-Instance-Typ für Ihre RStudio ServerPro App verwendet werden soll, ist der Hauptfaktor, den Sie berücksichtigen sollten, die Bandbreite. Die Bandbreite ist wichtig, da die RStudio ServerPro Instance dafür verantwortlich ist, die RStudio Benutzeroberfläche für alle Benutzer bereitzustellen. Dazu gehören Workflows mit vielen Benutzeroberflächen, z. B. das Generieren von Figuren, Animationen und das Anzeigen vieler Datenzeilen. Daher kann es je nach Arbeitslast für alle Benutzer zu einer gewissen Beeinträchtigung der Leistung der Benutzeroberfläche kommen. Im Folgenden sind die verfügbaren Instanztypen aufgeführt, die Sie für Ihre verwenden können RStudioServerPro. Preisinformationen zu diesen Instances finden Sie unter [ SageMakerAmazon-Preise](https://aws.amazon.com/sagemaker/pricing/).
+ `system`: Dieser Instance-Typ wird für Domains mit geringer Nutzung der Benutzeroberfläche empfohlen.
**Anmerkung**
Der `system`-Wert wird übersetzt in `ml.t3.medium`.
+ `ml.c5.4xlarge`: Dieser Instance-Typ wird für Domains mit mäßiger Nutzung der Benutzeroberfläche empfohlen.
+ `ml.c5.9xlarge`: Dieser Instance-Typ wird für Domains mit intensiver Nutzung der Benutzeroberfläche empfohlen.
** RStudio Instance-Typ ändern**
Um Ihren Instanztyp zu ändern RStudioServerPro, übergeben Sie den neuen Instanztyp als Teil eines Aufrufs an den `update-domain` CLI-Befehl. Anschließend müssen Sie die vorhandene RStudio ServerPro App mit dem `delete-app` CLI-Befehl löschen und mit dem `create-app` CLI-Befehl eine neue RStudio ServerPro App erstellen.
# Fügen Sie eine RStudio Connect-URL hinzu
RStudio Connect ist eine Veröffentlichungsplattform für Shiny-Anwendungen, R Markdown-Berichte, Dashboards, Diagramme und mehr. RStudio Connect macht es einfach, Erkenntnisse aus maschinellem Lernen und Datenwissenschaft zu gewinnen, indem es das Hosten von Inhalten einfach und skalierbar macht. Wenn Sie über einen RStudio Connect-Server verfügen, können Sie den Server als Standardort für die Veröffentlichung von Apps festlegen. Weitere Informationen zu RStudio Connect finden Sie unter [RStudio Connect](https://www.rstudio.com/products/connect/).
Wenn Sie RStudio auf einer Amazon SageMaker AI-Domain nutzen, wird kein RStudio Connect-Server erstellt. Sie können einen RStudio Connect-Server auf einer Amazon EC2 EC2-Instance erstellen, um Connect with Amazon SageMaker AI-Domain zu verwenden. Informationen zur Einrichtung Ihres RStudio Connect-Servers finden Sie unter [Host RStudio Connect und Package Manager für ML-Entwicklung in RStudio Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/host-rstudio-connect-and-package-manager-for-ml-development-in-rstudio-on-amazon-sagemaker/).
**Fügen Sie eine RStudio Connect-URL hinzu**
Wenn Sie eine RStudio Connect-URL haben, können Sie die Standard-URL aktualisieren, sodass Ihre RStudio Benutzer dort veröffentlichen können.
1. Navigieren Sie zur Seite **Domains**.
1. Wählen Sie die gewünschte Domain aus.
1. Wählen Sie **Domaineinstellungen** aus.
1. Wählen Sie unter **Allgemeine Einstellungen** die Option **Bearbeiten** aus.
1. Wählen Sie auf der neuen Seite auf der linken Seite **RStudio Einstellungen** aus.
1. Geben **RStudio Sie unter Connect-URL** die RStudio Connect-URL ein, die hinzugefügt werden soll.
1. Wählen Sie **Absenden** aus.
**CLI**
Sie können bei der Erstellung Ihrer Domain eine RStudio Standard-Connect-URL festlegen. Die einzige Möglichkeit, Ihre RStudio Connect-URL von zu aktualisieren, AWS CLI besteht darin, Ihre Domain zu löschen und eine neue mit der aktualisierten RStudio Connect-URL zu erstellen.
# Aktualisieren Sie die URL des RStudio Paketmanagers
RStudio Package Manager ist ein Repository-Management-Server, der verwendet wird, um Pakete in Ihrer Organisation zu organisieren und zu zentralisieren. Weitere Informationen zum RStudio Package Manager finden Sie unter [RStudio Package Manager](https://www.rstudio.com/products/package-manager/). Wenn Sie keine eigene Package Manager-URL angeben, verwendet die Amazon SageMaker AI-Domain beim Onboarding das standardmäßige Package Manager-Repository. Folgen Sie dabei den RStudio Anweisungen unter[Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md). Weitere Informationen finden Sie unter [Host RStudio Connect und Package Manager für ML-Entwicklung in RStudio Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/host-rstudio-connect-and-package-manager-for-ml-development-in-rstudio-on-amazon-sagemaker/). Im folgenden Verfahren sehen Sie, wie Sie die Package-Manager-URL aktualisieren.
**URL Package Paket-Managers aktualisieren**
Sie können die Package Manager-URL, die für Ihre RStudio -fähige Domain verwendet wird, wie folgt aktualisieren.
1. Navigieren Sie zur Seite **Domains**.
1. Wählen Sie die gewünschte Domain aus.
1. Wählen Sie **Domaineinstellungen** aus.
1. Wählen Sie unter **Allgemeine Einstellungen** die Option **Bearbeiten** aus.
1. Wählen Sie auf der neuen Seite auf der linken Seite **RStudio Einstellungen** aus.
1. Geben Sie unter **RStudio Package Manager** Ihre RStudio Package Manager-URL ein.
1. Wählen Sie **Absenden** aus.
**CLI**
Die einzige Möglichkeit, Ihre Package Manager-URL von zu aktualisieren, AWS CLI besteht darin, Ihre Domain zu löschen und eine neue mit der aktualisierten Package Manager-URL zu erstellen.
# Erstellen Sie eine Amazon SageMaker AI-Domain RStudio mit dem AWS CLI
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Das folgende Thema zeigt, wie Sie mit RStudio aktiviertem eine Amazon SageMaker AI-Domain einbinden können AWS CLI. Informationen zum Onboarding mit dem AWS-Managementkonsole finden Sie unter[Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
## Voraussetzungen
+ Installieren und Konfigurieren von [AWS CLI Version 2](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv2.html)
+ Konfigurieren Sie das [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-quickstart.html#cli-configure-quickstart-config) mit IAM-Anmeldeinformationen
## Erstellen einer `DomainExecution`-Rolle
Um die RStudio App zu starten, müssen Sie eine `DomainExecution` Rolle angeben. Diese Rolle wird verwendet, um zu bestimmen, ob sie im Rahmen der Amazon SageMaker AI-Domainerstellung gestartet werden RStudio muss. Diese Rolle wird auch von Amazon SageMaker AI für den Zugriff auf die RStudio Lizenz und die RStudio Push-Protokolle verwendet.
**Anmerkung**
Die `DomainExecution` Rolle sollte mindestens über AWS License Manager Berechtigungen für den Zugriff auf die RStudio Lizenz und CloudWatch über Berechtigungen zum Versenden von Protokollen in Ihrem Konto verfügen.
Das folgende Verfahren zeigt, wie Sie die `DomainExecution` Rolle mit dem AWS CLI erstellen.
1. Erstellen Sie eine Datei mit dem Namen `assume-role-policy.json` und dem folgenden Inhalt.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Action": "sts:AssumeRole",
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
}
}
]
}
```
------
1. Erstellen Sie die `DomainExecution`-Rolle. `` sollte die AWS -Region sein, in der Sie Ihre Domain starten möchten.
```
aws iam create-role --region --role-name DomainExecution --assume-role-policy-document file://assume-role-policy.json
```
1. Erstellen Sie eine Datei mit dem Namen `domain-setting-policy.json` und dem folgenden Inhalt. Diese Richtlinie ermöglicht der RStudio ServerPro App den Zugriff auf die erforderlichen Ressourcen und ermöglicht Amazon SageMaker AI, automatisch eine RStudio ServerPro App zu starten, wenn sich die bestehende RStudio ServerPro App im `Failed` Status `Deleted` oder befindet.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "VisualEditor0",
"Effect": "Allow",
"Action": [
"license-manager:ExtendLicenseConsumption",
"license-manager:ListReceivedLicenses",
"license-manager:GetLicense",
"license-manager:CheckoutLicense",
"license-manager:CheckInLicense",
"logs:CreateLogDelivery",
"logs:CreateLogGroup",
"logs:CreateLogStream",
"logs:DeleteLogDelivery",
"logs:Describe*",
"logs:GetLogDelivery",
"logs:GetLogEvents",
"logs:ListLogDeliveries",
"logs:PutLogEvents",
"logs:PutResourcePolicy",
"logs:UpdateLogDelivery",
"sagemaker:CreateApp"
],
"Resource": "*"
}
]
}
```
------
1. Erstellen Sie die Domaineinstellungsrichtlinie, die der `DomainExecution`-Rolle zugeordnet ist. Achten Sie auf die `PolicyArn` aus der Antwort, Sie müssen diese ARN in den folgenden Schritten eingeben.
```
aws iam create-policy --region --policy-name domain-setting-policy --policy-document file://domain-setting-policy.json
```
1. Verbinden Sie `domain-setting-policy` mit der Rolle `DomainExecution`. Verwenden Sie das im vorherigen Schritt zurückgegebene `PolicyArn`.
```
aws iam attach-role-policy --role-name DomainExecution --policy-arn
```
## Amazon SageMaker AI-Domain mit RStudio App erstellen
Die RStudio ServerPro App wird automatisch gestartet, wenn Sie eine Amazon SageMaker AI-Domain mithilfe des `create-domain` CLI-Befehls mit dem angegebenen `RStudioServerProDomainSettings` Parameter erstellen. Beim Starten der RStudio ServerPro App sucht Amazon SageMaker AI nach einer gültigen RStudio Lizenz im Konto und schlägt die Domain-Erstellung fehl, wenn die Lizenz nicht gefunden wird.
Die Erstellung einer Amazon SageMaker AI-Domain unterscheidet sich je nach Authentifizierungsmethode und Netzwerktyp. Diese Optionen müssen zusammen verwendet werden, wobei eine Authentifizierungsmethode und ein Netzwerkverbindungstyp ausgewählt werden müssen. Weitere Informationen zu den Anforderungen für die Erstellung einer neuen Domain finden Sie unter [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html).
Die folgenden Authentifizierungsmethoden werden unterstützt.
+ `IAM Auth`
+ `SSO Auth`
Die folgenden Netzwerkverbindungstypen werden unterstützt:
+ `PublicInternet`
+ `VPCOnly`
### Authentifizierungsmethoden
**IAM-Authentifizierungsmodus**
Im Folgenden wird gezeigt, wie Sie eine Amazon SageMaker AI-Domain mit RStudio aktiviertem und einem `IAM Auth` Netzwerktyp erstellen. Weitere Informationen dazu finden Sie AWS Identity and Access Management unter [Was ist IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/introduction.html)? .
+ `DomainExecutionRoleArn` sollte der ARN für die -Rolle sein, die im vorigen Schritt erstellt wurde.
+ `ExecutionRole`ist der ARN der Rolle, die Benutzern in der Amazon SageMaker AI-Domain zugewiesen wurde.
+ `vpc-id`sollte die ID Ihrer Amazon Virtual Private Cloud sein. `subnet-ids`sollte eine durch Leerzeichen getrennte Liste von IDs Subnetzen sein. [Hinweise zu `vpc-id` und finden Sie `subnet-ids` unter SubnetzeVPCs .](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `RStudioPackageManagerUrl`und `RStudioConnectUrl` sind optional und sollten auf die URLs Ihres RStudio Package Managers bzw. RStudio Connect-Servers eingestellt werden.
+ `app-network-access-type` sollte entweder `PublicInternetOnly` oder `VPCOnly` sein.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode IAM \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type
```
**Authentifizierung mit IAM Identity Center**
Im Folgenden wird gezeigt, wie Sie eine Amazon SageMaker AI-Domain mit RStudio aktiviertem und einem `SSO Auth` Netzwerktyp erstellen. AWS IAM Identity Center muss für die Region aktiviert sein, in der die Domain gestartet wird. Weitere Informationen zu IAM Identity Center finden Sie unter [Was ist AWS IAM Identity Center?](https://docs.aws.amazon.com/singlesignon/latest/userguide/what-is.html) .
+ `DomainExecutionRoleArn` sollte der ARN für die -Rolle sein, die im vorigen Schritt erstellt wurde.
+ `ExecutionRole`ist der ARN der Rolle, die Benutzern in der Amazon SageMaker AI-Domain zugewiesen wurde.
+ `vpc-id`sollte die ID Ihrer Amazon Virtual Private Cloud sein. `subnet-ids`sollte eine durch Leerzeichen getrennte Liste von IDs Subnetzen sein. [Hinweise zu `vpc-id` und finden Sie `subnet-ids` unter SubnetzeVPCs .](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `RStudioPackageManagerUrl`und `RStudioConnectUrl` sind optional und sollten auf die URLs Ihres RStudio Package Managers bzw. RStudio Connect-Servers eingestellt werden.
+ `app-network-access-type` sollte entweder `PublicInternetOnly` oder `VPCOnly` sein.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode SSO \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type
```
### Verbindungstypen
**PublicInternet/Direkter Internetnetzwerktyp**
Im Folgenden wird gezeigt, wie Sie eine Amazon SageMaker AI-Domain mit RStudio aktiviertem und einem `PublicInternet` Netzwerktyp erstellen.
+ `DomainExecutionRoleArn` sollte der ARN für die -Rolle sein, die im vorigen Schritt erstellt wurde.
+ `ExecutionRole`ist der ARN der Rolle, die Benutzern in der Amazon SageMaker AI-Domain zugewiesen wurde.
+ `vpc-id`sollte die ID Ihrer Amazon Virtual Private Cloud sein. `subnet-ids`sollte eine durch Leerzeichen getrennte Liste von IDs Subnetzen sein. [Hinweise zu `vpc-id` und finden Sie `subnet-ids` unter SubnetzeVPCs .](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `RStudioPackageManagerUrl`und `RStudioConnectUrl` sind optional und sollten auf die URLs Ihres RStudio Package Managers bzw. RStudio Connect-Servers eingestellt werden.
+ `auth-mode` sollte entweder `SSO` oder `IAM` sein.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type PublicInternetOnly
```
**VPCOnly mode**
Im Folgenden wird gezeigt, wie Sie eine Amazon SageMaker AI-Domain mit RStudio aktiviertem und einem `VPCOnly` Netzwerktyp starten. Weitere Informationen zur Verwendung des `VPCOnly` Netzwerkzugriffstyps finden Sie unter [Verbinden von Studio-Notebooks in einer VPC mit externen Ressourcen](studio-notebooks-and-internet-access.md).
+ `DomainExecutionRoleArn` sollte der ARN für die -Rolle sein, die im vorigen Schritt erstellt wurde.
+ `ExecutionRole`ist der ARN der Rolle, die Benutzern in der Amazon SageMaker AI-Domain zugewiesen wurde.
+ `vpc-id`sollte die ID Ihrer Amazon Virtual Private Cloud sein. `subnet-ids`sollte eine durch Leerzeichen getrennte Liste von IDs Subnetzen sein. Ihr privates Subnetz muss entweder auf das Internet zugreifen können, um Amazon SageMaker AI anzurufen, AWS License Manager oder über Amazon VPC-Endpunkte für Amazon SageMaker AI und verfügen. AWS License Manager[Informationen zu Amazon VPC-Endpunkten finden Sie unter [Interface Amazon VPC-Endpoints](https://docs.aws.amazon.com/vpc/latest/privatelink/vpce-interface.html). Weitere Informationen zu `vpc-id` und `subnet-ids` finden Sie unter Subnetze. VPCs ](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `SecurityGroups`muss ausgehenden Zugriff auf die SageMaker Amazon-KI und die AWS License Manager Endpunkte zulassen.
+ `auth-mode` sollte entweder `SSO` oder `IAM` sein.
**Anmerkung**
Wenn Sie Amazon Virtual Private Cloud-Endpunkte verwenden, muss die mit Ihren Amazon Virtual Private Cloud-Endpunkten verbundene Sicherheitsgruppe eingehenden Datenverkehr von der Sicherheitsgruppe zulassen, die Sie als Teil des `domain-setting` Parameters des `create-domain` CLI-Aufrufs übergeben.
Mit RStudio verwaltet Amazon SageMaker AI Sicherheitsgruppen für Sie. Das bedeutet, dass Amazon SageMaker AI Sicherheitsgruppenregeln verwaltet, um sicherzustellen, dass auf RStudio ServerPro Apps zugegriffen RSessions werden kann. Amazon SageMaker AI erstellt eine Sicherheitsgruppenregel pro Benutzerprofil.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode \
--default-user-settings SecurityGroups=,ExecutionRole= \
--domain-settings SecurityGroupIds=,RStudioServerProDomainSettings={DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids "" \
--app-network-access-type VPCOnly --app-security-group-management Service
```
Hinweis: Die RStudio ServerPro App wird über ein spezielles Benutzerprofil mit dem Namen gestartet`domain-shared`. Daher wird diese App nicht als Teil von `list-app` API-Aufrufen durch andere Benutzerprofile zurückgegeben.
Möglicherweise müssen Sie das Amazon VPC-Kontingent in Ihrem Konto erhöhen, um die Anzahl der Benutzer zu erhöhen. Weitere Informationen finden Sie unter [Amazon VPC-Kontingente](https://docs.aws.amazon.com/vpc/latest/userguide/amazon-vpc-limits.html#vpc-limits-security-groups).
## Überprüfen der Erstellung der Domain
Verwenden Sie den folgenden Befehl, um zu überprüfen, ob Ihre Domain mit einem `Status` von `InService` erstellt wurde. Ihre `domain-id` wird an den Domains-ARN angefügt. Beispiel, `arn:aws:sagemaker:::domain/`.
```
aws sagemaker describe-domain --domain-id --region
```
# Fügen Sie einer vorhandenen Domain RStudio Unterstützung hinzu
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Wenn Sie eine RStudio Lizenz hinzugefügt haben AWS License Manager, können Sie eine neue Amazon SageMaker AI-Domain mit Unterstützung für RStudio keine SageMaker KI erstellen. Wenn Sie eine bestehende Domain haben, die nicht unterstützt wird RStudio, können Sie dieser Domain RStudio Unterstützung hinzufügen, ohne die Domain löschen und neu erstellen zu müssen.
Im folgenden Thema wird beschrieben, wie Sie diese Unterstützung hinzufügen können.
## Voraussetzungen
Sie müssen die folgenden Schritte ausführen, bevor Sie Ihre aktuelle Domain aktualisieren, um Unterstützung für RStudio SageMaker On-AI hinzuzufügen.
+ Installieren und Konfigurieren von [AWS CLI Version 2](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv2.html)
+ Konfigurieren Sie das [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-quickstart.html#cli-configure-quickstart-config) mit IAM-Anmeldeinformationen
+ Erstellen Sie eine Domänenausführungsrolle gemäß den Schritten unter [Erstellen einer SageMaker AI-Domäne RStudio mithilfe von AWS CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-create-cli.html#rstudio-create-cli-domainexecution). Diese IAM-Rolle auf Domänenebene ist für die App erforderlich. RStudio ServerPro Die Rolle erfordert Zugriff auf AWS License Manager zur Überprüfung einer gültigen Posit Workbench-Lizenz und Amazon CloudWatch Logs zur Veröffentlichung von Serverprotokollen.
+ [Bringen Sie Ihre RStudio Lizenz dazu, die Schritte in RStudio der Lizenz zu AWS License Manager befolgen.](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-license.html)
+ (Optional) Wenn Sie den RStudio `VPCOnly` In-Modus verwenden möchten, führen Sie die Schritte unter Nur [RStudio VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-network.html) aus.
+ Stellen Sie sicher, dass die Sicherheitsgruppen, die Sie für jede Sicherheitsgruppe [UserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)in Ihrer Domain konfiguriert haben, die Kontingente auf Kontoebene erfüllen. Wenn Sie das Standardbenutzerprofil bei der Domainerstellung konfigurieren, können Sie mithilfe der `DefaultUserSettings` [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)API-Parameter die Profile hinzufügen`SecurityGroups`, die von allen in der Domäne erstellten Benutzerprofilen übernommen werden. Sie können auch zusätzliche Sicherheitsgruppen für einen bestimmten Benutzer als Teil des `UserSettings` [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)API-Parameters angeben. Wenn Sie Sicherheitsgruppen auf diese Weise hinzugefügt haben, müssen Sie sicherstellen, dass die Gesamtzahl der Sicherheitsgruppen pro Benutzerprofil das maximale Kontingent von 2 im `VPCOnly` Modus und 4 im `PublicInternetOnly` Modus nicht überschreitet. Wenn die resultierende Gesamtzahl der Sicherheitsgruppen für ein Benutzerprofil das Kontingent überschreitet, können Sie die Regeln mehrerer Sicherheitsgruppen zu einer Sicherheitsgruppe zusammenfassen.
## Fügen Sie einer vorhandenen Domain RStudio Unterstützung hinzu
Nachdem Sie die Voraussetzungen erfüllt haben, können Sie Ihrer bestehenden Domain RStudio Support hinzufügen. In den folgenden Schritten wird beschrieben, wie Sie Ihre bestehende Domain aktualisieren, um Unterstützung für hinzuzufügen RStudio.
### Schritt 1: Löschen aller Apps in der Domain
Um Unterstützung für RStudio in Ihrer Domain hinzuzufügen, muss SageMaker AI die zugrunde liegenden Sicherheitsgruppen für alle vorhandenen Benutzerprofile aktualisieren. Um dies abzuschließen, müssen Sie alle vorhandenen Apps in der Domain löschen und erneut erstellen. Die folgenden Schritte zeigen, wie Sie alle Apps löschen.
1. Listen Sie alle Apps in der Domain auf.
```
aws sagemaker \
list-apps \
--domain-id-equals
```
1. Löschen Sie jede App für jedes Benutzerprofil in der Domain.
```
// JupyterServer apps
aws sagemaker \
delete-app \
--domain-id \
--user-profile-name \
--app-type JupyterServer \
--app-name
// KernelGateway apps
aws sagemaker \
delete-app \
--domain-id \
--user-profile-name \
--app-type KernelGateway \
--app-name
```
### Schritt 2 – Aktualisieren Sie alle Benutzerprofile mit der neuen Liste von Sicherheitsgruppen
Dies ist eine einmalige Aktion, die Sie für alle vorhandenen Benutzerprofile in Ihrer Domain ausführen müssen, wenn Sie Ihre vorhandenen Sicherheitsgruppen überarbeitet haben. Dadurch wird verhindert, dass Sie das Kontingent für die maximale Anzahl von Sicherheitsgruppen erreichen. Der `UpdateUserProfile` API-Aufruf schlägt fehl, wenn der Benutzer Apps hat, die sich im [InService](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeApp.html#sagemaker-DescribeApp-response-Status)Status befinden. Löschen Sie alle Apps und rufen Sie dann die `UpdateUserProfile` API auf, um die Sicherheitsgruppen zu aktualisieren.
**Anmerkung**
Die folgende Anforderung für den `VPCOnly` Modus, die unter [Amazon SageMaker Studio Classic-Notebooks in einer VPC mit externen Ressourcen Connect](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-and-internet-access.html#studio-notebooks-and-internet-access-vpc-only) beschrieben ist, ist beim Hinzufügen von RStudio Support nicht mehr erforderlich, da sie vom SageMaker AI-Service verwaltet `AppSecurityGroupManagement` wird:
[TCP-Verkehr innerhalb der Sicherheitsgruppe](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances). Dies ist für die Konnektivität zwischen der JupyterServer App und den KernelGateway Apps erforderlich. Sie müssen den Zugriff auf mindestens Ports im Bereich `8192-65535`“ zulassen.
```
aws sagemaker \
update-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
### Schritt 3 — Aktivierung RStudio durch Aufrufen der UpdateDomain API
1. Rufen Sie die [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)API RStudio auf, um Unterstützung für eine SageMaker KI hinzuzufügen. Der `defaultusersettings` Parameter wird nur benötigt, wenn Sie die Standardsicherheitsgruppen für Ihre Benutzerprofile überarbeitet haben.
+ Für `VPCOnly`-Modus:
```
aws sagemaker \
update-domain \
--domain-id \
--app-security-group-management Service \
--domain-settings-for-update RStudioServerProDomainSettingsForUpdate={DomainExecutionRoleArn=} \
--default-user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
+ Für `PublicInternetOnly`-Modus:
```
aws sagemaker \
update-domain \
--domain-id \
--domain-settings-for-update RStudioServerProDomainSettingsForUpdate={DomainExecutionRoleArn=} \
--default-user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
1. Überprüfen Sie, ob der Domainstatus `InService` lautet. Sobald der Domainstatus lautet`InService`, wird Unterstützung für RStudio SageMaker On-AI hinzugefügt.
```
aws sagemaker \
describe-domain \
--domain-id
```
1. Stellen Sie `InService` mithilfe des folgenden Befehls sicher, dass der Status der RStudio ServerPro App lautet.
```
aws sagemaker list-apps --user-profile-name domain-shared
```
### Schritt 4 — RStudio Zugriff für bestehende Benutzer hinzufügen
Im Rahmen des Updates in Schritt 3 markiert SageMaker KI alle vorhandenen Benutzerprofile in der Domain als `DISABLED` Standard. RStudio [AccessStatus](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_RStudioServerProAppSettings.html#sagemaker-Type-RStudioServerProAppSettings-AccessStatus) Dadurch wird verhindert, dass die in Ihrer aktuellen Lizenz zulässige Anzahl von Benutzern überschritten wird. Um den Zugriff für bestehende Benutzer hinzuzufügen, gibt es einen einmaligen Anmeldeschritt. Führen Sie das Opt-In durch, indem Sie die [UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html)API wie folgt [RStudioServerProAppSettings](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UserSettings.html#sagemaker-Type-UserSettings-RStudioServerProAppSettings)aufrufen:
+ `AccessStatus` = `ENABLED`
+ *Optional* – `UserGroup` = `R_STUDIO_USER` oder `R_STUDIO_ADMIN`
```
aws sagemaker \
update-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"RStudioServerProAppSettings\": {\"AccessStatus\": \"ENABLED\"}}"
```
**Anmerkung**
Standardmäßig RStudio beträgt die Anzahl der Benutzer, auf die zugegriffen werden kann, 60.
### Schritt 5 — Deaktivieren Sie RStudio den Zugriff für neue Benutzer
Sofern beim Telefonieren nicht anders angegeben`UpdateDomain`, wird RStudio Unterstützung standardmäßig für alle neuen Benutzerprofile hinzugefügt, die erstellt wurden, nachdem Sie Unterstützung für RStudio keine SageMaker KI hinzugefügt haben. Um den Zugriff für ein neues Benutzerprofil zu deaktivieren, müssen Sie den Parameter `AccessStatus` im Rahmen des API-Aufrufs `DISABLED` ausdrücklich auf `CreateUserProfile` setzen. Wenn der `AccessStatus` Parameter nicht als Teil der `CreateUserProfile` API angegeben ist, lautet der Standardzugriffsstatus `ENABLED`.
```
aws sagemaker \
create-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"RStudioServerProAppSettings\": {\"AccessStatus\": \"DISABLED\"}}"
```
# Benutzerdefinierte Bilder RStudio ohne SageMaker KI
Ein SageMaker Bild ist eine Datei, die Sprachpakete und andere Abhängigkeiten identifiziert, die für die Ausführung RStudio auf Amazon SageMaker AI erforderlich sind. SageMaker KI verwendet diese Images, um eine Umgebung zu erstellen, in der Sie arbeiten RStudio. Amazon SageMaker AI bietet ein integriertes RStudio Bild, das Sie verwenden können. Wenn Sie andere Funktionen benötigen, können Sie Ihre eigenen benutzerdefinierten Images mitbringen. Diese Seite enthält Informationen zu den wichtigsten Konzepten für die Verwendung benutzerdefinierter Bilder RStudio ohne SageMaker KI. Der Prozess, um Ihr eigenes Bild mit einer SageMaker KI RStudio zu verwenden, erfolgt in drei Schritten:
1. Erstellen Sie ein benutzerdefiniertes Image aus einer Dockerfile und übertragen Sie es in ein Repository in Amazon Elastic Container Registry (Amazon ECR).
1. Erstellen Sie ein SageMaker Bild, das auf ein Container-Image in Amazon ECR verweist, und hängen Sie es an Ihre Amazon SageMaker AI-Domain an.
1. Starten Sie eine neue Sitzung RStudio mit Ihrem benutzerdefinierten Bild.
Sie können Bilder und Bildversionen erstellen und Bildversionen an Ihre Domain anhängen, indem Sie das SageMaker AI-Kontrollpanel [AWS SDK für Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html), das und das [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/) verwenden. Sie können mit der SageMaker KI-Konsole auch Bilder und Bildversionen erstellen, auch wenn Sie noch nicht Mitglied einer Domain sind.
In den folgenden Themen wird gezeigt, wie Sie Ihr eigenes Image RStudio auf SageMaker KI übertragen können, indem Sie ein benutzerdefiniertes Image erstellen, anhängen und starten.
## Wichtige Begriffe
Im folgenden Abschnitt werden die wichtigsten Begriffe für die Verwendung Ihres eigenen Bilds RStudio auf SageMaker KI definiert.
+ **Dockerfile:** Ein Dockerfile ist eine Datei, die die Sprachpakete und andere Abhängigkeiten für Ihr Docker-Image identifiziert.
+ **Docker-Image**: Das Docker-Image ist ein gebautes Dockerfile. Dieses Bild wird in Amazon ECR eingecheckt und dient als Grundlage für das SageMaker KI-Bild.
+ **SageMaker Bild:** Ein SageMaker Bild ist ein Halter für eine Reihe von SageMaker Image-Versionen, die auf Docker-Images basieren.
+ **Image-Version:** Eine Image-Version eines SageMaker Images stellt ein Docker-Image dar, das mit einem Amazon ECR-Repository kompatibel ist RStudio und dort gespeichert ist. Jede Image-Version ist unveränderlich. Diese Image-Versionen können an eine Domain angehängt und mit RStudio einer KI verwendet werden. SageMaker
# Erfüllen der Voraussetzungen
Sie müssen die folgenden Voraussetzungen erfüllen, bevor Sie Ihr eigenes Bild zur Verwendung RStudio auf Amazon SageMaker AI mitbringen können.
+ Wenn Sie über eine bestehende Domain verfügen RStudio , die vor dem 7. April 2022 erstellt wurde, müssen Sie Ihre RStudio ServerPro Anwendung löschen und neu erstellen. Wie Sie eine Anwendung löschen können, erfahren Sie unter [Amazon SageMaker Studio Classic herunterfahren und aktualisieren](studio-tasks-update-studio.md).
+ Installieren Sie die Docker-Anwendung. Informationen zum Einrichten von Docker finden Sie unter [Orientierung und Einrichtung](https://docs.docker.com/get-started/).
+ Erstellen Sie eine lokale Kopie eines RStudio -kompatiblen Dockerfiles, das mit KI funktioniert. SageMaker Informationen zum Erstellen einer RStudio Beispiel-Docker-Datei finden Sie unter [Verwenden Sie ein benutzerdefiniertes Image, um Ihre eigene Entwicklungsumgebung RStudio auf Amazon SageMaker AI zu](https://aws.amazon.com/blogs/machine-learning/use-a-custom-image-to-bring-your-own-development-environment-to-rstudio-on-amazon-sagemaker/) verwenden.
+ Verwenden Sie eine AWS Identity and Access Management Ausführungsrolle, der die [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)Richtlinie angehängt ist. Wenn Sie sich für eine Domain angemeldet haben, können Sie die Rolle im Bereich **Domain-Zusammenfassung** des SageMaker AI-Kontrollpanels abrufen.
Verwendung der folgenden Berechtigungen für den Zugriff auf den Amazon Elastic Container Registry (Amazon ECR)-Service zu Ihrer Ausführungsrolle.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement":[
{
"Sid": "VisualEditor0",
"Effect":"Allow",
"Action":[
"ecr:CreateRepository",
"ecr:BatchGetImage",
"ecr:CompleteLayerUpload",
"ecr:DescribeImages",
"ecr:DescribeRepositories",
"ecr:UploadLayerPart",
"ecr:ListImages",
"ecr:InitiateLayerUpload",
"ecr:BatchCheckLayerAvailability",
"ecr:PutImage"
],
"Resource": "*"
}
]
}
```
------
+ Installieren und konfigurieren Sie AWS CLI mit der folgenden (oder höheren) Version. Informationen zur Installation von finden Sie unter [Installation oder Aktualisierung der neuesten Version von AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html). AWS CLI
```
AWS CLI v1 >= 1.23.6
AWS CLI v2 >= 2.6.2
```
# Benutzerdefinierte RStudio Bildspezifikationen
In diesem Leitfaden erfährst du, welche benutzerdefinierten RStudio Bildspezifikationen du verwenden kannst, wenn du dein eigenes Bild mitbringst. Es gibt zwei Arten von Anforderungen, die Sie mit Ihrem benutzerdefinierten RStudio Bild erfüllen müssen, um es mit Amazon SageMaker AI verwenden zu können. Diese Anforderungen werden von RStudio PBC und der Amazon SageMaker Studio Classic-Plattform gestellt. Wenn eine dieser Anforderungen nicht erfüllt ist, funktioniert Ihr benutzerdefiniertes Image nicht ordnungsgemäß.
## RStudio PBC-Anforderungen
RStudio Die PBC-Anforderungen sind im Artikel [Verwenden von Docker-Images mit RStudio RStudio Workbench/Server Pro, Launcher](https://support.rstudio.com/hc/en-us/articles/360019253393-Using-Docker-images-with-RStudio-Server-Pro-Launcher-and-Kubernetes) und Kubernetes beschrieben. Folgen Sie den Anweisungen in diesem Artikel, um die Grundlage für Ihr benutzerdefiniertes Image zu erstellen. RStudio
Anweisungen zur Installation mehrerer R-Versionen in Ihrem benutzerdefinierten Image finden Sie unter [Installieren mehrerer Versionen von R unter Linux](https://support.rstudio.com/hc/en-us/articles/215488098).
## Anforderungen SageMaker für Amazon Studio Classic
Amazon SageMaker Studio Classic stellt die folgenden Installationsanforderungen für Ihr RStudio Image.
+ Sie müssen ein RStudio Basis-Image von mindestens `2025.05.1+513.pro3` verwenden. Weitere Informationen finden Sie unter [RStudio Versionierung](rstudio-version.md).
+ Installieren Sie die folgenden Pakete:
```
yum install -y sudo \
openjdk-11-jdk \
libpng-dev \
&& yum clean all \
&& /opt/R/${R_VERSION}/bin/R -e "install.packages('reticulate', repos='https://packagemanager.rstudio.com/cran/__linux__/centos7/latest')" \
&& /opt/python/${PYTHON_VERSION}/bin/pip install --upgrade \
'boto3>1.0<2.0' \
'awscli>1.0<2.0' \
'sagemaker[local]<3'
```
+ Sie müssen Standardwerte für die Umgebungswerte `RSTUDIO_CONNECT_URL` und `RSTUDIO_PACKAGE_MANAGER_URL` Umgebungswerte angeben.
```
ENV RSTUDIO_CONNECT_URL "YOUR_CONNECT_URL"
ENV RSTUDIO_PACKAGE_MANAGER_URL "YOUR_PACKAGE_MANAGER_URL"
ENV RSTUDIO_FORCE_NON_ZERO_EXIT_CODE 1
```
Die folgenden allgemeinen Spezifikationen gelten für das Image, das durch eine RStudio Image-Version dargestellt wird.
**Das Image wird ausgeführt**
`ENTRYPOINT`und `CMD` Anweisungen werden außer Kraft gesetzt, sodass das Image als RSession Anwendung ausgeführt wird.
**Stoppen des Images**
Die `DeleteApp`-API gibt das Äquivalent zu einem `docker stop`-Befehl aus. Andere Prozesse im Container erhalten die SIGKILL/SIGTERM Signale nicht.
**Dateisystem**
Die Verzeichnisse `/opt/.sagemakerinternal` und `/opt/ml` sind reserviert. Alle Daten in diesen Verzeichnissen sind zur Laufzeit möglicherweise nicht sichtbar.
**Benutzerdaten**
Jeder Benutzer in einer SageMaker AI-Domain erhält ein Benutzerverzeichnis auf einem gemeinsam genutzten Amazon Elastic File System-Volume im Image. Der Speicherort des aktuellen Benutzerverzeichnisses auf dem Amazon Elastic File System-Volume ist `/home/sagemaker-user`.
**Metadaten**
Eine Metadatendatei befindet sich unter. `/opt/ml/metadata/resource-metadata.json` Den im Image definierten Variablen werden keine zusätzlichen Umgebungsvariablen hinzugefügt. Weitere Informationen finden Sie unter [Abrufen von App-Metadaten](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app).
**GPU**
Auf einer GPU-Instance wird das Image mit der `--gpus` Option ausgeführt. Nur das CUDA-Toolkit sollte im Image enthalten sein, nicht die NVIDIA-Treiber. Weitere Informationen finden Sie im [NVIDIA-Benutzerhandbuch](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/user-guide.html).
**Metriken und Protokollierung**
Protokolle des RSession Prozesses werden CloudWatch im Kundenkonto an Amazon gesendet. Der Name der Protokollgruppe ist `/aws/sagemaker/studio`. Der Name des Protokollstream ist `$domainID/$userProfileName/RSession/$appName`.
**Größe des Bildes**
Die Bildgröße ist auf 25 GB begrenzt. Führen Sie `docker image ls` aus, um die Größe Ihres Bilds anzuzeigen.
# Erstellen Sie ein benutzerdefiniertes RStudio Bild
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
In diesem Thema wird beschrieben, wie Sie mithilfe der SageMaker AI-Konsole und der ein benutzerdefiniertes RStudio Image erstellen können AWS CLI. Wenn Sie das verwenden AWS CLI, müssen Sie die Schritte von Ihrem lokalen Computer aus ausführen. Die folgenden Schritte funktionieren nicht in Amazon SageMaker Studio Classic.
Wenn Sie ein Image erstellen, erstellt SageMaker AI auch eine erste Image-Version. Die Image-Version repräsentiert ein Container-Image in [Amazon Elastic Container Registry (ECR)](https://console.aws.amazon.com/ecr/). Das Container-Image muss die Anforderungen erfüllen, damit es verwendet werden kann RStudio. Weitere Informationen finden Sie unter [Benutzerdefinierte RStudio Bildspezifikationen](rstudio-byoi-specs.md).
Informationen zum lokalen Testen Ihres Images und zum Beheben häufig auftretender Probleme finden Sie im [SageMaker Studio Custom Image Samples Repo](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md).
**Topics**
+ [Fügen Sie Amazon SageMaker ECR ein KI-kompatibles RStudio Docker-Container-Image hinzu](#rstudio-byoi-sdk-add-container-image)
+ [Erstellen Sie ein SageMaker Image von der Konsole aus](#rstudio-byoi-create-console)
+ [Erstellen Sie ein Bild aus dem AWS CLI](#rstudio-byoi-create-cli)
## Fügen Sie Amazon SageMaker ECR ein KI-kompatibles RStudio Docker-Container-Image hinzu
Gehen Sie wie folgt vor, um ein Docker-Container-Image zu Amazon ECR hinzuzufügen:
+ Erstellen Sie ein Amazon-ECR-Repository.
+ Authentifizieren bei Amazon ECR.
+ Erstellen Sie ein SageMaker KI-kompatibles Docker-Image RStudio .
+ Übertragen Sie das Image in das Amazon-ECR-Repository.
**Anmerkung**
Das Amazon ECR-Repository muss sich in derselben Domain befinden AWS-Region wie Ihre Domain.
**So erstellt man ein Docker-Image und fügt es zu Amazon ECR**
1. Erstellen Sie ein Amazon ECR-Repository mit dem AWS CLI. Informationen zum Erstellen des Repositorys mithilfe der Amazon ECR-Konsole finden Sie unter [Erstellen eines Repositorys](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--repository-name rstudio-custom \
--image-scanning-configuration scanOnPush=true
```
Antwort:
```
{
"repository": {
"repositoryArn": "arn:aws:ecr:us-east-2:acct-id:repository/rstudio-custom",
"registryId": "acct-id",
"repositoryName": "rstudio-custom",
"repositoryUri": "acct-id.dkr.ecr.us-east-2.amazonaws.com/rstudio-custom",
...
}
}
```
1. Authentifizieren Sie sich bei Amazon ECR mit der Repository-URI, die als Antwort vom Befehl `create-repository` zurückgegeben wird. Stellen Sie sicher, dass die Docker-Anwendung ausgeführt wird. Weitere Informationen finden Sie unter [Registrierungsauthentifizierung](https://docs.aws.amazon.com/AmazonECR/latest/userguide/Registries.html#registry_auth).
```
aws ecr get-login-password | \
docker login --username AWS --password-stdin
```
Antwort:
```
Login Succeeded
```
1. Erstellen Sie das Docker-Image. Führen Sie im Verzeichnis, das Ihre Docker-Datei enthält, den folgenden Befehl aus.
```
docker build .
```
1. Kennzeichnen Sie Ihr erstelltes Image mit einem eindeutigen Tag.
```
docker tag ":"
```
1. Verschieben Sie das Container-Image in das Amazon ECR-Repository. Weitere Informationen finden Sie unter [ImagePush](https://docs.docker.com/engine/api/v1.40/#operation/ImagePush)[Ein Bild übertragen](https://docs.aws.amazon.com/AmazonECR/latest/userguide/docker-push-ecr-image.html).
```
docker push :
```
Antwort:
```
The push refers to repository [.dkr.ecr.us-east-2.amazonaws.com/rstudio-custom]
r: digest: size: 3066
```
## Erstellen Sie ein SageMaker Image von der Konsole aus
**So erstellen Sie ein Image**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** die Option **Images**.
1. Wählen Sie auf der Seite **Benutzerdefinierte Images** die Option **Image erstellen** aus.
1. Geben Sie als **Image-Quelle** den Registry-Pfad zum Container-Image in Amazon ECR ein. Der Pfad hat das folgende Format:
` acct-id.dkr.ecr.region.amazonaws.com/repo-name[:tag] or [@digest] `
1. Wählen Sie **Next**.
1. Geben Sie unter **Image-Eigenschaften** Folgendes ein:
+ Image-Name – Der Name muss für Ihr Konto im aktuellen AWS-Region eindeutig sein.
+ (Optional) Anzeigename des Images – Der Name, der auf der Domainbenutzeroberfläche angezeigt wird. Wenn nicht angegeben, wird `Image name` angezeigt.
+ (Optional) Beschreibung – Eine Beschreibung des Images.
+ IAM-Rolle — Der Rolle muss die [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)Richtlinie angehängt sein. Verwenden Sie das Dropdown-Menü, um eine der folgenden Optionen zu wählen:
+ Erstellen Sie eine neue Rolle – Geben Sie alle zusätzlichen Amazon Simple Storage Service (Amazon S3) -Buckets an, auf die Ihre Notebook-Benutzer zugreifen sollen. Wenn Sie den Zugriff auf zusätzliche Bereiche nicht zulassen möchten, wählen Sie **Keine**.
SageMaker KI ordnet die `AmazonSageMakerFullAccess` Richtlinie der Rolle zu. Die Rolle ermöglicht Ihren Notebook-Benutzern den Zugriff auf die Amazon-S3-Buckets, die neben den Häkchen aufgeführt sind.
+ Geben Sie einen benutzerdefinierten IAM-Rollennamen ein – Geben Sie den Amazon-Ressourcennamen (ARN) Ihrer IAM-Rolle ein.
+ Bestehende Rolle verwenden – Wählen Sie eine Ihrer vorhandenen Rollen aus der Liste aus.
+ (Optional) Image-Tags – Wählen Sie **Neues Tag hinzufügen**. Sie können bis zu 50 Tags hinzufügen. Tags können mit der SageMaker AI-Konsole oder der SageMaker `Search` KI-API durchsucht werden.
1. Wählen Sie unter **Bildtyp** die Option RStudio Bild aus.
1. Wählen Sie **Absenden** aus.
Das neue Image wird in der Liste **Benutzerdefinierte Images** angezeigt und kurz hervorgehoben. Nachdem das Image erfolgreich erstellt wurde, können Sie den Namen des Images wählen, um seine Eigenschaften anzuzeigen, oder **Version erstellen** wählen, um eine weitere Version zu erstellen.
**Um eine weitere Image-Version zu erstellen**
1. Wählen Sie **Version erstellen** in derselben Zeile wie das Image aus.
1. Geben Sie unter **Image-Quelle** den Registry-Pfad zum Amazon-ECR-Image ein. Das Bild sollte nicht dasselbe Bild sein, das in einer früheren Version des SageMaker AI-Images verwendet wurde.
Um das benutzerdefinierte Bild in zu verwenden RStudio, müssen Sie es an Ihre Domain anhängen. Weitere Informationen finden Sie unter [Hängen Sie ein benutzerdefiniertes SageMaker Bild an](rstudio-byoi-attach.md).
## Erstellen Sie ein Bild aus dem AWS CLI
In diesem Abschnitt wird gezeigt, wie Sie mit dem ein benutzerdefiniertes SageMaker Amazon-Image erstellen AWS CLI.
Gehen Sie wie folgt vor, um ein SageMaker Bild zu erstellen:
+ Erstellen einer `Image` VPC
+ Erstellen einer `ImageVersion` VPC
+ Erstellen einer Konfigurationsdatei
+ Erstellen einer `AppImageConfig`.
**Um die SageMaker Bild-Entitäten zu erstellen**
1. Erstellen Sie ein SageMaker Bild. Der Rolle ARN muss mindestens die `AmazonSageMakerFullAccessPolicy` Richtlinie angehängt sein.
```
aws sagemaker create-image \
--image-name rstudio-custom-image \
--role-arn arn:aws:iam:::role/service-role/
```
Antwort:
```
{
"ImageArn": "arn:aws:sagemaker:us-east-2:acct-id:image/rstudio-custom-image"
}
```
1. Erstellen Sie eine SageMaker Image-Version aus dem Image. Übergeben Sie den eindeutigen Tag-Wert, den Sie ausgewählt haben, als Sie das Image an Amazon ECR übertragen haben.
```
aws sagemaker create-image-version \
--image-name rstudio-custom-image \
--base-image :
```
Antwort:
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/rstudio-image/1"
}
```
1. Stellen Sie sicher, dass die Image-Version erfolgreich erstellt wurde.
```
aws sagemaker describe-image-version \
--image-name rstudio-custom-image \
--version 1
```
Antwort:
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/rstudio-custom-image/1",
"ImageVersionStatus": "CREATED"
}
```
**Anmerkung**
Wenn die Antwort `"ImageVersionStatus": "CREATED_FAILED"` lautet, enthält die Antwort auch den Grund für den Fehler. Ein Problem mit Berechtigungen ist eine häufige Fehlerursache. Sie können auch Ihre CloudWatch Amazon-Logs überprüfen. Der Name der Protokollgruppe ist `/aws/sagemaker/studio`. Der Name des Protokollstroms ist `$domainID/$userProfileName/KernelGateway/$appName`.
1. Erstellen Sie eine Konfigurationsdatei mit dem Namen `app-image-config-input.json`. Die App-Image-Konfiguration wird zur Konfiguration für die Ausführung eines SageMaker Images als Kernel-Gateway-Anwendung verwendet.
```
{
"AppImageConfigName": "rstudio-custom-config"
}
```
1. Erstellen Sie das AppImageConfig mit der Datei, die Sie im vorherigen Schritt erstellt haben.
```
aws sagemaker create-app-image-config \
--cli-input-json file://app-image-config-input.json
```
Antwort:
```
{
"AppImageConfigArn": "arn:aws:sagemaker:us-east-2:acct-id:app-image-config/r-image-config"
}
```
# Hängen Sie ein benutzerdefiniertes SageMaker Bild an
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Diese Anleitung zeigt, wie Sie mithilfe der SageMaker AI-Konsole oder der AWS Command Line Interface (AWS CLI) ein benutzerdefiniertes RStudio Bild an Ihre Amazon SageMaker AI-Domain anhängen.
Um ein benutzerdefiniertes SageMaker Bild zu verwenden, müssen Sie ein benutzerdefiniertes RStudio Bild an Ihre Domain anhängen. Wenn Sie eine Image-Version anhängen, wird sie im RStudio Launcher angezeigt und ist in der Dropdownliste **Bild auswählen** verfügbar. Sie verwenden das Drop-down-Menü, um das von verwendete Bild zu ändern. RStudio
Es gibt ein Limit für die Anzahl der Imageversionen, die Sie anhängen können. Wenn Sie das Limit erreicht haben, müssen Sie zuerst eine Version trennen, damit Sie eine andere Version des Images anhängen können.
**Topics**
+ [Anfügen einer Image-Version an Ihre Domain mithilfe der Konsole](#rstudio-byoi-attach-console)
+ [Hängen Sie eine bestehende Image-Version an Ihre Domain an, indem Sie den AWS CLI](#rstudio-byoi-attach-cli)
## Anfügen einer Image-Version an Ihre Domain mithilfe der Konsole
Sie können über das Control Panel der SageMaker AI-Konsole eine benutzerdefinierte SageMaker Image-Version an Ihre Domain anhängen. Sie können auch ein benutzerdefiniertes SageMaker Image und eine Image-Version erstellen und diese Version dann an Ihre Domain anhängen.
**Um ein vorhandenes Image anzuhängen**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie die gewünschte Domain aus.
1. Wählen Sie **Environment** (Umgebung) aus.
1. Wählen Sie unter **Benutzerdefinierte SageMaker Studio Classic-Bilder, die an die Domain angehängt** sind, die Option **Bild anhängen** aus.
1. Wählen Sie für **Image-Quelle** die Option **Bestehendes Image** oder **Neues Image**aus.
Wenn Sie **Existierendes Bild** auswählen, wählen Sie ein Bild aus dem Amazon SageMaker Image Store aus.
Wenn Sie **Neues Image** auswählen, geben Sie den Amazon ECR-Registry-Pfad für Ihr Docker-Image an. Der Pfad muss sich in der gleichen AWS-Region wie die Domain befinden. Das Amazon ECR-Repo muss sich in demselben Konto wie Ihre Domain befinden, oder es müssen kontoübergreifende Berechtigungen für SageMaker KI aktiviert sein.
1. Wählen Sie einen vorhandenen Benutzer aus der Liste aus.
1. Wählen Sie eine Version des Images aus der Liste aus.
1. Wählen Sie **Weiter** aus.
1. Geben Sie Werte für **Image-Name**, **Image-Anzeigename** und **Beschreibung** ein.
1. Wählen Sie die IAM-Rolle. Weitere Informationen finden Sie unter [Erstellen Sie ein benutzerdefiniertes RStudio Bild](rstudio-byoi-create.md).
1. (Optional) Fügen Sie Tags für das Image hinzu.
1. (Optional) Wählen Sie **Neues Tag hinzufügen** und fügen Sie dann ein Konfigurations-Tag hinzu.
1. **Wählen Sie als **Bildtyp** die Option Bild aus. RStudio**
1. Wählen Sie **Absenden** aus.
Warten Sie, bis die Image-Version an die Domain angehängt ist. Nachdem die Version angehängt wurde, wird sie in der Liste der **benutzerdefinierten Images** angezeigt und kurz hervorgehoben.
## Hängen Sie eine bestehende Image-Version an Ihre Domain an, indem Sie den AWS CLI
Es werden zwei Methoden vorgestellt, um die Image-Version mithilfe der AWS CLI an Ihre Domain anzuhängen. Bei der ersten Methode erstellen Sie eine neue Domain mit der angehängten Version. Diese Methode ist einfacher, aber Sie müssen die Informationen und die Ausführungsrolle für Amazon Virtual Private Cloud (Amazon VPC) angeben, die für die Erstellung der Domain erforderlich sind.
Wenn Sie bereits Mitglied der Domain sind, können Sie die zweite Methode verwenden, um die Image-Version an Ihre aktuelle Domain anzuhängen. In diesem Fall müssen Sie die Amazon VPC-Informationen und die Ausführungsrolle nicht festlegen. Nachdem Sie die Version angehängt haben, löschen Sie alle Anwendungen in Ihrer Domain und starten Sie sie neu RStudio.
### Hängen Sie das SageMaker Bild an eine neue Domain an
Um diese Methode verwenden zu können, müssen Sie eine Ausführungsrolle angeben, der die [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)Richtlinie angehängt ist.
Gehen Sie wie folgt vor, um die Domain zu erstellen und das benutzerdefinierte SageMaker AI-Image anzuhängen:
+ Holen Sie sich Ihre Standard-VPC-ID und Ihr IDs Subnetz.
+ Erstellen Sie die Konfigurationsdatei für die Domain, die das Image spezifiziert.
+ Erstellen Sie die Domain mit der Konfigurationsdatei.
**Um das benutzerdefinierte SageMaker Image zu Ihrer Domain hinzuzufügen**
1. Holen Sie sich Ihre Standard-VPC-ID.
```
aws ec2 describe-vpcs \
--filters Name=isDefault,Values=true \
--query "Vpcs[0].VpcId" --output text
```
Antwort:
```
vpc-xxxxxxxx
```
1. Rufen Sie Ihr Standardsubnetz IDs mit der VPC-ID aus dem vorherigen Schritt ab.
```
aws ec2 describe-subnets \
--filters Name=vpc-id,Values= \
--query "Subnets[*].SubnetId" --output json
```
Antwort:
```
[
"subnet-b55171dd",
"subnet-8a5f99c6",
"subnet-e88d1392"
]
```
1. Erstellen Sie eine Konfigurationsdatei namens `create-domain-input.json`. Fügen Sie die VPC-ID, das Subnetz IDs und `AppImageConfigName` aus den vorherigen Schritten ein. `ImageName` Da `ImageVersionNumber` nicht angegeben ist, wird die neueste Version des Images verwendet, was in diesem Fall die einzige Version ist. Ihre Ausführungsrolle muss die Anforderungen in [Erfüllen der Voraussetzungen](rstudio-byoi-prerequisites.md) erfüllen.
```
{
"DomainName": "domain-with-custom-r-image",
"VpcId": "",
"SubnetIds": [
""
],
"DomainSettings": {
"RStudioServerProDomainSettings": {
"DomainExecutionRoleArn": ""
}
},
"DefaultUserSettings": {
"ExecutionRole": "",
"RSessionAppSettings": {
"CustomImages": [
{
"AppImageConfigName": "rstudio-custom-config",
"ImageName": "rstudio-custom-image"
}
]
}
},
"AuthMode": "IAM"
}
```
1. Erstellen Sie die Domain mit dem angehängten benutzerdefinierten SageMaker Image.
```
aws sagemaker create-domain \
--cli-input-json file://create-domain-input.json
```
Antwort:
```
{
"DomainArn": "arn:aws:sagemaker:region:acct-id:domain/domain-id",
"Url": "https://domain-id.studio.region.sagemaker.aws/..."
}
```
### Hängen Sie das SageMaker Bild an eine bestehende Domain an
Bei dieser Methode wird davon ausgegangen, dass Sie bereits bei der Domain angemeldet sind. Weitere Informationen finden Sie unter [Überblick über die Amazon SageMaker AI-Domain](gs-studio-onboard.md).
**Anmerkung**
Sie müssen alle Anwendungen in Ihrer Domain löschen, um die Domain mit der neuen Image-Version zu aktualisieren. Informationen zum Löschen dieser Anwendungen finden Sie unter [Löschen Sie eine Amazon SageMaker AI-Domain](gs-studio-delete-domain.md).
Gehen Sie wie folgt vor, um das SageMaker Bild zu Ihrer aktuellen Domain hinzuzufügen.
+ Holen Sie sich Ihr `DomainID` von der SageMaker AI-Konsole.
+ Verwenden Sie das `DomainID`, um das `DefaultUserSettings` für die Domain abzurufen.
+ Fügen Sie das `ImageName` und `AppImageConfig` als ein `CustomImage` zum `DefaultUserSettings` hinzu.
+ Aktualisieren Sie Ihre Domain so, dass sie das benutzerdefinierte Image enthält.
**Um das benutzerdefinierte SageMaker Bild zu Ihrer Domain hinzuzufügen**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie die gewünschte Domain aus.
1. Wählen Sie **Domaineinstellungen** aus.
1. Suchen Sie unter **Allgemeine Einstellungen** nach der **Domain-ID**. Die ID hat das folgende Format: `d-xxxxxxxxxxxx`.
1. Verwenden Sie die Domain-ID, um die Beschreibung der Domain abzurufen.
```
aws sagemaker describe-domain \
--domain-id
```
Antwort:
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Speichern Sie den `DefaultUserSettings` Abschnitt der Antwort in einer Datei mit dem Namen `update-domain-input.json`.
1. Fügen Sie das `ImageName` und `AppImageConfigName` aus den vorherigen Schritten als benutzerdefiniertes Image ein. Da `ImageVersionNumber` nicht angegeben ist, wird die neueste Version des Images verwendet, was in diesem Fall die einzige Version ist.
```
{
"DefaultUserSettings": {
"RSessionAppSettings": {
"CustomImages": [
{
"ImageName": "rstudio-custom-image",
"AppImageConfigName": "rstudio-custom-config"
}
]
}
}
}
```
1. Verwenden Sie die Domain-ID und die Datei mit den Standardbenutzereinstellungen, um Ihre Domain zu aktualisieren.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://update-domain-input.json
```
Antwort:
```
{
"DomainArn": "arn:aws:sagemaker:region:acct-id:domain/domain-id"
}
```
1. Löschen Sie die `RStudioServerPro`-Anwendung. Sie müssen die `RStudioServerPro` gemeinsam genutzte Domainanwendung neu starten, damit die RStudio Launcher-Benutzeroberfläche die neuesten Änderungen übernimmt.
```
aws sagemaker delete-app \
--domain-id --user-profile-name domain-shared \
--app-type RStudioServerPro --app-name default
```
1. Erstellen Sie eine neue `RStudioServerPro`-Anwendung. Sie müssen diese Anwendung mit Hilfe von AWS CLI erstellen.
```
aws sagemaker create-app \
--domain-id --user-profile-name domain-shared \
--app-type RStudioServerPro --app-name default
```
# Starten Sie ein benutzerdefiniertes Image SageMaker in RStudio
Sie können Ihr benutzerdefiniertes Image verwenden, wenn Sie eine RStudio Anwendung von der Konsole aus starten. Nachdem Sie Ihr benutzerdefiniertes SageMaker Image erstellt und an Ihre Domain angehängt haben, wird das Bild im Dialogfeld zur Bildauswahl des RStudio Launchers angezeigt. Um eine neue RStudio App zu starten, folgen Sie den Schritten unter [Starten Sie RSessions vom RStudio Launcher aus](rstudio-launcher.md) und wählen Sie Ihr benutzerdefiniertes Bild aus, wie in der folgenden Abbildung gezeigt.
![\[Screenshot des RStudio Launchers mit Bild-Dropdown.\]](http://docs.aws.amazon.com/de_de/sagemaker/latest/dg/images/rstudio-launcher-custom.png)
# Bildressourcen bereinigen
Diese Anleitung zeigt, wie Sie RStudio Bildressourcen bereinigen, die Sie in den vorherigen Abschnitten erstellt haben. Um ein Bild zu löschen, führen Sie die folgenden Schritte entweder mit der SageMaker AI-Konsole oder dem aus AWS CLI, wie in dieser Anleitung gezeigt.
+ Trennen Sie das Bild und die Bildversionen von Ihrer Amazon SageMaker AI-Domain.
+ Löschen Sie das Bild, die Image-Version und die App-Image-Konfiguration.
Nachdem Sie diese Schritte abgeschlossen haben, können Sie das Container-Image und das Repository aus Amazon ECR löschen. Weitere Informationen zum Löschen des Container-Images und des Repositorys finden Sie unter [Löschen eines Repositorys](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-delete.html).
## Bereinigen Sie Ressourcen von der SageMaker AI-Konsole
Wenn Sie ein Image von einer Domain trennen, werden alle Versionen des Images getrennt. Wenn ein Image getrennt wird, verlieren alle Benutzer der Domain den Zugriff auf die Image-Versionen.
**Trennen eines Images**
1. Öffnen Sie die Amazon SageMaker AI-Konsole unter [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Wählen Sie im linken Navigationsbereich **Admin-Konfigurationen**.
1. Wählen Sie unter **Admin-Konfigurationen** **Domains** aus.
1. Wählen Sie die gewünschte Domain aus.
1. Wählen Sie **Environment** (Umgebung) aus.
1. Wählen Sie unter **An die Domain angehängte benutzerdefinierte Bilder** das Bild aus und klicken Sie dann auf **Trennen**.
1. (Optional) Um das Bild und alle Versionen aus SageMaker AI zu löschen, wählen Sie **Auch die ausgewählten Bilder löschen...** aus. . Dadurch werden die zugehörigen Bilder nicht aus Amazon ECR gelöscht.
1. Wählen Sie **Trennen** aus.
## Säubere Ressourcen aus dem AWS CLI
**So bereinigen Sie Ressourcen**
1. Trennen Sie das Image und die Image-Versionen von Ihrer Domain, indem Sie eine leere benutzerdefinierte Image-Liste an die Domain übergeben. Öffnen Sie die `update-domain-input.json`-Datei, die Sie in [Hängen Sie das SageMaker Bild an Ihre aktuelle Domain an](studio-byoi-attach.md#studio-byoi-sdk-attach-current-domain) erstellt haben.
1. Löschen Sie die `RSessionAppSettings` benutzerdefinierten Images und speichern Sie die Datei. Ändern Sie die `KernelGatewayAppSettings` benutzerdefinierten Bilder nicht.
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
},
"RSessionAppSettings": {
"CustomImages": [
],
"DefaultResourceSpec": {
}
...
}
}
}
```
1. Verwenden Sie die Domain-ID und die Datei mit den Standardbenutzereinstellungen, um Ihre Domain zu aktualisieren.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://update-domain-input.json
```
Antwort:
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
1. Löschen Sie die App-Image-Konfiguration.
```
aws sagemaker delete-app-image-config \
--app-image-config-name rstudio-image-config
```
1. Löschen Sie das SageMaker Bild, wodurch auch alle Image-Versionen gelöscht werden. Die Container-Images in Amazon ECR, die durch die Image-Versionen repräsentiert werden, werden nicht gelöscht.
```
aws sagemaker delete-image \
--image-name rstudio-image
```
# Erstellen Sie einen zu verwendenden Benutzer RStudio
**Wichtig**
Benutzerdefinierte IAM-Richtlinien, die es Amazon SageMaker Studio oder Amazon SageMaker Studio Classic ermöglichen, SageMaker Amazon-Ressourcen zu erstellen, müssen auch Berechtigungen zum Hinzufügen von Tags zu diesen Ressourcen gewähren. Die Berechtigung zum Hinzufügen von Tags zu Ressourcen ist erforderlich, da Studio und Studio Classic automatisch alle von ihnen erstellten Ressourcen taggen. Wenn eine IAM-Richtlinie Studio und Studio Classic das Erstellen von Ressourcen, aber kein Tagging erlaubt, können "AccessDenied" Fehler beim Versuch, Ressourcen zu erstellen, auftreten. Weitere Informationen finden Sie unter [Erteilen Sie Berechtigungen für das Taggen von SageMaker KI-Ressourcen](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS verwaltete Richtlinien für Amazon SageMaker AI](security-iam-awsmanpol.md)die Berechtigungen zum Erstellen von SageMaker Ressourcen gewähren, beinhalten bereits Berechtigungen zum Hinzufügen von Tags beim Erstellen dieser Ressourcen.
Nachdem Ihre Amazon SageMaker AI-Domain RStudio aktiviert ist, können Sie der Domain Benutzerprofile (UserProfiles) hinzufügen. In den folgenden Themen wird gezeigt, wie Sie Benutzerprofile erstellen, die zur Verwendung autorisiert sind RStudio, sowie wie Sie ein vorhandenes Benutzerprofil aktualisieren. Informationen zum Löschen einer RStudio App oder Domain finden Sie unter [Löschen einer Amazon SageMaker AI-Domain](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-delete-domain.html). UserProfile
**Anmerkung**
Das Limit für die Gesamtzahl von UserProfiles in einer Amazon SageMaker AI-Domain liegt bei 60.
Es gibt zwei Arten von Benutzern:
+ Nicht autorisiert: Dieser Benutzer kann nicht auf die RStudio App zugreifen.
+ Autorisiert: Dieser Benutzer kann auf die RStudio App zugreifen und einen der RStudio Lizenzplätze verwenden. Standardmäßig ist ein neuer Benutzer, `Authorized` wenn die Domain für aktiviert ist RStudio.
Das Ändern des Autorisierungsstatus eines Benutzers ist nur von `Unauthorized` zu `Authorized` gültig. Wenn ein Benutzer autorisiert ist, kann ihm eine der folgenden Zugriffsebenen gewährt werden RStudio.
+ RStudio Benutzer: Dies ist ein RStudio Standardbenutzer und kann darauf zugreifen RStudio.
+ RStudio Admin: Der Administrator Ihrer Amazon SageMaker AI-Domain kann Benutzer erstellen, bestehende Benutzer hinzufügen und die Berechtigungen vorhandener Benutzer aktualisieren. Administratoren können auch auf das RStudio Administrator-Dashboard zugreifen. Dieser Administrator ist jedoch nicht in der Lage, Parameter zu aktualisieren, die von Amazon SageMaker AI verwaltet werden.
## Methoden zum Erstellen von Benutzern
Die folgenden Themen zeigen, wie Sie einen Benutzer in Ihrer RStudio -aktivierten Amazon SageMaker AI-Domain erstellen.
**Benutzerkonsole erstellen**
Um von der Konsole aus einen Benutzer in Ihrer RStudio -aktivierten Amazon SageMaker AI-Domain zu erstellen, führen Sie die Schritte unter aus. [Benutzerprofil hinzufügen](domain-user-profile-add.md)
**Benutzer-CLI erstellen**
Der folgende Befehl zeigt, wie Benutzer zu einer Amazon SageMaker AI-Domain mit IAM-Authentifizierung hinzugefügt werden. Ein Benutzer kann entweder der Benutzergruppe `R_STUDIO_USER` oder `R_STUDIO_ADMIN` angehören.
```
aws sagemaker create-user-profile --region \
--domain-id \
--user-profile-name \
--user-settings RStudioServerProAppSettings={UserGroup=}
```
Der folgende Befehl zeigt, wie Benutzer zu einer Amazon SageMaker AI-Domain mit Authentifizierung mithilfe von IAM Identity Center hinzugefügt werden. Ein Benutzer kann entweder der Benutzergruppe `R_STUDIO_USER` oder `R_STUDIO_ADMIN` angehören.
```
aws sagemaker create-user-profile --region \
--domain-id \
--user-profile-name \
--user-settings RStudioServerProAppSettings={UserGroup=} \
--single-sign-on-user-identifier UserName \
--single-sign-on-user-value
```
# Melden Sie sich RStudio als ein anderer Benutzer an