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.
# 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).