Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Entornos de aprendizaje automático ofrecidos por Amazon SageMaker AI
**importante**
Amazon SageMaker Studio y Amazon SageMaker Studio Classic son dos de los entornos de aprendizaje automático que puede utilizar para interactuar con la SageMaker IA.
Si su dominio se creó después del 30 de noviembre de 2023, Studio es su experiencia predeterminada.
Si tu dominio se creó antes del 30 de noviembre de 2023, Amazon SageMaker Studio Classic es tu experiencia predeterminada. Para usar Studio si Amazon SageMaker Studio Classic es tu experiencia predeterminada, consulta[Migración desde Amazon SageMaker Studio Classic](studio-updated-migrate.md).
Al migrar de Amazon SageMaker Studio Classic a Amazon SageMaker Studio, no se pierde la disponibilidad de las funciones. Studio Classic también existe como IDE en Amazon SageMaker Studio para ayudarlo a ejecutar sus flujos de trabajo de aprendizaje automático heredados.
SageMaker La IA es compatible con los siguientes entornos de aprendizaje automático:
+ *Amazon SageMaker Studio* (recomendado): la última experiencia basada en la web para ejecutar flujos de trabajo de aprendizaje automático con un conjunto de IDEs. Studio admite las aplicaciones siguientes:
+ Amazon SageMaker Studio Clásico
+ Editor de código, basado en Code-OSS, Visual Studio Code: Open Source
+ JupyterLab
+ Amazon SageMaker Canvas
+ RStudio
+ *Amazon SageMaker Studio Classic*: le permite crear, entrenar, depurar, implementar y supervisar sus modelos de aprendizaje automático.
+ *Amazon SageMaker Notebook Instances*: le permite preparar y procesar datos, y entrenar e implementar modelos de aprendizaje automático desde una instancia de cómputo que ejecuta la aplicación Jupyter Notebook.
+ *Amazon SageMaker Studio Lab*: Studio Lab es un servicio gratuito que le brinda acceso a recursos de AWS cómputo en un entorno basado en código abierto JupyterLab, sin necesidad de una AWS cuenta.
+ *Amazon SageMaker Canvas*: le permite utilizar el aprendizaje automático para generar predicciones sin necesidad de programar.
+ *Amazon SageMaker geospatial*: le ofrece la posibilidad de crear, entrenar e implementar modelos geoespaciales.
+ *RStudio en Amazon SageMaker AI*: RStudio es un IDE para [R](https://aws.amazon.com/blogs/opensource/getting-started-with-r-on-amazon-web-services/), con una consola, un editor de resaltado de sintaxis que admite la ejecución directa de código y herramientas para el trazado, el historial, la depuración y la gestión del espacio de trabajo.
+ *SageMaker HyperPod*: SageMaker HyperPod le permite aprovisionar clústeres resilientes para ejecutar cargas de trabajo de aprendizaje automático (ML) y desarrollar state-of-the-art modelos como modelos de lenguaje de gran tamaño (LLMs), modelos de difusión y modelos básicos (). FMs
Para usar estos entornos de aprendizaje automático, usted o el administrador de su organización deben crear un dominio de Amazon SageMaker AI. Las excepciones son Studio Lab, SageMaker Notebook Instances y SageMaker HyperPod.
En lugar de aprovisionar manualmente los recursos y gestionar los permisos para ti y tus usuarios, puedes crear un DataZone dominio de Amazon. El proceso de creación de un dominio de Amazon crea el DataZone dominio Amazon SageMaker AI correspondiente con AWS Glue las bases de datos de Amazon Redshift para sus flujos de trabajo de ETL. La configuración de un dominio a través de Amazon DataZone reduce el tiempo que se tarda en configurar los entornos de SageMaker IA para los usuarios. Para obtener más información sobre la configuración de un dominio de Amazon SageMaker AI en Amazon DataZone, consulte[Configurar SageMaker activos (guía del administrador)](sm-assets-set-up.md).
Los usuarios del DataZone dominio de Amazon tienen permisos para todas las acciones de Amazon SageMaker AI, pero sus permisos se limitan a los recursos del DataZone dominio de Amazon.
La creación de un DataZone dominio de Amazon agiliza la creación de un dominio que permite a los usuarios compartir datos y modelos entre sí. Para obtener información sobre cómo pueden compartir datos y modelos, consulte [Acceso controlado a los activos con Amazon SageMaker Assets](sm-assets.md).
**Topics**
+ [Amazon SageMaker Studio](studio-updated.md)
+ [SageMaker JupyterLab](studio-updated-jl.md)
+ [Instancias de Amazon SageMaker Notebook](nbi.md)
+ [Laboratorio Amazon SageMaker Studio](studio-lab.md)
+ [Amazon SageMaker Canvas](canvas.md)
+ [Capacidades SageMaker geoespaciales de Amazon](geospatial.md)
+ [RStudio en Amazon SageMaker AI](rstudio.md)
+ [Editor de código en Amazon SageMaker Studio](code-editor.md)
+ [Amazon SageMaker HyperPod](sagemaker-hyperpod.md)
+ [La IA generativa en entornos de ordenadores portátiles SageMaker](jupyterai.md)
+ [Amazon Q Developer](studio-updated-amazon-q.md)
+ [Descripción general de las aplicaciones de IA de Amazon SageMaker Partner](partner-apps.md)
# Amazon SageMaker Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección está dedicada expresamente al uso de la experiencia de Studio actualizada. Para obtener más información sobre el uso de la aplicación de Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md).
Amazon SageMaker Studio es la experiencia web más reciente para ejecutar flujos de trabajo de aprendizaje automático. Studio ofrece un conjunto de entornos de desarrollo integrados (IDEs). Estos incluyen Code Editor, basado en Code-OSS, Visual Studio Code - Open Source, una nueva JupyterLab aplicación RStudio, y Amazon SageMaker Studio Classic. Para obtener más información, consulte [Aplicaciones compatibles con Amazon SageMaker Studio](studio-updated-apps.md).
La nueva interfaz de usuario basada en web de Studio es más rápida y proporciona acceso a todos los recursos de SageMaker IA, incluidos los trabajos y los puntos finales, en una sola interfaz. Los profesionales del machine learning también pueden elegir su IDE preferido para acelerar el desarrollo del machine learning. Un científico de datos puede JupyterLab utilizarla para explorar datos y ajustar modelos. Además, un ingeniero de operaciones de aprendizaje automático (MLOps) puede usar el editor de código con la herramienta Pipelines de Studio para implementar y monitorear los modelos en producción.
La experiencia anterior de Studio sigue siendo compatible con Amazon SageMaker Studio Classic. Studio Classic es la experiencia predeterminada para los clientes actuales y está disponible como aplicación en Studio. Para obtener más información sobre Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md). Para obtener información acerca de cómo migrar de Studio Classic a Studio, consulte [Migración desde Amazon SageMaker Studio Classic](studio-updated-migrate.md).
Studio ofrece los siguientes beneficios:
+ Una nueva JupyterLab aplicación que tiene un tiempo de inicio más rápido y es más fiable que la aplicación Studio Classic existente. Para obtener más información, consulte [SageMaker JupyterLab](studio-updated-jl.md).
+ Un conjunto de ellas IDEs se abre en una pestaña aparte, e incluye el nuevo editor de código, basado en Code-OSS, Visual Studio Code, una aplicación de código abierto. Los usuarios pueden interactuar con Supported IDEs en una experiencia de pantalla completa. Para obtener más información, consulte [Aplicaciones compatibles con Amazon SageMaker Studio](studio-updated-apps.md).
+ Acceda a todos sus recursos de SageMaker IA en un solo lugar. Studio muestra las instancias en ejecución de todas sus aplicaciones.
+ Acceda a todos los trabajos de formación en una sola vista, independientemente de si se programaron desde cuadernos o se iniciaron desde Amazon SageMaker JumpStart.
+ Flujos de trabajo de implementación de modelos simplificados y administración y supervisión de puntos de conexión directamente desde Studio. No necesitas acceder a la consola de SageMaker IA.
+ Creación automática de todas las aplicaciones configuradas al realizar la incorporación a un dominio. Para obtener más información sobre cómo realizar la incorporación a un dominio, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Una JumpStart experiencia mejorada en la que puede descubrir, importar, registrar, ajustar e implementar un modelo básico. Para obtener más información, consulte [SageMaker JumpStart modelos preentrenados](studio-jumpstart.md).
**Topics**
+ [Inicie Amazon SageMaker Studio](studio-updated-launch.md)
+ [Descripción general de la interfaz de usuario de Amazon SageMaker Studio](studio-updated-ui.md)
+ [Montaje automático de Amazon EFS en Studio](studio-updated-automount.md)
+ [Cierre por inactividad](studio-updated-idle-shutdown.md)
+ [Aplicaciones compatibles con Amazon SageMaker Studio](studio-updated-apps.md)
+ [Conecte su IDE remoto a SageMaker espacios con acceso remoto](remote-access.md)
+ [Bring your own image (BYOI)](studio-updated-byoi.md)
+ [Configuraciones del ciclo de vida en Amazon SageMaker Studio](studio-lifecycle-configurations.md)
+ [Espacios de Amazon SageMaker Studio](studio-updated-spaces.md)
+ [Propagación de identidades de confianza con Studio](trustedidentitypropagation.md)
+ [Realización de tareas comunes en la interfaz de usuario](studio-updated-common.md)
+ [NVMe tiendas con Amazon SageMaker Studio](studio-updated-nvme.md)
+ [Compatibilidad con el modo local en Amazon SageMaker Studio](studio-updated-local.md)
+ [Visualización de instancias, aplicaciones y espacios en ejecución de Studio](studio-updated-running.md)
+ [Detención y eliminación de aplicaciones y espacios en ejecución de Studio](studio-updated-running-stop.md)
+ [SageMaker Política de soporte de imágenes de Studio](sagemaker-distribution.md)
+ [Precios de Amazon SageMaker Studio](studio-updated-cost.md)
+ [Resolución de problemas](studio-updated-troubleshooting.md)
+ [Migración desde Amazon SageMaker Studio Classic](studio-updated-migrate.md)
+ [Amazon SageMaker Studio Clásico](studio.md)
# Inicie Amazon SageMaker Studio
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección está dedicada expresamente al uso de la experiencia de Studio actualizada. Para obtener más información sobre el uso de la aplicación de Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md).
Los temas de esta página muestran cómo lanzar Amazon SageMaker Studio desde la consola Amazon SageMaker AI y el AWS Command Line Interface (AWS CLI).
**Topics**
+ [Requisitos previos](#studio-updated-launch-prereq)
+ [Lanzamiento desde la consola Amazon SageMaker AI](#studio-updated-launch-console)
+ [Lánzalo con el AWS CLI](#studio-updated-launch-cli)
## Requisitos previos
Antes de comenzar, complete los siguientes requisitos previos:
+ Incorpórese a un dominio de SageMaker IA con acceso a Studio. Si no dispone de permisos para configurar Studio como experiencia predeterminada para su dominio, póngase en contacto con su administrador. Para obtener más información, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ AWS CLI Actualízalo siguiendo los pasos que se indican en [Instalación de la AWS CLI versión actual](https://docs.aws.amazon.com//cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ En el equipo local, ejecute `aws configure` y proporcione sus credenciales de AWS . Para obtener información sobre AWS las credenciales, consulte [Descripción y obtención de AWS las credenciales](https://docs.aws.amazon.com//general/latest/gr/aws-sec-cred-types.html).
## Lanzamiento desde la consola Amazon SageMaker AI
Complete el siguiente procedimiento para iniciar Studio desde la consola Amazon SageMaker AI.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione Studio.
1. En la página de inicio de Studio, seleccione el dominio y perfil de usuario para inicializar Studio.
1. Seleccione **Abrir Studio**.
1. Para inicializar Studio, seleccione **Lanzar Studio personal**.
## Lánzalo con el AWS CLI
En esta sección se muestra cómo iniciar Studio con AWS CLI. El procedimiento para acceder a Studio mediante el AWS CLI depende de si el dominio utiliza la autenticación AWS Identity and Access Management (IAM) o la AWS IAM Identity Center autenticación. Puedes usarlo AWS CLI para iniciar Studio creando una URL de dominio prefirmada cuando tu dominio utilice la autenticación de IAM. Para obtener más información sobre cómo inicializar Studio con la autenticación de IAM Identity Center, consulte [Usa una configuración personalizada para Amazon SageMaker AI](onboard-custom.md).
### Inicialización si Studio es la experiencia predeterminada
En el siguiente fragmento de código se muestra cómo inicializar Studio desde la AWS CLI mediante una URL de dominio prefirmada si Studio es la experiencia predeterminada. Para obtener más información, consulte [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html).
```
aws sagemaker create-presigned-domain-url \
--region region \
--domain-id domain-id \
--user-profile-name user-profile-name \
--session-expiration-duration-in-seconds 43200
```
### Lánzalo si Amazon SageMaker Studio Classic es tu experiencia predeterminada
En el siguiente fragmento de código se muestra cómo inicializar Studio desde la AWS CLI mediante una URL de dominio prefirmada si Studio Classic es la experiencia predeterminada. Para obtener más información, consulte [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html).
```
aws sagemaker create-presigned-domain-url \
--region region \
--domain-id domain-id \
--user-profile-name user-profile-name \
--session-expiration-duration-in-seconds 43200 \
--landing-uri studio::
```
# Descripción general de la interfaz de usuario de Amazon SageMaker Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección está dedicada expresamente al uso de la experiencia de Studio actualizada. Para obtener más información sobre el uso de la aplicación de Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md).
La interfaz de usuario de Amazon SageMaker Studio se divide en tres partes distintas. En esta página se proporciona información acerca de las distintas partes y sus componentes.
+ **Barra de navegación**: esta sección de la interfaz de usuario incluye la URL, las rutas de navegación, las notificaciones y las opciones de usuario.
+ **Panel de navegación**: esta sección de la interfaz de usuario incluye una lista de las aplicaciones compatibles con Studio, así como opciones de los principales flujos de trabajo de Studio.
+ **Panel de contenido**: el área de trabajo principal que muestra la página actual de la interfaz de usuario de Studio que ha abierto.
![\[Página de inicio de Amazon SageMaker Studio con panel de navegación y panel de contenido (área de trabajo principal).\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/monarch/studio-updated-ui.png)
**Topics**
+ [Barra de navegación de Amazon SageMaker Studio](#studio-updated-ui-top)
+ [Panel de navegación de Amazon SageMaker Studio](#studio-updated-ui-left)
+ [Panel de contenido de Studio](#studio-updated-ui-working)
## Barra de navegación de Amazon SageMaker Studio
La barra de navegación de la interfaz de usuario de Studio incluye la URL, las rutas de navegación, las notificaciones y las opciones de usuario.
**Estructura de la URL**
La URL de Studio cambia a medida que se navega por la interfaz de usuario. Al navegar a otra página de la interfaz de usuario, la URL cambia para reflejar esa página. Con la URL actualizada, puede abrir cualquier página de la interfaz de usuario de Studio directamente sin tener que ir primero a la página de inicio.
**Ruta de navegación**
A medida que navega por la interfaz de usuario de Studio, la ruta de navegación permite realizar un seguimiento de las páginas principales de la página actual. Al elegir una ruta de navegación, puede ir a las páginas principales de la interfaz de usuario.
**Notificaciones**
En la sección de notificaciones de la interfaz de usuario se proporciona información sobre los cambios importantes de Studio, las actualizaciones de las aplicaciones y los problemas que hay que resolver.
**Opciones de usuario**
Elija el icono de opciones de usuario (![\[User icon with a circular avatar placeholder and a downward-pointing arrow.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/monarch/user-settings.png)) para obtener información sobre el perfil de usuario que está utilizando Studio en ese momento. Además, ofrece la opción de cerrar la sesión de Studio.
## Panel de navegación de Amazon SageMaker Studio
**Panel de navegación**
El panel de navegación de la interfaz de usuario incluye una lista de las aplicaciones compatibles con Studio. También ofrece opciones de los principales flujos de trabajo de Studio.
Esta sección de la interfaz de usuario se puede usar expandida o contraída. Para cambiar entre la sección expandida o contraída, seleccione el icono de **Contraer** (![\[Square icon with "ID" text representing an identity or identification concept.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/monarch/collapse-ui.png)).
**Aplicaciones**
En la sección de aplicaciones se enumeran las aplicaciones que están disponibles en Studio. Si elige uno de los tipos de aplicaciones, se le dirigirá a la página de inicio de esa aplicación.
**Flujos de trabajo**
La lista de flujos de trabajo incluye todas las acciones disponibles que puede realizar en Studio. Elija una de las opciones para ir a la página de inicio de ese flujo de trabajo. Si hay varios flujos de trabajo disponibles para esa opción, al seleccionar la opción se abre un menú desplegable en el que puede elegir la página de inicio que desee.
En la siguiente lista se describen las opciones y se proporciona un enlace para obtener más información.
+ **Inicio**: la página de inicio principal con información general, la introducción y las novedades.
+ **Instancias en ejecución**: todas las instancias que se están ejecutando en ese momento en Studio. Para obtener más información, consulte [Visualización de instancias, aplicaciones y espacios en ejecución de Studio](studio-updated-running.md).
+ **Datos**: opciones de preparación de datos en las que puede colaborar para almacenar, explorar, preparar, transformar y compartir sus datos.
+ Para obtener más información sobre Amazon SageMaker Data Wrangler, consulte. [Preparación de datos](canvas-data-prep.md)
+ Para obtener más información sobre Amazon SageMaker Feature Store, consulte[Creación, almacenamiento y uso compartido de características con el Almacén de características](feature-store.md).
+ Para obtener más información sobre los clústeres de Amazon EMR, consulte [Preparación de datos con Amazon EMR](studio-notebooks-emr-cluster.md).
+ **Auto ML**: cree, entrene, ajuste e implemente modelos de machine learning (ML) automáticamente. Para obtener más información, consulte [Amazon SageMaker Canvas](canvas.md).
+ **Experimentos**: cree, administre, analice y compare sus experimentos de machine learning con Amazon SageMaker Experiments. Para obtener más información, consulte [Amazon SageMaker Experiments en Studio Classic](experiments.md).
+ **Trabajos**: vea los trabajos creados en Studio.
+ Para obtener más información sobre el entrenamiento, consulte [Entrenamiento de modelos](train-model.md).
+ Para obtener información sobre la evaluación de modelos, consulte [Conozca las opciones para evaluar modelos de lenguaje de gran tamaño con SageMaker Clarify](clarify-foundation-model-evaluate.md).
+ **Pipelines**: automatice su flujo de trabajo de aprendizaje automático con Amazon SageMaker Pipelines, que proporciona recursos para ayudarlo a crear, rastrear y administrar sus recursos de canalización. Para obtener más información, consulte [Canalizaciones](pipelines.md).
+ **Modelos**: organice sus modelos en grupos y colecciones en el registro de modelos, donde podrá administrar las versiones de los modelos, ver los metadatos e implementar los modelos en producción. Para obtener más información, consulte [Implementación del registro de modelos con el registro de modelos](model-registry.md).
+ **JumpStart**— Amazon SageMaker JumpStart proporciona modelos de código abierto previamente entrenados para una amplia gama de tipos de problemas para ayudarte a empezar con el aprendizaje automático. Para obtener más información, consulte. [SageMaker JumpStart modelos preentrenados](studio-jumpstart.md)
+ **Implementaciones**: implemente sus modelos de machine learning (ML) para inferencia.
+ Para obtener más información sobre Amazon SageMaker Inference Recommender, consulte. [Recomendador de SageMaker inferencias de Amazon](inference-recommender.md)
+ Para obtener más información acerca de los puntos de conexión, consulte [Implementar modelos para inferencia](deploy-model.md).
## Panel de contenido de Studio
El área de trabajo principal también se denomina panel de contenido. Muestra la página de la interfaz de usuario de Studio que se ha abierto en ese momento.
**Página de inicio de Studio**
La página de inicio de Studio es la página de inicio principal del área de trabajo principal. La página de inicio incluye dos pestañas distintas. Hay una pestaña **Información general** y una pestaña **Introducción**.
**Información general**
La pestaña **Información general** incluye opciones que permiten abrir espacios para los tipos de aplicaciones más populares, empezar a utilizar soluciones prediseñadas y automatizadas en los flujos de trabajo de machine learning y enlaces a tareas habituales de la interfaz de usuario de Studio.
**Introducción**
La pestaña **Introducción** incluye información, orientación y recursos sobre cómo empezar a usar Studio. Incluye una visita guiada a la interfaz de usuario de Studio, un enlace a la documentación sobre Studio y una selección de consejos rápidos.
# Montaje automático de Amazon EFS en Studio
Amazon SageMaker AI admite el montaje automático de una carpeta en un volumen de Amazon EFS para cada usuario de un dominio. Con esta carpeta, los usuarios pueden compartir datos entre sus propios espacios privados. Sin embargo, los usuarios no pueden compartir datos con otros usuarios del dominio. Los usuarios solo tienen acceso a su propia carpeta.
Se puede acceder a la carpeta del usuario a través de una carpeta denominada `user-default-efs`. Esta carpeta está presente en el directorio `$HOME` de la aplicación de Studio.
Para obtener información sobre cómo dar de baja el montaje automático de Amazon EFS, consulte [Exclusión del montaje automático de Amazon EFS](studio-updated-automount-optout.md).
El montaje automático de Amazon EFS también facilita la migración de datos de Studio Classic a Studio. Para obtener más información, consulte [(Opcional) Migración de datos de Studio Classic a Studio](studio-updated-migrate-data.md).
**Información sobre puntos de acceso**
Cuando se activa el montaje automático, la SageMaker IA utiliza un punto de acceso de Amazon EFS para facilitar el acceso a los datos del volumen de Amazon EFS. Para obtener más información sobre los puntos de acceso, consulte [Trabajar con puntos de acceso de Amazon EFS](https://docs.aws.amazon.com/efs/latest/ug/efs-access-points.html) La SageMaker IA crea un punto de acceso único para cada perfil de usuario del dominio durante la creación del perfil de usuario o durante la creación de la aplicación para un perfil de usuario existente. El valor de usuario POSIX del punto de acceso coincide con el `HomeEfsFileSystemUid` valor del perfil de usuario para el que SageMaker AI crea el punto de acceso. Para obtener el valor del usuario, consulte [DescribeUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeUserProfile.html#sagemaker-DescribeUserProfile-response-HomeEfsFileSystemUid). La ruta del directorio raíz también se establece en el mismo valor que el valor del usuario de POSIX.
SageMaker AI establece los permisos del nuevo directorio en los siguientes valores:
+ ID de usuario del propietario: `POSIX user value`
+ ID de grupo del propietario: `0`
+ Permisos: `700`
El punto de acceso es necesario para acceder al volumen de Amazon EFS. A consecuencia de ello, no puede eliminar ni actualizar el punto de acceso sin perder el acceso al volumen de Amazon EFS.
**Resolución de errores**
Si SageMaker AI encuentra un problema al montar automáticamente la carpeta de usuario de Amazon EFS durante la creación de la aplicación, la aplicación seguirá creándose. Sin embargo, en este caso, SageMaker AI crea un archivo denominado `error.txt` en lugar de montar la carpeta Amazon EFS. Este archivo describe el error detectado, así como los pasos para resolverlo. SageMaker AI crea el `error.txt` archivo en la `user-default-efs` carpeta ubicada en el `$HOME` directorio de la aplicación.
# Exclusión del montaje automático de Amazon EFS
Puede inhabilitar las carpetas de usuario de Amazon EFS que montan automáticamente Amazon SageMaker AI durante la creación del dominio y el perfil de usuario o para un dominio o perfil de usuario existente.
## Exclusión durante la creación del dominio
Puede darse de baja del montaje automático de Amazon EFS al crear un dominio mediante la consola o la AWS Command Line Interface.
### Consola
Lleve a cabo los siguientes pasos para darse de baja del montaje automático de Amazon EFS al crear un dominio desde la consola.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Lleve a cabo los pasos que se indican en [Usa una configuración personalizada para Amazon SageMaker AI](onboard-custom.md) con la siguiente modificación para configurar un dominio.
+ En el paso **Configurar el almacenamiento**, desactive **Monte el almacenamiento y los datos de EFS de forma automática**.
### AWS CLI
Utilice el siguiente comando para darse de baja del montaje automático de Amazon EFS durante la creación del dominio mediante la AWS CLI. Para obtener más información sobre cómo crear un dominio con AWS CLI, consulte[Usa una configuración personalizada para Amazon SageMaker AI](onboard-custom.md).
```
aws --region region sagemaker create-domain \
--domain-name "my-domain-$(date +%s)" \
--vpc-id default-vpc-id \
--subnet-ids subnet-ids \
--auth-mode IAM \
--default-user-settings "ExecutionRole=execution-role-arn,AutoMountHomeEFS=Disabled" \
--default-space-settings "ExecutionRole=execution-role-arn"
```
## Exclusión para un dominio existente
Puede darse de baja del montaje automático de Amazon EFS para un dominio existente mediante la consola o la AWS CLI.
### Consola
Lleve a cabo los siguientes pasos para darse de baja del montaje automático de Amazon EFS al actualizar un dominio desde la consola.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Dominios** en **Configuraciones de administración**.
1. En la página **Dominios**, seleccione el dominio para el que desee darse de baja del montaje automático de Amazon EFS.
1. En la página de **Detalles del dominio**, seleccione la pestaña **Configuración del dominio**.
1. Vaya a la sección **Configuraciones de almacenamiento**.
1. Seleccione **Editar**.
1. En la página **Editar la configuración de almacenamiento**, desactive **Monte el almacenamiento y los datos de EFS de forma automática**.
1. Seleccione **Enviar**.
### AWS CLI
Utilice el siguiente comando para darse de baja del montaje automático de Amazon EFS durante la actualización de un dominio existente mediante la AWS CLI.
```
aws --region region sagemaker update-domain \
--domain-id domain-id \
--default-user-settings "AutoMountHomeEFS=Disabled"
```
## Exclusión durante la creación de un perfil de usuario
Puede darse de baja del montaje automático de Amazon EFS al crear un perfil de usuario mediante la consola o la AWS CLI.
### Consola
Lleve a cabo los siguientes pasos para darse de baja del montaje automático de Amazon EFS al crear un perfil de usuario desde la consola.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Lleve a cabo los pasos que se indican en [Adición de perfiles de usuario](domain-user-profile-add.md) con la siguiente modificación para crear un perfil de usuario.
+ En el paso **Datos y almacenamiento**, desactive **Herede la configuración del dominio**. Esto permite que el usuario tenga un valor diferente a los valores predeterminados que se establecen para el dominio.
+ Desactive **Monte el almacenamiento y los datos de EFS de forma automática**.
### AWS CLI
Utilice el siguiente comando para darse de baja del montaje automático de Amazon EFS durante la creación del perfil de usuario mediante la AWS CLI. Para obtener más información sobre cómo crear un perfil de usuario mediante el AWS CLI, consulte[Adición de perfiles de usuario](domain-user-profile-add.md).
```
aws --region region sagemaker create-user-profile \
--domain-id domain-id \
--user-profile-name "user-profile-$(date +%s)" \
--user-settings "ExecutionRole=arn:aws:iam::account-id:role/execution-role-name,AutoMountHomeEFS=Enabled/Disabled/DefaultAsDomain"
```
## Exclusión para un perfil de usuario existente
Puede darse de baja del montaje automático de Amazon EFS para un perfil de usuario existente mediante la consola o la AWS CLI.
### Consola
Lleve a cabo los siguientes pasos para darse de baja del montaje automático de Amazon EFS al actualizar un perfil de usuario desde la consola.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Dominios** en **Configuraciones de administración**.
1. En la página **Dominios**, seleccione el dominio que contiene el perfil de usuario para el que desee darse de baja del montaje automático de Amazon EFS.
1. En la página **Detalles del dominio**, elija la pestaña **Perfiles de usuario**.
1. Seleccione el perfil de usuario que quiera actualizar.
1. En la pestaña **Detalles del usuario**, vaya a la sección **AutoMountHomeEFS**.
1. Seleccione **Editar**.
1. En la página **Editar la configuración de almacenamiento**, desactive **Herede la configuración del dominio**. Esto permite que el usuario tenga un valor diferente a los valores predeterminados que se establecen para el dominio.
1. Desactive **Monte el almacenamiento y los datos de EFS de forma automática**.
1. Seleccione **Enviar**.
### AWS CLI
Utilice el siguiente comando para darse de baja del montaje automático de Amazon EFS durante la actualización de un perfil de usuario existente mediante la AWS CLI.
```
aws --region region sagemaker update-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings "AutoMountHomeEFS=DefaultAsDomain"
```
# Cierre por inactividad
Amazon SageMaker AI permite cerrar los recursos inactivos para gestionar los costes y evitar sobrecostes debidos a los costes acumulados por los recursos inactivos y facturables. Para ello, detecta el estado de inactividad de una aplicación y la cierra cuando se cumplen los criterios de inactividad.
SageMaker La IA admite el apagado en espera de las siguientes aplicaciones. El cierre por inactividad debe configurarse de forma independiente para cada tipo de aplicación.
+ JupyterLab
+ Editor de código, basado en Code-OSS, Visual Studio Code: Open Source
El cierre por inactividad se puede configurar para los dominios o para los perfiles de usuario. Cuando el cierre por inactividad se establece para un dominio, la configuración de cierre por inactividad se aplica a todas las aplicaciones creadas en el dominio. Cuando se establece para los perfiles de usuario, la configuración de cierre por inactividad se aplica solo a los usuarios específicos para los que se ha configurado. Tenga en cuenta que la configuración del perfil de usuario anula la configuración del dominio.
**nota**
Para el cierre por inactividad es preciso usar la imagen de `SageMaker-distribution` con la versión 2.0 o posteriores. Los dominios que usan una versión de SMD anterior no pueden usar la característica. En su lugar, estos usuarios deben usar una configuración de ciclo de vida para administrar el cierre automático.
## Definición de inactividad
La configuración de cierre por inactividad se aplica únicamente cuando la aplicación queda inactiva sin ningún trabajo en ejecución. SageMaker La IA no inicia el tiempo de apagado en espera hasta que la instancia pasa a estar inactiva. La definición de inactividad varía en función de si el tipo de aplicación es JupyterLab o el de editor de código.
En el caso de JupyterLab las aplicaciones, la instancia se considera inactiva cuando se cumplen las siguientes condiciones:
+ No hay sesiones activas del kernel de Jupyter.
+ No hay sesiones activas de terminal de Jupyter.
En el caso de las aplicaciones del editor de código, la instancia se considera inactiva cuando se cumplen las siguientes condiciones:
+ No hay cambios en el archivo de texto o en el cuaderno.
+ No se está viendo ningún archivo.
+ No hay ninguna interacción con el terminal.
# Configuración del cierre por inactividad
En las siguientes secciones se muestra cómo configurar el cierre por inactividad mediante la consola o la AWS CLI. El cierre por inactividad se puede configurar para los dominios o para los perfiles de usuario.
## Requisitos previos
Para utilizar el cierre por inactividad con su aplicación, debe cumplir los siguientes requisitos previos.
+ Asegúrese de que su aplicación utilice la versión 2.0 SageMaker de distribución (SMD). Puede seleccionar esta versión al crear la aplicación o actualizar la versión de imagen de la aplicación después de crearla. Para obtener más información, consulte [Actualiza la imagen SageMaker de distribución](studio-updated-jl-update-distribution-image.md) .
+ Para las aplicaciones creadas con imágenes personalizadas, se admite el apagado por inactividad si la imagen personalizada se crea con la versión 2.0 o posterior de SageMaker Distribution (SMD) como imagen base. Si la imagen personalizada se crea con una imagen base diferente, debe instalar la extensión [jupyter-activity-monitor-extension >= 0.3.1](https://anaconda.org/conda-forge/jupyter-activity-monitor-extension) en la imagen y adjuntarla a su dominio Amazon SageMaker AI para JupyterLab las aplicaciones. Para obtener más información sobre las imágenes personalizadas, consulte [Bring your own image (BYOI)](studio-updated-byoi.md).
## En la consola
En las siguientes secciones se muestra cómo habilitar el cierre por inactividad mediante la consola.
### Adición al crear un dominio nuevo
1. Cree un dominio siguiendo los pasos que se indican en [Usa una configuración personalizada para Amazon SageMaker AI](onboard-custom.md).
1. Al configurar los ajustes de la aplicación en el dominio, vaya al editor de código o JupyterLab a la sección.
1. Seleccione **Activar el cierre por inactividad**.
1. Introduzca un tiempo de cierre por inactividad predeterminado en minutos. Este valor se establece en `10,080` de forma predeterminada si no se introduce ningún valor.
1. (Opcional) Seleccione **Permitir a los usuarios establecer un tiempo de cierre por inactividad personalizado** para que los usuarios puedan modificar el tiempo de cierre por inactividad.
+ Introduzca el valor máximo del tiempo de cierre por inactividad predeterminado que pueden establecer los usuarios. Debe introducir un valor máximo. El valor mínimo lo establece Amazon SageMaker AI y debe ser`60`.
### Adición a un dominio existente
**nota**
Si el cierre por inactividad se configura mientras hay aplicaciones en ejecución, deben reiniciarse para que la configuración de cierre por inactividad surta efecto.
1. Vaya al dominio.
1. Elija la pestaña **Configuraciones de aplicaciones**.
1. En la pestaña **Configuraciones de aplicaciones**, diríjase al editor de código o a JupyterLab la sección.
1. Seleccione **Editar**.
1. Seleccione **Activar el cierre por inactividad**.
1. Introduzca un tiempo de cierre por inactividad predeterminado en minutos. Este valor se establece en `10,080` de forma predeterminada si no se introduce ningún valor.
1. (Opcional) Seleccione **Permitir a los usuarios establecer un tiempo de cierre por inactividad personalizado** para que los usuarios puedan modificar el tiempo de cierre por inactividad.
+ Introduzca el valor máximo del tiempo de cierre por inactividad predeterminado que pueden establecer los usuarios. Debe introducir un valor máximo. El valor mínimo lo establece Amazon SageMaker AI y debe ser`60`.
1. Seleccione **Enviar**.
### Adición al crear un perfil de usuario nuevo
1. Agregue un perfil de usuario siguiendo los pasos que se indican en [Adición de perfiles de usuario](domain-user-profile-add.md)
1. Al configurar los ajustes de la aplicación para el perfil de usuario, vaya al editor de código o a la JupyterLab sección.
1. Seleccione **Activar el cierre por inactividad**.
1. Introduzca un tiempo de cierre por inactividad predeterminado en minutos. Este valor se establece en `10,080` de forma predeterminada si no se introduce ningún valor.
1. (Opcional) Seleccione **Permitir a los usuarios establecer un tiempo de cierre por inactividad personalizado** para que los usuarios puedan modificar el tiempo de cierre por inactividad.
+ Introduzca el valor máximo del tiempo de cierre por inactividad predeterminado que pueden establecer los usuarios. Debe introducir un valor máximo. El valor mínimo lo establece Amazon SageMaker AI y debe ser`60`.
1. Seleccione Guardar cambios.
### Adición a un perfil de usuario existente
Nota: Si el cierre por inactividad se configura mientras hay aplicaciones en ejecución, deben reiniciarse para que la configuración de cierre por inactividad surta efecto.
1. Vaya al perfil de usuario.
1. Elija la pestaña **Configuraciones de aplicaciones**.
1. En la pestaña ****Configuraciones de aplicaciones****, diríjase al editor de código o a JupyterLab la sección.
1. Seleccione **Editar**.
1. De forma predeterminada, en la configuración de cierre por inactividad se muestra la configuración del dominio si está configurada para ese dominio.
1. Seleccione **Activar el cierre por inactividad**.
1. Introduzca un tiempo de cierre por inactividad predeterminado en minutos. Este valor se establece en `10,080` de forma predeterminada si no se introduce ningún valor.
1. (Opcional) Seleccione **Permitir a los usuarios establecer un tiempo de cierre por inactividad personalizado** para que los usuarios puedan modificar el tiempo de cierre por inactividad.
+ Introduzca el valor máximo del tiempo de cierre por inactividad predeterminado que pueden establecer los usuarios. Debe introducir un valor máximo. El valor mínimo lo establece Amazon SageMaker AI y debe ser`60`.
1. Seleccione **Save Changes (Guardar cambios)**.
## Desde AWS CLI
En las siguientes secciones se muestra cómo habilitar el cierre por inactividad mediante la AWS CLI.
**nota**
Para aplicar un valor de tiempo de espera específico desde AWS CLI, debe establecer `IdleTimeoutInMinutes``MaxIdleTimeoutInMinutes`, y `MinIdleTimeoutInMinutes` con el mismo valor.
### Dominio
En el siguiente comando se muestra cómo habilitar el apagado por inactividad al actualizar un dominio existente. Para agregar el cierre por inactividad para un nuevo dominio, utilice el comando `create-domain` en su lugar.
**nota**
Si el cierre por inactividad se configura mientras hay aplicaciones en ejecución, deben reiniciarse para que la configuración de cierre por inactividad surta efecto.
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings file://default-user-settings.json
## default-user-settings.json example for enforcing the default timeout
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120
}
}
}
## default-user-settings.json example for letting users customize the default timeout, between 2-5 hours
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 300
}
}
}
```
### Perfil de usuario
En el siguiente comando se muestra cómo habilitar el cierre por inactividad al actualizar un perfil de usuario existente. Para agregar el cierre por inactividad para un nuevo perfil de usuario, utilice el comando `create-user-profile` en su lugar.
**nota**
Si el cierre por inactividad se configura mientras hay aplicaciones en ejecución, deben reiniciarse para que la configuración de cierre por inactividad surta efecto.
```
aws sagemaker update-user-profile --region region --domain-id domain-id \
--user-profile-name user-profile-name --user-settings file://user-settings.json
## user-settings.json example for enforcing the default timeout
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120
}
}
}
## user-settings.json example for letting users customize the default timeout, between 2-5 hours
{
"JupyterLabAppSettings": {
"AppLifecycleManagement": {
"IdleSettings": {
"LifecycleManagement": "ENABLED",
"IdleTimeoutInMinutes": 120,
"MinIdleTimeoutInMinutes": 120,
"MaxIdleTimeoutInMinutes": 300
}
}
}
```
# Actualización de la configuración predeterminada de cierre por inactividad
La configuración de cierre por inactividad se puede actualizar para los dominios o para los perfiles de usuario.
**nota**
Si el cierre por inactividad se configura mientras hay aplicaciones en ejecución, deben reiniciarse para que la configuración de cierre por inactividad surta efecto.
## Actualización de la configuración de un dominio
1. Vaya al dominio.
1. Elija la pestaña **Configuraciones de aplicaciones**.
1. En la pestaña **Configuraciones de aplicaciones**, vaya al editor de código o a JupyterLab la sección.
1. En la sección de la aplicación cuyo límite de tiempo de cierre por inactividad desee modificar, seleccione **Editar**.
1. Actualice la configuración de cierre por inactividad del dominio.
1. Seleccione **Save Changes (Guardar cambios)**.
## Actualización de la configuración de un perfil de usuario
1. Vaya al dominio.
1. Seleccione la pestaña **Perfiles de usuario**.
1. En la pestaña **Perfiles de usuario**, seleccione el perfil de usuario que desee editar.
1. En la página **Perfil de usuario**, seleccione la pestaña **Aplicaciones**.
1. En la pestaña **Aplicaciones**, vaya al editor de código o a JupyterLab la sección.
1. En la sección de la aplicación cuyo límite de tiempo de cierre por inactividad desee modificar, seleccione **Editar**.
1. Actualice la configuración de cierre por inactividad del perfil de usuario.
1. Seleccione **Save Changes (Guardar cambios)**.
# Modificación del límite de tiempo de cierre por inactividad
Los usuarios pueden modificar el límite del tiempo de cierre por inactividad si el administrador les proporciona acceso al agregar la compatibilidad con el cierre por inactividad. Si se agrega la compatibilidad con el cierre por inactividad, es posible que se aplique un límite al tiempo máximo al cierre por inactividad. El usuario puede establecer cualquier valor comprendido entre el límite inferior y el límite superior.
1. Para iniciar Amazon SageMaker Studio, sigue los pasos que se indican a continuación[Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. En la sección **Aplicaciones**, seleccione el tipo de aplicación para el que desee actualizar el tiempo de cierre por inactividad.
1. Seleccione el espacio que desea actualizar.
1. Actualice **Tiempo de cierre por inactividad (minutos)** con el valor deseado.
**nota**
Si el cierre por inactividad se configura mientras hay aplicaciones en ejecución, deben reiniciarse para que la configuración de cierre por inactividad surta efecto.
# Aplicaciones compatibles con Amazon SageMaker Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección está dedicada expresamente al uso de la experiencia de Studio actualizada. Para obtener más información sobre el uso de la aplicación de Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md).
Amazon SageMaker Studio es compatible con las siguientes aplicaciones:
+ **Editor de código, basado en Code-OSS, Visual Studio Code: Open Source**: el editor de código ofrece un entorno de desarrollo integrado (IDE) ligero y potente con capacidades avanzadas, como métodos abreviados, terminal, depuración avanzada y herramientas de refactorización. Se trata de una aplicación de Studio basada en navegador y totalmente administrada. Para obtener más información, consulte [Editor de código en Amazon SageMaker Studio](code-editor.md).
+ **Amazon SageMaker Studio Classic**: Amazon SageMaker Studio Classic es un IDE basado en web para el aprendizaje automático. Con Studio Classic puede crear, entrenar, depurar, implementar y supervisar sus modelos de machine learning. Para obtener más información, consulte [Amazon SageMaker Studio Clásico](studio.md).
+ **JupyterLab**— JupyterLab ofrece un conjunto de funciones que amplían la oferta de portátiles totalmente gestionados. Incluye kernels que se inician en cuestión de segundos, un tiempo de ejecución preconfigurado con la ciencia de datos más popular, marcos de trabajo de machine learning y almacenamiento en bloques de alto rendimiento. Para obtener más información, consulte [SageMaker JupyterLab](studio-updated-jl.md).
+ **Amazon SageMaker Canvas**: con SageMaker Canvas, puede utilizar el aprendizaje automático para generar predicciones sin necesidad de escribir código. Con Canvas, puede chatear con modelos de lenguajes extensos populares (LLMs), acceder a ready-to-use modelos o crear un modelo personalizado basado en sus datos. Para obtener más información, consulte [Amazon SageMaker Canvas](canvas.md).
+ **RStudio**— RStudio es un entorno de desarrollo integrado para R. Incluye una consola y un editor de resaltado de sintaxis que permite ejecutar código directamente. También incluye herramientas de trazado, de historial, de depuración y de administración de espacios de trabajo. Para obtener más información, consulte [RStudio en Amazon SageMaker AI](rstudio.md).
# Conecte su IDE remoto a SageMaker espacios con acceso remoto
Puedes conectarte remotamente desde tu IDE remoto a los espacios de Amazon SageMaker Studio. Puede utilizar su configuración IDE local personalizada, incluidas las herramientas de desarrollo asistidas por IA y las extensiones personalizadas, con los recursos informáticos escalables de Amazon SageMaker AI. En esta guía se proporcionan conceptos e instrucciones de configuración para administradores y usuarios.
Una conexión IDE remota establece una conexión segura entre su IDE local y SageMaker los espacios. Esta conexión le permite:
+ **Acceda a los recursos informáticos de SageMaker IA**: ejecute código en una infraestructura de SageMaker IA escalable desde su entorno local
+ **Mantenga los límites de seguridad**: trabaje dentro del mismo marco de seguridad que la SageMaker IA
+ **Mantenga su experiencia de IDE habitual**: utilice extensiones, temas y configuraciones locales compatibles que admitan el desarrollo remoto
**nota**
No todas las extensiones IDE son compatibles con el desarrollo remoto. Las extensiones que requieren componentes de GUI locales, tienen dependencias de arquitectura o necesitan interacciones específicas entre el cliente y el servidor pueden no funcionar correctamente en el entorno remoto. Compruebe que las extensiones requeridas sean compatibles con el desarrollo remoto antes de utilizarlas.
**Topics**
+ [Conceptos clave](#remote-access-key-concepts)
+ [Métodos de conexión](#remote-access-connection-methods)
+ [Compatible IDEs](#remote-access-supported-ides)
+ [Requisitos de la versión IDE](#remote-access-ide-version-requirements)
+ [Requisitos del sistema operativo](#remote-access-os-requirements)
+ [Requisitos previos de la máquina local](#remote-access-local-prerequisites)
+ [Requisitos de imágenes](#remote-access-image-requirements)
+ [Requisitos de instancias](#remote-access-instance-requirements)
+ [Configuración del acceso remoto](remote-access-remote-setup.md)
+ [Configure el IDE remoto](remote-access-local-ide-setup.md)
+ [AWS Regiones compatibles](remote-access-supported-regions.md)
## Conceptos clave
+ **Conexión remota**: un túnel seguro entre su IDE remoto y un SageMaker espacio. Esta conexión permite el desarrollo interactivo y la ejecución de código mediante recursos informáticos de SageMaker IA.
+ [https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-spaces.html](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-spaces.html): un entorno dedicado dentro de Amazon SageMaker Studio en el que puede gestionar el almacenamiento y los recursos de sus aplicaciones de Studio.
+ **Enlace profundo**: botón (URL directa) de la SageMaker interfaz de usuario que inicia una conexión remota con el IDE local.
## Métodos de conexión
Existen tres formas principales de conectar tu IDE remoto a los SageMaker espacios:
+ **Acceso mediante enlaces profundos**: puedes conectarte directamente a un espacio específico mediante el botón de **espacio abierto con** SageMaker inteligencia artificial. Utiliza patrones de URL para establecer una conexión remota y abrir tu SageMaker espacio en tu IDE remoto.
+ [https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/welcome.html](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/welcome.html): puede autenticarse con AWS Toolkit for Visual Studio Code. Esto le permite conectarse a espacios y abrir una ventana conectada remotamente desde su IDE remoto.
+ **Conexión de terminal SSH**: puede conectarse a través de la línea de comandos mediante la configuración de SSH.
## Compatible IDEs
La conexión remota a los espacios de Studio admite:
+ [Visual Studio Code](https://code.visualstudio.com/)
+ [Kiro](https://kiro.dev/)
+ [Cursor](https://cursor.com/home)
## Requisitos de la versión IDE
En la siguiente tabla se enumeran los requisitos de versión mínimos para cada IDE remoto compatible.
| IDE | Versión mínima |
| --- | --- |
| Visual Studio Code | [v1.90 o superior](https://code.visualstudio.com/updates/v1_90). Recomendamos utilizar la [última versión estable.](https://code.visualstudio.com/updates) |
| Kiro | v0.10.78 o superior |
| Cursor | v2.6.18 o superior |
La extensión AWS Toolkit es necesaria para conectar el IDE remoto a los espacios de Studio. Para Kiro y Cursor, se requiere la versión 3.100 o superior de la extensión AWS Toolkit.
## Requisitos del sistema operativo
Para conectarse de forma remota a los espacios de Studio, necesita uno de los siguientes sistemas operativos:
+ macOS 13 o superior
+ Windows 10
+ [El soporte de Windows 10 finaliza el 14 de octubre de 2025](https://support.microsoft.com/en-us/windows/windows-10-support-ends-on-october-14-2025-2ca8b313-1946-43d3-b55c-2b95b107f281)
+ Windows 11
+ Linux
+ Para VS Code, instale el [código VS Code oficial de Microsoft para Linux](https://code.visualstudio.com/docs/setup/linux), no una versión de código abierto
## Requisitos previos de la máquina local
Antes de conectar el IDE remoto a los espacios de Studio, asegúrese de que su máquina local tenga las dependencias y el acceso a la red necesarios.
**importante**
Los entornos con restricciones de instalación de software pueden impedir que los usuarios instalen las dependencias necesarias. Busca AWS Toolkit for Visual Studio Code automáticamente estas dependencias al iniciar conexiones remotas y, si falta alguna, solicitará la instalación. Coordínese con su departamento de TI para asegurarse de que estos componentes estén disponibles.
**Dependencias locales requeridas**
Su máquina local debe tener instalados los siguientes componentes:
+ Extensión **[Remote-SSH: extensión](https://code.visualstudio.com/docs/remote/ssh)** de desarrollo remoto para su IDE (disponible en el mercado de extensiones para VS Code, Kiro y Cursor)
+ **[Complemento de administrador de sesiones](https://docs.aws.amazon.com/systems-manager/latest/userguide/session-manager-working-with-install-plugin.html)**: necesario para una administración segura de las sesiones
+ **Cliente SSH**: componente estándar en la mayoría de las máquinas (se recomienda [OpenSSH para Windows](https://learn.microsoft.com/en-us/windows-server/administration/openssh/openssh_install_firstuse))
+ **Comando CLI IDE**: normalmente se incluye con la instalación del IDE (por ejemplo, `code` para VS Code, `kiro` para Kiro, `cursor` para Cursor)
**Requisitos específicos de la plataforma**
+ **Usuarios de Windows**: se requiere la PowerShell versión 5.1 o posterior para las conexiones de terminales SSH
**Requisitos de conectividad de red**
Su máquina local debe tener acceso de red a los [puntos finales del administrador de sesiones](https://docs.aws.amazon.com/general/latest/gr/ssm.html). Por ejemplo, en EE. UU. Este (Virginia del Norte) (us-east-1) pueden ser:
+ ssm.us-east-1.amazonaws.com
+ ssm.us-east-1.api.aws
+ ssmmessages.us-east-1.amazonaws.com
+ ec2messages.us-east-1.amazonaws.com
## Requisitos de imágenes
**SageMaker Imágenes de distribución**
Cuando utilice SageMaker Distribution con acceso remoto, utilice la versión 2.7 o posterior de [SageMaker Distribution](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-distribution.html).
**Imágenes personalizadas**
Cuando utilice [Bring your own image (BYOI)](studio-updated-byoi.md) el acceso remoto, asegúrese de seguir las [especificaciones de imagen personalizadas](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-byoi-specs.html) y de que estén instaladas las siguientes dependencias:
+ `curl`o `wget` — Necesario para descargar componentes AWS CLI
+ `unzip`— Necesario para extraer los archivos AWS CLI de instalación
+ `tar`— Necesario para la extracción de archivos
+ `gzip`— Necesario para la gestión de archivos comprimidos
## Requisitos de instancias
+ **Memoria**: 8 GB o más
+ **Tipos de instancia**: use instancias con al menos 8 GB de memoria. *No* se admiten los siguientes tipos de instancia por falta de memoria (menos de 8 GB): `ml.t3.medium`, `ml.c7i.large`, `ml.c6i.large`, `ml.c6id.large` y `ml.c5.large`. Para obtener una lista más completa de los tipos de instancia, consulte la página [Precios de las instancias bajo demanda de Amazon EC2](https://aws.amazon.com/ec2/pricing/on-demand/).
**Topics**
+ [Conceptos clave](#remote-access-key-concepts)
+ [Métodos de conexión](#remote-access-connection-methods)
+ [Compatible IDEs](#remote-access-supported-ides)
+ [Requisitos de la versión IDE](#remote-access-ide-version-requirements)
+ [Requisitos del sistema operativo](#remote-access-os-requirements)
+ [Requisitos previos de la máquina local](#remote-access-local-prerequisites)
+ [Requisitos de imágenes](#remote-access-image-requirements)
+ [Requisitos de instancias](#remote-access-instance-requirements)
+ [Configuración del acceso remoto](remote-access-remote-setup.md)
+ [Configure el IDE remoto](remote-access-local-ide-setup.md)
+ [AWS Regiones compatibles](remote-access-supported-regions.md)
# Configuración del acceso remoto
Antes de que los usuarios puedan conectar su IDE remoto a los espacios de Studio, el administrador debe configurar los permisos. En esta sección, se proporcionan instrucciones a los administradores sobre cómo configurar su dominio Amazon SageMaker AI con acceso remoto.
Los distintos métodos de conexión requieren distintos permisos de IAM. Configure los permisos adecuados en función de cómo se conectarán los usuarios. Utilice el siguiente flujo de trabajo junto con los permisos correspondientes al método de conexión.
**importante**
Actualmente, las conexiones IDE remotas se autentican con credenciales de IAM, no con de IAM Identity Center. Esto afecta a los dominios que utilizan el [método de autenticación](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-custom.html#onboard-custom-authentication-details) de IAM Identity Center para que los usuarios accedan al dominio. Si prefiere no utilizar la autenticación de IAM para las conexiones remotas, puede desactivar esta característica con la clave condicional `RemoteAccess` de sus políticas de IAM. Para obtener más información, consulte [Aplicación del acceso remoto](remote-access-remote-setup-abac.md#remote-access-remote-setup-abac-remote-access-enforcement). Al utilizar las credenciales de IAM, las conexiones IDE remotas pueden mantener las sesiones activas incluso después de cerrar sesión en el IAM Identity Center. A veces, estas conexiones IDE remotas pueden persistir hasta 12 horas. Para garantizar la seguridad de su entorno, los administradores deben revisar la configuración de duración de la sesión siempre que sea posible y tener cuidado al utilizar estaciones de trabajo compartidas o redes públicas.
1. Elija uno de los siguientes permisos de método de conexión que se ajuste a los [Métodos de conexión](remote-access.md#remote-access-connection-methods) de sus usuarios.
1. [Cree una política de IAM personalizada](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html) basada en el permiso del método de conexión.
**Topics**
+ [Paso 1: configuración de la seguridad y los permisos](#remote-access-remote-setup-permissions)
+ [Paso 2: activación del acceso remoto en su espacio](#remote-access-remote-setup-enable)
+ [Control de acceso avanzado](remote-access-remote-setup-abac.md)
+ [Configuración de Studio para que se ejecute con subredes sin acceso a Internet dentro de una VPC](remote-access-remote-setup-vpc-subnets-without-internet-access.md)
+ [Configura el filtrado automático del espacio de Studio cuando utilices el AWS kit de herramientas](remote-access-remote-setup-filter.md)
## Paso 1: configuración de la seguridad y los permisos
**Topics**
+ [Método 1: permisos de enlace profundo](#remote-access-remote-setup-method-1-deep-link-permissions)
+ [Método 2: permisos del AWS kit de herramientas](#remote-access-remote-setup-method-2-aws-toolkit-permissions)
+ [Método 3: permisos de terminal SSH](#remote-access-remote-setup-method-3-ssh-terminal-permissions)
**importante**
El uso de permisos amplios`sagemaker:StartSession`, especialmente con un recurso comodín, `*` crea el riesgo de que cualquier usuario con este permiso pueda iniciar una sesión en cualquier aplicación de SageMaker Space de la cuenta. Esto puede provocar que los científicos de datos accedan involuntariamente a los espacios de otros usuarios SageMaker . En el caso de los entornos de producción, debes limitar estos permisos a un espacio específico ARNs para aplicar el principio del privilegio mínimo. Consulte algunos ejemplos [Control de acceso avanzado](remote-access-remote-setup-abac.md) de políticas de permisos más detalladas que utilizan restricciones basadas en recursos ARNs, etiquetas y redes.
### Método 1: permisos de enlace profundo
Para los usuarios que se conecten a través de enlaces directos desde la SageMaker interfaz de usuario, utilice el siguiente permiso y adjúntelo a su [función de ejecución de SageMaker AI Space](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role-space) o de [ejecución de dominio](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role). Si el rol de ejecución del espacio no está configurado, se utiliza el rol de ejecución del dominio de forma predeterminada.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "RestrictStartSessionOnSpacesToUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:StartSession"
],
"Resource": "arn:*:sagemaker:*:*:space/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:ResourceTag/sagemaker:user-profile-arn": "arn:aws:sagemaker:*:*:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
}
}
}
]
}
```
------
### Método 2: permisos del AWS kit de herramientas
Para los usuarios que se conectan a través de la AWS Toolkit for Visual Studio Code extensión, adjunte la siguiente política a una de las siguientes opciones:
+ Para la autenticación de IAM, asocie esta política al rol o usuario de IAM.
+ Para la autenticación de IdC, asocie esta política a los [conjuntos de permisos](https://docs.aws.amazon.com/singlesignon/latest/userguide/permissionsetsconcept.html) administrados por el IdC.
Para mostrar solo los espacios relevantes para el usuario autenticado, consulte[Información general sobre el filtrado](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-overview).
**importante**
La siguiente política, que utiliza `*` como restricción de recursos, solo se recomienda para realizar pruebas rápidas. En el caso de los entornos de producción, debe limitar estos permisos a un espacio específico ARNs para aplicar el principio del privilegio mínimo. Consulte algunos ejemplos [Control de acceso avanzado](remote-access-remote-setup-abac.md) de políticas de permisos más detalladas que utilizan restricciones basadas en recursos ARNs, etiquetas y redes.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:ListSpaces",
"sagemaker:DescribeSpace",
"sagemaker:ListApps",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:UpdateSpace",
"sagemaker:CreateApp",
"sagemaker:DeleteApp",
"sagemaker:AddTags"
],
"Resource": "*"
},
{
"Sid": "AllowStartSessionOnSpaces",
"Effect": "Allow",
"Action": "sagemaker:StartSession",
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-1",
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-2"
]
}
]
}
```
------
### Método 3: permisos de terminal SSH
En el caso de las conexiones de terminales SSH, se `StartSession` invoca a la API mediante el siguiente script de comandos del proxy SSH, con las credenciales locales. AWS Consulte [Configurar la AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html) para obtener información e instrucciones sobre cómo configurar las credenciales locales AWS del usuario. Para utilizar estos permisos:
1. Asocie esta política al rol o usuario de IAM asociado a las credenciales de AWS locales.
1. Si utiliza un perfil de credenciales con nombre, modifique el comando proxy en su configuración de SSH:
```
ProxyCommand '/home/user/sagemaker_connect.sh' '%h' YOUR_CREDENTIAL_PROFILE_NAME
```
**nota**
La política debe adjuntarse a la identidad de IAM (usuario/rol) utilizada en la configuración de AWS credenciales locales, no a la función de ejecución del dominio de Amazon SageMaker AI.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowStartSessionOnSpecificSpaces",
"Effect": "Allow",
"Action": "sagemaker:StartSession",
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-1",
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name-2"
]
}
]
}
```
------
Tras la configuración, los usuarios pueden ejecutar `ssh my_studio_space_abc` para iniciar el espacio. Para obtener más información, consulte [Método 3: conectarse desde el terminal a través de la CLI de SSH](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-3-connect-from-the-terminal-via-ssh-cli).
## Paso 2: activación del acceso remoto en su espacio
Tras configurar los permisos, debes activar el **acceso remoto** e iniciar tu espacio en Studio para que el usuario pueda conectarse mediante su IDE remoto. Solo tiene que configurarlo una vez.
**nota**
Si sus usuarios se conectan mediante este paso[Método 2: permisos del AWS kit de herramientas](#remote-access-remote-setup-method-2-aws-toolkit-permissions), no es necesario que realice este paso. AWS Toolkit for Visual Studio los usuarios pueden habilitar el acceso remoto desde el kit de herramientas.
**Activación del acceso remoto en su espacio de Studio**
1. [Abre Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html#studio-updated-launch-console).
1. Abra la interfaz de usuario de Studio.
1. Vaya a su espacio.
1. En los detalles del espacio, active **Acceso remoto**.
1. Seleccione **Ejecutar espacio**.
# Control de acceso avanzado
Amazon SageMaker AI admite el [control de acceso basado en atributos (ABAC)](https://docs.aws.amazon.com/IAM/latest/UserGuide/introduction_attribute-based-access-control.html) para lograr un control de acceso detallado para las conexiones IDE remotas mediante políticas ABAC. Los siguientes son ejemplos de políticas de ABAC para conexiones IDE remotas.
**Topics**
+ [Aplicación del acceso remoto](#remote-access-remote-setup-abac-remote-access-enforcement)
+ [Control de acceso basado en etiquetas](#remote-access-remote-setup-abac-tag-based-access-control)
## Aplicación del acceso remoto
Controle el acceso a los recursos con la clave de condición `sagemaker:RemoteAccess`. Esto es compatible con `CreateSpace` y. `UpdateSpace` APIs El siguiente ejemplo utiliza `CreateSpace`.
Puede garantizar que los usuarios no puedan crear espacios con el acceso remoto activado. Esto ayuda a mantener la seguridad pues se establece una configuración de acceso más restringida de forma predeterminada. Con la siguiente política, los usuarios pueden:
+ Crear nuevos espacios de Studio en los que el acceso remoto está deshabilitado de forma explícita.
+ Crear nuevos espacios de Studio sin especificar ninguna configuración de acceso remoto.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "DenyCreateSpaceRemoteAccessEnabled",
"Effect": "Deny",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace"
],
"Resource": "arn:aws:sagemaker:*:*:space/*",
"Condition": {
"StringEquals": {
"sagemaker:RemoteAccess": [
"ENABLED"
]
}
}
},
{
"Sid": "AllowCreateSpace",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace"
],
"Resource": "arn:aws:sagemaker:*:*:space/*"
}
]
}
```
------
## Control de acceso basado en etiquetas
Implemente un control de acceso [basado en etiquetas](https://docs.aws.amazon.com/whitepapers/latest/tagging-best-practices/what-are-tags.html) para restringir las conexiones en función de los recursos y las etiquetas de entidad principal.
Puede asegurarse de que los usuarios solo puedan acceder a los recursos adecuados según su rol y las asignaciones de proyectos. Puede utilizar la siguiente política para:
+ Permita que los usuarios se conecten solo a los espacios que coincidan con el equipo, entorno y centro de costos asignados.
+ Implementar el control de acceso detallado basado en la estructura organizativa.
En el siguiente ejemplo, el espacio se etiqueta con lo siguiente:
```
{ "Team": "ML", "Environment": "Production", "CostCenter": "12345" }
```
Puede tener un rol que contenga la siguiente política para hacer coincidir las etiquetas de recursos y entidad principal:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "RestrictStartSessionOnTaggedSpacesInDomain",
"Effect": "Allow",
"Action": [
"sagemaker:StartSession"
],
"Resource": [
"arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/*"
],
"Condition": {
"StringEquals": {
"aws:ResourceTag/Team": "${aws:PrincipalTag/Team}",
"aws:ResourceTag/Environment": "${aws:PrincipalTag/Environment}",
"aws:ResourceTag/CostCenter": "${aws:PrincipalTag/CostCenter}",
"aws:ResourceTag/IDC_UserName": "${aws:PrincipalTag/IDC_UserName}"
}
}
}
]
}
```
------
Cuando las etiquetas del rol coinciden, el usuario tiene permiso para iniciar la sesión y conectarse de forma remota a su espacio. Para obtener más información, consulte [Control de acceso a los recursos de AWS mediante etiquetas](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_tags.html).
# Configuración de Studio para que se ejecute con subredes sin acceso a Internet dentro de una VPC
Esta guía le muestra cómo conectarse a los espacios de Amazon SageMaker Studio desde su IDE remoto cuando su dominio de Amazon SageMaker AI se ejecuta en subredes privadas sin acceso a Internet. También se enumeran los requisitos de conectividad y las opciones de configuración para establecer conexiones remotas seguras en entornos de red aislados.
Puede configurar Amazon SageMaker Studio para que se ejecute solo en modo VPC con subredes sin acceso a Internet. Esta configuración mejora la seguridad de sus cargas de trabajo de machine learning al operar en un entorno de red aislado en el que todo el tráfico fluye a través de la VPC. Para habilitar las comunicaciones externas y, al mismo tiempo, mantener la seguridad, utilice los puntos finales de la VPC para los AWS servicios y configure la PrivateLink VPC para las dependencias necesarias. AWS
**Soporte IDE para conexiones de subredes privadas**
La siguiente tabla muestra los métodos de conexión compatibles con cada IDE remoto cuando se conecta a espacios de Studio en subredes privadas sin acceso a Internet.
| Método de conexión | VS Code | Kiro | Cursor |
| --- | --- | --- | --- |
| Compatibilidad con proxy HTTP | Soportado | compatible | No compatible |
| Servidor remoto y extensiones preempaquetados | compatible | No admitido | No admitido |
**importante**
El cursor no es compatible para conectarse a espacios de Studio en subredes privadas sin acceso saliente a Internet.
**Topics**
+ [Requisitos de red del acceso remoto a Studio](#remote-access-remote-setup-vpc-subnets-without-internet-access-network-requirements)
+ [Configuración de la red de acceso remoto de Studio](#remote-access-remote-setup-vpc-subnets-without-internet-access-setup)
## Requisitos de red del acceso remoto a Studio
**Limitaciones del modo VPC**: Studio en el modo VPC solo admite subredes privadas. Studio no funciona con las subredes conectadas directamente a una puerta de enlace de Internet. Las conexiones IDE remotas comparten las mismas limitaciones que la IA. SageMaker Para obtener más información, consulte [Conexión de cuadernos de Studio en una VPC a recursos externos](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-and-internet-access.html).
### Requisitos de VPC PrivateLink
Cuando la SageMaker IA se ejecute en subredes privadas, configure estos puntos de enlace de VPC de SSM además de los puntos de enlace de VPC estándar necesarios para ello. SageMaker Para obtener más información, consulte [Conexión de Studio a través de un punto de conexión de VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-interface-endpoint.html).
+ `com.amazonaws.REGION.ssm`
+ `com.amazonaws.REGION.ssmmessages`
**Recomendaciones de políticas de puntos finales de VPC**
Las siguientes son las políticas de puntos finales de VPC recomendadas que permiten realizar las acciones necesarias para el acceso remoto y, al mismo tiempo, utilizan la `aws:PrincipalIsAWSService` condición para garantizar que solo AWS servicios como Amazon SageMaker AI puedan realizar las llamadas. Para obtener más información sobre la clave de `aws:PrincipalIsAWSService` condición, consulta [la documentación](https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_condition-keys.html#condition-keys-principalisawsservice).
**Política de puntos finales de SSM**
Utilice la siguiente política para el `com.amazonaws.REGION.ssm` punto final:
```
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": "*",
"Action": [
"ssm:CreateActivation",
"ssm:RegisterManagedInstance",
"ssm:DeleteActivation",
"ssm:DeregisterManagedInstance",
"ssm:AddTagsToResource",
"ssm:UpdateInstanceInformation",
"ssm:UpdateInstanceAssociationStatus",
"ssm:DescribeInstanceInformation",
"ssm:ListInstanceAssociations",
"ssm:ListAssociations",
"ssm:GetDocument",
"ssm:PutInventory"
],
"Resource": "*",
"Condition": {
"BoolIfExists": {
"aws:PrincipalIsAWSService": "true"
}
}
}
]
}
```
**Política de puntos finales de SSM Messages**
Utilice la siguiente política para el `com.amazonaws.REGION.ssmmessages` punto final:
```
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": "*",
"Action": [
"ssmmessages:CreateControlChannel",
"ssmmessages:CreateDataChannel",
"ssmmessages:OpenControlChannel",
"ssmmessages:OpenDataChannel"
],
"Resource": "*",
"Condition": {
"BoolIfExists": {
"aws:PrincipalIsAWSService": "true"
}
}
}
]
}
```
**Requisitos de red específicos de Visual Studio Code**
La conexión remota de Visual Studio Code requiere el desarrollo remoto de Visual Studio Code, que requiere un acceso de red específico para instalar el servidor remoto y las extensiones. Consulte las [preguntas frecuentes sobre el desarrollo remoto](https://code.visualstudio.com/docs/remote/faq) en la documentación de Visual Studio Code para ver todos los requisitos de red. A continuación se proporciona un resumen de los requisitos:
+ Se debe acceder a los puntos de conexión del servidor de Visual Studio Code de Microsoft para instalar y actualizar el servidor remoto de Visual Studio Code.
+ Se requiere acceso a Visual Studio Marketplace y a los puntos de conexión de CDN relacionados para instalar las extensiones de Visual Studio Code a través del panel de extensiones (como alternativa, las extensiones se pueden instalar manualmente con archivos VSIX sin conexión a Internet).
+ Es posible que algunas extensiones requieran acceso a puntos de conexión adicionales para descargar las dependencias específicas. Consulte la documentación de la extensión para ver los requisitos de conectividad específicos.
**Requisitos de red específicos de Kiro**
La conexión remota de Kiro requiere el desarrollo remoto de Kiro, que necesita un acceso a la red específico para instalar el servidor remoto y las extensiones. Para obtener información sobre la configuración del firewall y el servidor proxy, consulte Configuración del firewall de [Kiro.](https://kiro.dev/docs/privacy-and-security/firewalls/) Los requisitos son similares a los de VS Code:
+ Es necesario acceder a los puntos finales del servidor Kiro para instalar y actualizar el servidor remoto Kiro.
+ Para instalar las extensiones de Kiro a través del panel de extensiones, es necesario acceder al mercado de extensiones y a los puntos finales de CDN relacionados.
+ Es posible que algunas extensiones requieran acceso a puntos de conexión adicionales para descargar las dependencias específicas. Consulte la documentación de la extensión para ver los requisitos de conectividad específicos.
## Configuración de la red de acceso remoto de Studio
Dispone de las siguientes opciones para conectar su IDE remoto a los espacios de Studio en subredes privadas:
+ Proxy HTTP (compatible con VS Code y Kiro)
+ Servidor remoto y extensiones preempaquetados (solo VS Code)
### Configuración del proxy HTTP con una lista de permisos controlada
Cuando tu espacio de Studio esté protegido por un firewall o un proxy, permite el acceso a tu servidor IDE y a los puntos finales y relacionados con las extensiones CDNs .
1. Configure una subred pública para ejecutar el proxy HTTP (como Squid), donde podrá configurar los sitios web que quiere permitir. Asegúrate de que los espacios puedan acceder al proxy HTTP. SageMaker
1. La subred pública puede estar en la misma VPC que usa el estudio o en una VPC independiente emparejada con todos los VPCs dominios de Amazon AI. SageMaker
### Configure un servidor remoto y extensiones preempaquetados (solo en VS Code)
**nota**
Esta opción solo está disponible para Visual Studio Code. Kiro y Cursor no admiten la configuración de servidor remoto preconfigurada.
Si sus espacios de Studio no pueden acceder a puntos de conexión externos para descargar el servidor remoto y las extensiones de Visual Studio Code, puede preempaquetarlos. Con este enfoque, se exporta un archivo tarball que contiene el directorio `.VS Code-server` de una versión específica de Visual Studio Code. A continuación, se utiliza un script de configuración del ciclo de vida de la SageMaker IA (LCC) para copiar y extraer el archivo tar en el directorio principal (`/home/sagemaker-user`) de los espacios de Studio. Esta solución basada en LCC funciona tanto AWS con imágenes personalizadas como proporcionadas por usted. Incluso si no utiliza subredes privadas, este enfoque acelera la configuración del servidor remoto de Visual Studio Code y las extensiones preinstaladas.
**Instrucciones para preempaquetar su servidor remoto de Visual Studio Code y las extensiones**
1. Instale Visual Studio Code en su equipo local.
1. Lance un contenedor de Docker basado en Linux (x64) con SSH habilitado, ya sea localmente o a través de un espacio de Studio con acceso a Internet. Para simplificar, recomendamos utilizar un espacio de Studio temporal con acceso remoto y acceso a Internet.
1. Conecte el Visual Studio Code instalado al contenedor de Docker local mediante SSH remoto o conéctese al espacio de Studio a través de la característica de Visual Studio Code remota de Studio. Visual Studio Code instala el servidor remoto en `.VS Code-server` en el directorio principal del contenedor remoto durante la conexión. Para obtener más información, consulte [Ejemplo de uso de Dockerfile para preempaquetar el servidor remoto y las extensiones de Visual Studio Code](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-dockerfile).
1. Después de conectarse de forma remota, asegúrese de usar el perfil predeterminado de Visual Studio Code.
1. Instale las extensiones de Visual Studio Code requeridas y valide su funcionalidad. Por ejemplo, cree y ejecute un cuaderno para instalar las extensiones relacionadas con el cuaderno de Jupyter en el servidor remoto de Visual Studio Code.
Asegúrese de [instalar la AWS Toolkit for Visual Studio Code extensión](https://docs.aws.amazon.com/toolkit-for-visual-studio/latest/user-guide/setup.html) después de conectarse al contenedor remoto.
1. Archive el directorio `$HOME/.VS Code-server` (por ejemplo, `VS Code-server-with-extensions-for-1.100.2.tar.gz`) en el contenedor de Docker local o en la terminal del espacio de Studio conectado de forma remota.
1. Cargue el archivo tarball en Amazon S3.
1. Cree un [script de LCC](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lifecycle-configurations.html) ([Ejemplo de script LCC (LCC-install-VS C ode-server-v 1.100.2)](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-lcc)) que:
+ descargue el archivo específico de Amazon S3,
+ lo extraiga en el directorio principal cuando se abra un espacio de Studio en una subred privada.
1. (Opcional) Amplíe el script de LCC para admitir los archivos tarball del servidor de Visual Studio Code por usuario almacenados en carpetas de Amazon S3 específicas del usuario.
1. (Opcional) Mantenga scripts de LCC específicos para cada versión ([Ejemplo de script LCC (LCC-install-VS C ode-server-v 1.100.2)](remote-access-local-ide-setup-vpc-no-internet.md#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions-example-lcc)) que pueda asociar a sus espacios. De este modo, garantizará la compatibilidad entre su cliente local de Visual Studio Code y el servidor remoto.
# Configura el filtrado automático del espacio de Studio cuando utilices el AWS kit de herramientas
Los usuarios pueden filtrar los espacios en el AWS Toolkit for Visual Studio Code explorador para mostrar solo los espacios relevantes. En esta sección se proporciona información sobre el filtrado y cómo configurar el filtrado automático.
Esta configuración solo se aplica cuando se utiliza el [Método 2: AWS kit de herramientas en el IDE remoto](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code) método para conectarse desde su IDE remoto a los espacios de Amazon SageMaker Studio. Para obtener más información, consulte [Configuración del acceso remoto](remote-access-remote-setup.md).
**Topics**
+ [Información general sobre el filtrado](#remote-access-remote-setup-filter-overview)
+ [Configuración sobre la conexión con credenciales de IAM](#remote-access-remote-setup-filter-set-up-iam-credentials)
## Información general sobre el filtrado
**El filtrado manual** permite a los usuarios seleccionar manualmente los perfiles de usuario para los que mostrar los espacios a través de la interfaz del AWS kit de herramientas. Este método funciona para todos los tipos de autenticación y tiene prioridad sobre el filtrado automático. Para filtrar manualmente, consulte [Filtrado manual](remote-access-local-ide-setup-filter.md#remote-access-local-ide-setup-filter-manual).
El **filtrado automatizado** muestra automáticamente solo los espacios pertinentes para el usuario autenticado. Este comportamiento de filtrado depende del método de autenticación durante el inicio de sesión. Consulte cómo [conectarse AWS desde el kit de herramientas](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html#connect-to-aws) en la Guía del usuario de Toolkit for VS Code para obtener más información. A continuación, se enumeran las opciones de inicio de sesión.
+ **Autenticación y conexión mediante el inicio de sesión único (SSO)**: el filtrado automático funciona de forma predeterminada.
+ **Autenticación y conexión con las credenciales de IAM**: el filtrado automático **requiere que el administrador configure** las siguientes credenciales de IAM. Sin esta configuración, AWS Toolkit no puede identificar qué espacios pertenecen al usuario, por lo que todos los espacios se muestran de forma predeterminada.
+ **Uso de credenciales de usuario de IAM**
+ **Uso de credenciales de sesión con un rol de IAM asumido**
## Configuración sobre la conexión con credenciales de IAM
**Si se usan credenciales de usuario de IAM**
El Kit de herramientas de Visual Studio Code puede hacer coincidir los espacios que pertenecen a los perfiles de usuario que comienzan con el nombre de usuario de IAM autenticado o el nombre de sesión del rol asumido. Para configurarlo:
**nota**
Los administradores deben configurar los nombres de los perfiles de usuario de Studio para que sigan esta convención de nomenclatura para que el filtrado automático funcione correctamente.
+ Los administradores deben asegurarse de que los nombres de los perfiles de usuario de Studio sigan la convención de nomenclatura:
+ Para los usuarios de IAM: prefijo con `IAM-user-name-`
+ Para roles asumidos: prefijo con `assumed-role-session-name-`
+ `aws sts get-caller-identity` devuelve la información de identidad utilizada para la coincidencia.
+ Los espacios que pertenezcan a los perfiles de usuario coincidentes se filtrarán automáticamente en el Kit de herramientas de Visual Studio Code.
**Al utilizar credenciales de sesión con roles de IAM asumidos** Además de la configuración que se indica anteriormente al usar las credenciales de usuario de IAM, deberá asegurarse de que la sesión ARNs incluya identificadores de usuario como prefijos que coincidan. Puede configurar políticas de confianza que garanticen que la sesión ARNs incluya identificadores de usuario como prefijos. [Cree una política de confianza](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_create.html) y asóciela al rol asumido que se utiliza para la autenticación.
Esta configuración no es necesaria para las credenciales de usuario de IAM directas ni para la autenticación de IdC.
**Configurar una política de confianza para un ejemplo de credenciales de sesión de rol de IAM**: cree una política de confianza que obligue a las sesiones de rol a incluir el nombre de usuario de IAM. A continuación se muestra un ejemplo de política:
```
{
"Statement": [
{
"Sid": "RoleTrustPolicyRequireUsernameForSessionName",
"Effect": "Allow",
"Action": "sts:AssumeRole",
"Principal": {"AWS": "arn:aws:iam::ACCOUNT:root"},
"Condition": {
"StringLike": {"sts:RoleSessionName": "${aws:username}"}
}
}
]
}
```
# Configure el IDE remoto
Una vez que los administradores completen las instrucciones[Conecte su IDE remoto a SageMaker espacios con acceso remoto](remote-access.md), podrá conectar su IDE remoto a sus SageMaker espacios remotos.
**Topics**
+ [Configuración del entorno local](#remote-access-local-ide-setup-local-environment)
+ [Conéctese a su IDE remoto](#remote-access-local-ide-setup-local-vs-code)
+ [Conexión a una VPC con subredes sin acceso a Internet](remote-access-local-ide-setup-vpc-no-internet.md)
+ [Filtración de los espacios de Studio](remote-access-local-ide-setup-filter.md)
## Configuración del entorno local
Instale el IDE remoto que prefiera en su máquina local:
+ [Visual Studio Code](https://code.visualstudio.com/)
+ [Kiro](https://kiro.dev/)
+ [Cursor](https://cursor.com/home)
Para obtener información sobre los requisitos de la versión, consulte[Requisitos de la versión IDE](remote-access.md#remote-access-ide-version-requirements).
## Conéctese a su IDE remoto
Antes de que pueda establecer una conexión desde su IDE remoto a sus SageMaker espacios remotos, su administrador debe hacerlo[Configuración del acceso remoto](remote-access-remote-setup.md). El administrador configura un método específico para que usted pueda establecer una conexión. Elija el método que se ha configurado para usted.
**Topics**
+ [Método 1: enlace profundo desde la interfaz de usuario de Studio](#remote-access-local-ide-setup-local-vs-code-method-1-deep-link-from-studio-ui)
+ [Método 2: AWS kit de herramientas en el IDE remoto](#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code)
+ [Método 3: conectarse desde el terminal a través de la CLI de SSH](#remote-access-local-ide-setup-local-vs-code-method-3-connect-from-the-terminal-via-ssh-cli)
### Método 1: enlace profundo desde la interfaz de usuario de Studio
Use el siguiente procedimiento para establecer una conexión mediante un enlace profundo.
1. [Abre Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html#studio-updated-launch-console).
1. En la interfaz de usuario de Studio, vaya a su espacio.
1. Selecciona el botón **Abrir en VS Code**, **Abrir en Kiro o** **Abrir en el cursor** para el IDE que prefieras. Asegúrese de que su IDE preferido ya esté instalado en su ordenador local.
1. Cuando se le solicite, confirme que desea abrir el IDE. El IDE se abre con otra ventana emergente para confirmarlo. Una vez completada, se establece la conexión remota.
### Método 2: AWS kit de herramientas en el IDE remoto
Use el siguiente procedimiento para establecer una conexión mediante el AWS Toolkit for Visual Studio Code. Este método está disponible para VS Code, Kiro y Cursor.
1. Abre tu IDE remoto (VS Code, Kiro o Cursor).
1. Abre la extensión AWS Toolkit.
1. [Conéctese a AWS](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html).
1. En el AWS Explorador, expande **SageMaker AI** y, a continuación, expande **Studio**.
1. Busque su espacio de Studio.
1. Elija el icono **Conectar** situado junto a su espacio para iniciarlo.
**nota**
Detenga y reinicie el espacio del Kit de herramientas para Visual Studio para habilitar el acceso remoto, si todavía no está conectado.
Si el espacio no utiliza un [tamaño de instancia](https://docs.aws.amazon.com/sagemaker/latest/dg/remote-access.html#remote-access-instance-requirements) compatible, se le pedirá que cambie la instancia.
### Método 3: conectarse desde el terminal a través de la CLI de SSH
Elija una de las siguientes opciones de plataforma para ver el procedimiento para establecer una conexión mediante la CLI de SSH.
**nota**
Asegúrese de tener [Requisitos previos de la máquina local](remote-access.md#remote-access-local-prerequisites) instaladas las versiones más recientes antes de seguir las instrucciones que aparecen a continuación.
Si es así[Bring your own image (BYOI)](studio-updated-byoi.md), asegúrese de haber instalado las dependencias necesarias que se enumeran en [Requisitos de imágenes](remote-access.md#remote-access-image-requirements) antes de continuar
------
#### [ Linux/macOS ]
Cree un script de intérprete de comandos (por ejemplo, `/home/user/sagemaker_connect.sh`):
```
#!/bin/bash
# Disable the -x option if printing each command is not needed.
set -exuo pipefail
SPACE_ARN="$1"
AWS_PROFILE="${2:-}"
# Validate ARN and extract region
if [[ "$SPACE_ARN" =~ ^arn:aws[-a-z]*:sagemaker:([a-z0-9-]+):[0-9]{12}:space\/[^\/]+\/[^\/]+$ ]]; then
AWS_REGION="${BASH_REMATCH[1]}"
else
echo "Error: Invalid SageMaker Studio Space ARN format."
exit 1
fi
# Optional profile flag
PROFILE_ARG=()
if [[ -n "$AWS_PROFILE" ]]; then
PROFILE_ARG=(--profile "$AWS_PROFILE")
fi
# Start session
START_SESSION_JSON=$(aws sagemaker start-session \
--resource-identifier "$SPACE_ARN" \
--region "${AWS_REGION}" \
"${PROFILE_ARG[@]}")
# Extract fields using grep and sed
SESSION_ID=$(echo "$START_SESSION_JSON" | grep -o '"SessionId": "[^"]*"' | sed 's/.*: "//;s/"$//')
STREAM_URL=$(echo "$START_SESSION_JSON" | grep -o '"StreamUrl": "[^"]*"' | sed 's/.*: "//;s/"$//')
TOKEN=$(echo "$START_SESSION_JSON" | grep -o '"TokenValue": "[^"]*"' | sed 's/.*: "//;s/"$//')
# Validate extracted values
if [[ -z "$SESSION_ID" || -z "$STREAM_URL" || -z "$TOKEN" ]]; then
echo "Error: Failed to extract session information from sagemaker start session response."
exit 1
fi
# Call session-manager-plugin
session-manager-plugin \
"{\"streamUrl\":\"$STREAM_URL\",\"tokenValue\":\"$TOKEN\",\"sessionId\":\"$SESSION_ID\"}" \
"$AWS_REGION" "StartSession"
```
1. Haga que el script sea ejecutable.
```
chmod +x /home/user/sagemaker_connect.sh
```
1. Configure `$HOME/.ssh/config` para agregar la siguiente entrada:
```
Host space-name
HostName 'arn:PARTITION:sagemaker:us-east-1:111122223333:space/domain-id/space-name'
ProxyCommand '/home/user/sagemaker_connect.sh' '%h'
ForwardAgent yes
AddKeysToAgent yes
StrictHostKeyChecking accept-new
```
Por ejemplo, el valor `PARTITION` puede ser `aws`.
Si necesita usar un [perfil de AWS credenciales con nombre](https://docs.aws.amazon.com/cli/v1/userguide/cli-configure-files.html#cli-configure-files-using-profiles), cambie el comando proxy de la siguiente manera:
```
ProxyCommand '/home/user/sagemaker_connect.sh' '%h' YOUR_CREDENTIAL_PROFILE_NAME
```
+ Conéctese a través de SSH o ejecute el comando SCP:
```
ssh space-name
scp file_abc space-name:/tmp/
```
------
#### [ Windows ]
**Requisitos previos para Windows:**
+ PowerShell 5.1 o posterior
+ Cliente SSH (se recomienda OpenSSH)
Cree un PowerShell script (por ejemplo,): `C:\Users\user-name\sagemaker_connect.ps1`
```
# sagemaker_connect.ps1
param(
[Parameter(Mandatory=$true)]
[string]$SpaceArn,
[Parameter(Mandatory=$false)]
[string]$AwsProfile = ""
)
# Enable error handling
$ErrorActionPreference = "Stop"
# Validate ARN and extract region
if ($SpaceArn -match "^arn:aws[-a-z]*:sagemaker:([a-z0-9-]+):[0-9]{12}:space\/[^\/]+\/[^\/]+$") {
$AwsRegion = $Matches[1]
} else {
Write-Error "Error: Invalid SageMaker Studio Space ARN format."
exit 1
}
# Build AWS CLI command
$awsCommand = @("sagemaker", "start-session", "--resource-identifier", $SpaceArn, "--region", $AwsRegion)
if ($AwsProfile) {
$awsCommand += @("--profile", $AwsProfile)
}
try {
# Start session and capture output
Write-Host "Starting SageMaker session..." -ForegroundColor Green
$startSessionOutput = & aws @awsCommand
# Try to parse JSON response
try {
$sessionData = $startSessionOutput | ConvertFrom-Json
} catch {
Write-Error "Failed to parse JSON response: $_"
Write-Host "Raw response was:" -ForegroundColor Yellow
Write-Host $startSessionOutput
exit 1
}
$sessionId = $sessionData.SessionId
$streamUrl = $sessionData.StreamUrl
$token = $sessionData.TokenValue
# Validate extracted values
if (-not $sessionId -or -not $streamUrl -or -not $token) {
Write-Error "Error: Failed to extract session information from sagemaker start session response."
Write-Host "Parsed response was:" -ForegroundColor Yellow
Write-Host ($sessionData | ConvertTo-Json)
exit 1
}
Write-Host "Session started successfully. Connecting..." -ForegroundColor Green
# Create session manager plugin command
$sessionJson = @{
streamUrl = $streamUrl
tokenValue = $token
sessionId = $sessionId
} | ConvertTo-Json -Compress
# Escape the JSON string
$escapedJson = $sessionJson -replace '"', '\"'
# Call session-manager-plugin
& session-manager-plugin "$escapedJson" $AwsRegion "StartSession"
} catch {
Write-Error "Failed to start session: $_"
exit 1
}
```
+ Configure `C:\Users\user-name\.ssh\config` para agregar la siguiente entrada:
```
Host space-name
HostName "arn:aws:sagemaker:us-east-1:111122223333:space/domain-id/space-name"
ProxyCommand "C:\WINDOWS\System32\WindowsPowerShell\v1.0\powershell.exe" -ExecutionPolicy RemoteSigned -File "C:\\Users\\user-name\\sagemaker_connect.ps1" "%h"
ForwardAgent yes
AddKeysToAgent yes
User sagemaker-user
StrictHostKeyChecking accept-new
```
------
# Conexión a una VPC con subredes sin acceso a Internet
Antes de conectar su IDE remoto a espacios de Studio en subredes privadas sin acceso a Internet, asegúrese de que su administrador lo haya hecho[Configuración de Studio para que se ejecute con subredes sin acceso a Internet dentro de una VPC](remote-access-remote-setup-vpc-subnets-without-internet-access.md).
Dispones de las siguientes opciones para conectar tu IDE remoto a los espacios de Studio en subredes privadas:
+ Configura el proxy HTTP (compatible con VS Code y Kiro)
+ Servidor remoto y extensiones preempaquetados (solo VS Code)
**importante**
El cursor no es compatible para conectarse a espacios de Studio en subredes privadas sin acceso saliente a Internet.
**Topics**
+ [Proxy HTTP con una lista de permisos controlada](#remote-access-local-ide-setup-vpc-no-internet-http-proxy-with-controlled-allow-listing)
+ [Servidor remoto y extensiones preempaquetados (solo VS Code)](#remote-access-local-ide-setup-vpc-no-internet-pre-packaged-vs-code-remote-server-and-extensions)
## Proxy HTTP con una lista de permisos controlada
Cuando tu espacio de Studio esté protegido por un firewall o un proxy, pídele al administrador que te permita acceder al servidor IDE y a los puntos finales y relacionados con las extensiones. CDNs Para obtener más información, consulte [Configuración del proxy HTTP con una lista de permisos controlada](remote-access-remote-setup-vpc-subnets-without-internet-access.md#remote-access-remote-setup-vpc-subnets-without-internet-access-setup-http-proxy-with-controlled-allow-listing).
------
#### [ VS Code ]
Configure el proxy HTTP para el desarrollo remoto de VS Code proporcionando la URL del proxy con la `remote.SSH.httpProxy` configuración o. `remote.SSH.httpsProxy`
**nota**
Considere habilitar «Remote.ssh: Use Curl and Wget Configuration Files» para usar la configuración del entorno y los archivos remotos. `curlrc` `wgetrc` Esto es para que los `wgetrc` archivos `curlrc` y, colocados en sus respectivas ubicaciones predeterminadas en el SageMaker espacio, puedan usarse para habilitar ciertos casos.
------
#### [ Kiro ]
Configure el proxy HTTP para el desarrollo remoto de Kiro configurando la `aws.sagemaker.ssh.kiro.httpsProxy` configuración en su punto final de proxy HTTP o HTTPS.
Si utiliza servidores MCP (Model Context Protocol) en Kiro, también necesitará añadir las variables de entorno del proxy a la configuración de su servidor MCP:
```
"env": {
"http_proxy": "${http_proxy}",
"https_proxy": "${https_proxy}"
}
```
------
Esta opción funciona cuando se le permite configurar un proxy HTTP e instalar extensiones adicionales de forma flexible, ya que algunas extensiones requieren un punto de conexión público.
## Servidor remoto y extensiones preempaquetados (solo VS Code)
**nota**
Esta opción solo está disponible para Visual Studio Code. Kiro y Cursor no admiten la configuración de servidor remoto preconfigurada.
Si sus espacios de Studio no pueden acceder a puntos de conexión externos para descargar el servidor remoto y las extensiones de Visual Studio Code, puede preempaquetarlos. Con este enfoque, su administrador puede exportar un archivo tarball que contiene el directorio `.VS Code-server` de una versión específica de Visual Studio Code. A continuación, el administrador utiliza un script de configuración del ciclo de vida de la SageMaker IA (LCC) para copiar y extraer el archivo tar en su directorio principal (). `/home/sagemaker-user` Para obtener más información, consulte [Configure un servidor remoto y extensiones preempaquetados (solo en VS Code)](remote-access-remote-setup-vpc-subnets-without-internet-access.md#remote-access-remote-setup-vpc-subnets-without-internet-access-setup-pre-packaged-vs-code-remote-server-and-extensions).
**Instrucciones para preempaquetar su servidor remoto de Visual Studio Code y las extensiones**
1. Instale Visual Studio Code en su equipo local.
1. Cuando te conectas al espacio: SageMaker
+ Utilice el perfil predeterminado para garantizar que sea compatible con las extensiones preempaquetadas. De lo contrario, tendrá que instalar las extensiones con los archivos VSIX descargados después de conectarse al espacio de Studio.
+ Elija un script de LCC específico de la versión de Visual Studio Code para asociarlo al espacio cuando lo lance.
### Ejemplo de uso de Dockerfile para preempaquetar el servidor remoto y las extensiones de Visual Studio Code
El siguiente es un ejemplo de Dockerfile para lanzar un contenedor local con el servidor SSH preinstalado, en el caso de que no se pueda crear un espacio con acceso remoto y a Internet.
**nota**
En este ejemplo, el servidor SSH no requiere autenticación y solo se usa para exportar el servidor remoto de Visual Studio Code.
El contenedor debe diseñarse y ejecutarse en una arquitectura x64.
```
FROM amazonlinux:2023
# Install OpenSSH server and required tools
RUN dnf install -y \
openssh-server \
shadow-utils \
passwd \
sudo \
tar \
gzip \
&& dnf clean all
# Create a user with no password
RUN useradd -m -s /bin/bash sagemaker-user && \
passwd -d sagemaker-user
# Add sagemaker-user to sudoers via wheel group
RUN usermod -aG wheel sagemaker-user && \
echo 'sagemaker-user ALL=(ALL) NOPASSWD:ALL' > /etc/sudoers.d/sagemaker-user && \
chmod 440 /etc/sudoers.d/sagemaker-user
# Configure SSH to allow empty passwords and password auth
RUN sed -i 's/^#\?PermitEmptyPasswords .*/PermitEmptyPasswords yes/' /etc/ssh/sshd_config && \
sed -i 's/^#\?PasswordAuthentication .*/PasswordAuthentication yes/' /etc/ssh/sshd_config
# Generate SSH host keys
RUN ssh-keygen -A
# Expose SSH port
EXPOSE 22
WORKDIR /home/sagemaker-user
USER sagemaker-user
# Start SSH server
CMD ["bash"]
```
Use los siguientes comandos para diseñar y ejecutar el contenedor.
```
# Build the image
docker build . -t remote_server_export
# Run the container
docker run --rm -it -d \
-v /tmp/remote_access/.VS Code-server:/home/sagemaker-user/.VS Code-server \
-p 2222:22 \
--name remote_server_export \
remote_server_export
# change the permisson for the mounted folder
docker exec -i remote_server_export \
bash -c 'sudo chown sagemaker-user:sagemaker-user ~/.VS Code-server'
# start the ssh server in the container
docker exec -i remote_server_export bash -c 'sudo /usr/sbin/sshd -D &'
```
Conexión mediante el siguiente comando:
```
ssh sagemaker-user@localhost -p 2222
```
Para poder conectar este contenedor, debe configurar lo siguiente en el archivo `.ssh/config`. Después, cuando se conecte, podrá ver `remote_access_export` como nombre de host en el panel lateral de SSH remoto. Por ejemplo:
```
Host remote_access_export
HostName localhost
User=sagemaker-user
Port 2222
ForwardAgent yes
```
Archive `/tmp/remote_access/.VS Code-server` y siga los pasos del servidor remoto y las extensiones preempaquetadas de Visual Studio Code para conectar e instalar la extensión. Después de descomprimirla, asegúrese de que la carpeta `.VS Code-server` aparezca como la carpeta principal.
```
cd /tmp/remote_access/
sudo tar -czvf VS Code-server-with-extensions-for-1.100.2.tar.gz .VS Code-server
```
### Ejemplo de script LCC (LCC-install-VS C ode-server-v 1.100.2)
En el siguiente ejemplo se muestra cómo instalar una versión específica del servidor remoto de Visual Studio Code.
```
#!/bin/bash
set -x
remote_server_file=VS Code-server-with-extensions-for-1.100.2.tar.gz
if [ ! -d "${HOME}/.VS Code-server" ]; then
cd /tmp
aws s3 cp s3://S3_BUCKET/remote_access/${remote_server_file} .
tar -xzvf ${remote_server_file}
mv .VS Code-server "${HOME}"
rm ${remote_server_file}
else
echo "${HOME}/.VS Code-server already exists, skipping download and install."
fi
```
# Filtración de los espacios de Studio
Puede utilizar el filtrado para mostrar solo los espacios de Amazon SageMaker AI relevantes en el AWS Toolkit for Visual Studio Code explorador. A continuación, se proporciona información sobre el filtrado manual y el automático. Para obtener más información sobre las definiciones de filtrado manual y automático, consulte [Información general sobre el filtrado](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-overview).
Esta configuración solo se aplica cuando se utiliza el [Método 2: AWS kit de herramientas en el IDE remoto](remote-access-local-ide-setup.md#remote-access-local-ide-setup-local-vs-code-method-2-aws-toolkit-in-vs-code) método para conectarse desde su IDE remoto a los espacios de Amazon SageMaker Studio. Para obtener más información, consulte [Configuración del acceso remoto](remote-access-remote-setup.md).
**Topics**
+ [Filtrado manual](#remote-access-local-ide-setup-filter-manual)
+ [Configuración del filtrado automático cuando se utilizan las credenciales de IAM para iniciar sesión](#remote-access-local-ide-setup-filter-automatic-IAM-credentials)
## Filtrado manual
Para filtrar manualmente los espacios que se muestran, haga lo siguiente:
+ Abre tu IDE remoto y navega hasta el explorador del panel lateral del Toolkit for VS Code
+ Busca la sección de **SageMaker IA**
+ Elige el icono de filtro situado a la derecha del encabezado de la sección de SageMaker IA. A continuación, se abrirá un menú desplegable.
+ En dicho menú, seleccione los perfiles de usuario cuyos espacios desea ver.
## Configuración del filtrado automático cuando se utilizan las credenciales de IAM para iniciar sesión
El filtrado automático depende del método de autenticación durante el inicio de sesión. Consulte [Conexión a AWS desde el kit de herramientas](https://docs.aws.amazon.com/toolkit-for-vscode/latest/userguide/connect.html#connect-to-aws) en la Guía del usuario de Toolkit for VS Code para obtener más información.
Si se autentica y conecta con las **credenciales de IAM**, el filtrado automático requiere [Configuración sobre la conexión con credenciales de IAM](remote-access-remote-setup-filter.md#remote-access-remote-setup-filter-set-up-iam-credentials). Sin esta configuración, si los usuarios optan por el filtrado de identidad, no se mostrará ningún espacio.
Una vez configurado lo anterior, AWS Toolkit compara los espacios que pertenecen a los perfiles de usuario que comienzan con el nombre de usuario de IAM autenticado o el nombre de sesión del rol asumido.
El filtrado automático es opcional para los usuarios:
+ Abra la configuración de su IDE remoto
+ Navegue hasta la extensión de **AWS Toolkit**.
+ Busque **Habilitar el filtrado de identidad**.
+ Elija habilitar el filtrado automático de los espacios en función de su identidad de AWS .
# AWS Regiones compatibles
En la siguiente tabla se enumeran las AWS regiones en las que se admiten las conexiones IDE remotas a los espacios de Studio, junto con las IDEs disponibles en cada región.
| AWS Región | VS Code | Kiro | Cursor |
| --- | --- | --- | --- |
| us-east-1 | Soportado | Soportado | compatible |
| us-east-2 | Soportado | Soportado | compatible |
| us-west-1 | Soportado | Soportado | compatible |
| us-west-2 | Soportado | Soportado | compatible |
| af-south-1 | Soportado | Soportado | compatible |
| ap-east-1 | Soportado | Soportado | compatible |
| ap-south-1 | Soportado | Soportado | compatible |
| ap-northeast-1 | Soportado | Soportado | compatible |
| ap-northeast-2 | Soportado | Soportado | compatible |
| ap-northeast-3 | Soportado | Soportado | compatible |
| ap-southeast-1 | Soportado | Soportado | compatible |
| ap-southeast-2 | Soportado | Soportado | compatible |
| ap-southeast-3 | Soportado | Soportado | compatible |
| ap-southeast-5 | Soportado | Soportado | compatible |
| ca-central-1 | Soportado | Soportado | compatible |
| eu-central-1 | Soportado | Soportado | compatible |
| eu-central-2 | Soportado | Soportado | compatible |
| eu-north-1 | Soportado | Soportado | compatible |
| eu-south-1 | Soportado | Soportado | compatible |
| eu-south-2 | Soportado | Soportado | compatible |
| eu-west-1 | Soportado | Soportado | compatible |
| eu-west-2 | Soportado | Soportado | compatible |
| eu-west-3 | Soportado | Soportado | compatible |
| il-central-1 | Soportado | Soportado | compatible |
| me-central-1 | compatible | No admitido | No admitido |
| me-south-1 | compatible | No admitido | No admitido |
| sa-east-1 | Soportado | Soportado | compatible |
# Bring your own image (BYOI)
Una imagen es un archivo que identifica los kernels, los paquetes de idioma y otras dependencias necesarias para ejecutar las aplicaciones. Incluye:
+ Lenguajes de programación (como Python o R)
+ Kernels
+ Bibliotecas y paquetes
+ Otro software necesario
Amazon SageMaker Distribution (`sagemaker-distribution`) es un conjunto de imágenes de Docker que incluye marcos y paquetes populares para el aprendizaje automático, la ciencia de datos y la visualización. Para obtener más información, consulte [SageMaker Política de soporte de imágenes de Studio](sagemaker-distribution.md).
Si necesita una funcionalidad diferente, puede incorporar sus propias imágenes personalizadas (BYOI, por sus siglas en inglés). Se recomienda crear una imagen personalizada si:
+ Necesita una versión específica de un lenguaje de programación o una biblioteca.
+ Quiere incluir herramientas o paquetes personalizados.
+ Está trabajando con un software especializado que no está disponible en las imágenes estándar.
## Terminología clave
En la siguiente sección, se definen los términos clave para utilizar tu propia imagen con la SageMaker IA.
+ **Dockerfile:** es un documento basado en texto con instrucciones para crear una imagen de Docker. Este archivo identifica los paquetes de lenguaje y otras dependencias de la imagen de Docker.
+ **Imagen de Docker:** es un conjunto empaquetado de software y dependencias creado a partir de un Dockerfile.
+ **SageMaker Almacén de imágenes de IA:** almacenamiento de tus imágenes personalizadas en SageMaker IA.
**Topics**
+ [Terminología clave](#studio-updated-byoi-basics)
+ [Especificaciones de imágenes personalizadas](studio-updated-byoi-specs.md)
+ [Cómo incorporar su propia imagen](studio-updated-byoi-how-to.md)
+ [Inicio de una imagen personalizada en Studio](studio-updated-byoi-how-to-launch.md)
+ [Visualización de los detalles de la imagen personalizada](studio-updated-byoi-view-images.md)
+ [Acelere la puesta en marcha de contenedores con SOCI](soci-indexing.md)
+ [Desasociación y eliminación de los recursos de imágenes personalizadas](studio-updated-byoi-how-to-detach-from-domain.md)
# Especificaciones de imágenes personalizadas
La imagen que especifique en su Dockerfile debe coincidir con las especificaciones de las siguientes secciones para crear la imagen correctamente.
**Topics**
+ [Ejecutar la imagen](#studio-updated-byoi-specs-run)
+ [Especificaciones para el usuario y el sistema de archivos](#studio-updated-byoi-specs-user-and-filesystem)
+ [Comprobación de estado y URL de las aplicaciones](#studio-updated-byoi-specs-app-healthcheck)
+ [Ejemplos de Dockerfile](#studio-updated-byoi-specs-dockerfile-templates)
## Ejecutar la imagen
Puede realizar las siguientes configuraciones actualizando su [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html). Para ver un ejemplo, consulta [Actualización de la configuración de un contenedor](studio-updated-byoi-how-to-container-configuration.md).
+ `Entrypoint`: puede configurar `ContainerEntrypoint` y `ContainerArguments` que se pasan al contenedor en el tiempo de ejecución. Le recomendamos configurar su punto de entrada con `ContainerConfig`. Consulte el enlace anterior para ver un ejemplo.
+ `EnvVariables`: al usar Studio, puede definir variables de `ContainerEnvironment` personalizadas para su contenedor. Si lo desea, puede actualizar sus variables de entorno con `ContainerConfig`. Consulte el enlace anterior para ver un ejemplo.
SageMaker Las variables de entorno específicas de la IA tienen prioridad y anularán cualquier variable con el mismo nombre. Por ejemplo, la SageMaker IA proporciona automáticamente las variables de entorno con el prefijo `AWS_` y `SAGEMAKER_` para garantizar una integración adecuada con los servicios y la funcionalidad de la IA. AWS SageMaker A continuación se muestran algunos ejemplos de variables de entorno SageMaker específicas de la IA:
+ `AWS_ACCOUNT_ID`
+ `AWS_REGION`
+ `AWS_DEFAULT_REGION`
+ `AWS_CONTAINER_CREDENTIALS_RELATIVE_URI`
+ `SAGEMAKER_SPACE_NAME`
+ `SAGEMAKER_APP_TYPE`
## Especificaciones para el usuario y el sistema de archivos
+ `WorkingDirectory`: el volumen de Amazon EBS de su espacio está montado en la ruta `/home/sagemaker-user`. No puede cambiar la ruta de montaje. Utilice la instrucción `WORKDIR` para establecer el directorio de trabajo de la imagen en una carpeta dentro de `/home/sagemaker-user`.
+ `UID`: ID del usuario del contenedor de Docker. UID=1000 es un valor admitido. Puede agregar acceso a sudo a sus usuarios. IDs Se han reasignado para evitar que un proceso que se ejecuta en el contenedor tenga más privilegios de los necesarios.
+ `GID`: ID del grupo del contenedor de Docker. GID=100 es un valor admitido. Puede agregar acceso a sudo a sus usuarios. IDs Se han reasignado para evitar que un proceso que se ejecute en el contenedor tenga más privilegios de los necesarios.
+ Directorios de metadatos: los `/opt/ml` directorios `/opt/.sagemakerinternal` y que utiliza. AWS El archivo de metadatos de `/opt/ml` contiene metadatos sobre recursos como `DomainId`.
Utilice el siguiente comando para mostrar el contenido del sistema de archivos:
```
cat /opt/ml/metadata/resource-metadata.json
```
+ Directorios de registro: `/var/log/studio` están reservados para los directorios de registro de sus aplicaciones y las extensiones asociadas. Le recomendamos que no utilice estas carpetas para crear la imagen.
## Comprobación de estado y URL de las aplicaciones
La comprobación de estado y las URL dependen de las aplicaciones. Elija el siguiente enlace asociado a la aplicación para la que está creando la imagen.
+ [Comprobación de estado y URL de las aplicaciones](code-editor-custom-images.md#code-editor-custom-images-app-healthcheck) para Editor de código
+ [Comprobación de estado y URL de las aplicaciones](studio-updated-jl-admin-guide-custom-images.md#studio-updated-jl-admin-guide-custom-images-app-healthcheck) para JupyterLab
## Ejemplos de Dockerfile
Para ver ejemplos de Dockerfile que cumplan tanto los requisitos de esta página como las necesidades específicas de su aplicación, navegue hasta los Dockerfiles de muestra en la sección de la aplicación correspondiente. Las siguientes opciones incluyen las aplicaciones de Amazon SageMaker Studio.
+ [Ejemplos de Dockerfile](code-editor-custom-images.md#code-editor-custom-images-dockerfile-templates) para Editor de código
+ [Ejemplos de Dockerfile](studio-updated-jl-admin-guide-custom-images.md#studio-updated-jl-custom-images-dockerfile-templates)para JupyterLab
**nota**
Si va a traer su propia imagen a SageMaker Unified Studio, tendrá que seguir las [especificaciones de Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) de la Guía del *usuario de Amazon SageMaker Unified Studio*.
`Dockerfile`Puedes encontrar ejemplos de SageMaker Unified Studio en el [ejemplo de Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) de la Guía del *usuario de Amazon SageMaker Unified Studio*.
# Cómo incorporar su propia imagen
En las siguientes páginas se dan instrucciones sobre cómo incorporar su propia imagen personalizada. Antes de continuar, asegúrese de que se cumplan los siguientes requisitos previos.
## Requisitos previos
Deberá cumplir los siguientes requisitos previos para incorporar su propia imagen a Amazon SageMaker AI.
+ Configurar la aplicación Docker. Para obtener más información, consulte [Get started](https://docs.docker.com/get-started/) en la *documentación de Docker*.
+ Instale la versión más reciente AWS CLI siguiendo los pasos [que se indican AWS CLI en la](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html) *Guía del AWS Command Line Interface usuario de la versión 2*.
+ Permisos para acceder al servicio Amazon Elastic Container Registry (Amazon ECR). Para obtener más información, consulte [Políticas administradas de Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/ecr_managed_policies.html) en la *Guía del usuario de Amazon ECR*.
+ Un AWS Identity and Access Management rol al que se adjunta la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política.
**Topics**
+ [Requisitos previos](#studio-updated-byoi-how-to-prerequisites)
+ [Creación de una imagen personalizada y envío a Amazon ECR](studio-updated-byoi-how-to-prepare-image.md)
+ [Asociación de la imagen personalizada a su dominio](studio-updated-byoi-how-to-attach-to-domain.md)
+ [Actualización de la configuración de un contenedor](studio-updated-byoi-how-to-container-configuration.md)
# Creación de una imagen personalizada y envío a Amazon ECR
En esta página se proporcionan instrucciones sobre cómo crear un Dockerfile local, crear la imagen del contenedor y añadirlo a Amazon Elastic Container Registry (Amazon ECR).
**nota**
En los siguientes ejemplos, las etiquetas no se especifican y la etiqueta `latest` se aplica de forma predeterminada. Si desea especificar una etiqueta, tendrá que añadir `:tag` al final de los nombres de las imágenes. Para obtener más información, consulte [docker image tag](https://docs.docker.com/reference/cli/docker/image/tag/) en la *documentación de Docker*.
**Topics**
+ [Creación de un Dockerfile local y diseño de la imagen de contenedor](#studio-updated-byoi-how-to-create-local-dockerfile)
+ [Adición de una imagen de Docker en Amazon ECR](#studio-updated-byoi-add-container-image)
## Creación de un Dockerfile local y diseño de la imagen de contenedor
Use las siguientes instrucciones para crear un Dockerfile con el software y las dependencias deseadas.
**Cómo crear el archivo Dockerfile**
1. En primer lugar, defina las variables para AWS CLI los comandos siguientes.
```
LOCAL_IMAGE_NAME=local-image-name
```
`local-image-name` es el nombre de la imagen del contenedor en su dispositivo local y que define aquí.
1. Cree un documento basado en texto, denominado `Dockerfile`, que cumpla con las especificaciones de [Especificaciones de imágenes personalizadas](studio-updated-byoi-specs.md).
Puede consultar ejemplos de `Dockerfile` para aplicaciones compatibles en [Ejemplos de Dockerfile](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
**nota**
Si va a traer su propia imagen a SageMaker Unified Studio, tendrá que seguir las [especificaciones de Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) de la Guía del *usuario de Amazon SageMaker Unified Studio*.
`Dockerfile`Puedes encontrar ejemplos de SageMaker Unified Studio en el [ejemplo de Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) de la Guía del *usuario de Amazon SageMaker Unified Studio*.
1. En el directorio que contiene su `Dockerfile`, cree la imagen de Docker con el siguiente comando. El punto (`.`) especifica que `Dockerfile` debe estar en el contexto del comando de compilación.
```
docker build -t ${LOCAL_IMAGE_NAME} .
```
Una vez finalizada la compilación, puede enumerar la información de la imagen del contenedor con el siguiente comando.
```
docker images
```
1. (Opcional) Puede usar el siguiente comando para probar la imagen.
```
docker run -it ${LOCAL_IMAGE_NAME}
```
En el resultado, verá que su servidor se ejecuta en una URL, como `http://127.0.0.1:8888/...`. Puede probar la imagen copiando la URL en el navegador.
Si esto no funciona, es posible que deba incluir `-p port:port` en el comando “docker run”. Esta opción asigna el puerto expuesto en el contenedor a un puerto del sistema de host. Para obtener más información sobre “docker run”, consulte [Running containers](https://docs.docker.com/engine/containers/run/) en la *documentación de Docker*.
Después de comprobar que el servidor funciona, puede detenerlo y apagar todos los kernels antes de continuar. Las instrucciones se pueden ver en el resultado.
## Adición de una imagen de Docker en Amazon ECR
Siga estos pasos para agregar una imagen de contenedor en Amazon ECR.
+ Cree un repositorio de Amazon ECR.
+ Inicie sesión en su registro predeterminado.
+ Cargue la imagen en el repositorio de Amazon ECR.
**nota**
El repositorio de Amazon ECR debe estar en el Región de AWS mismo dominio al que va a adjuntar la imagen.
**Cómo crear y añadir una imagen de contenedor en Amazon ECR**
1. En primer lugar, defina las variables para los AWS CLI comandos siguientes.
```
ACCOUNT_ID=account-id
REGION=aws-region
ECR_REPO_NAME=ecr-repository-name
```
+ `account-id` es su ID de cuenta. Puedes encontrarlo en la parte superior derecha de cualquier página de AWS consola. Por ejemplo, la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker).
+ `aws-region`es el Región de AWS de tu dominio de Amazon SageMaker AI. Puedes encontrarlo en la parte superior derecha de cualquier página de AWS consola.
+ `ecr-repository-name` es el nombre de su repositorio de Amazon Elastic Container Registry, que define aquí. Para ver sus repositorios de Amazon ECR, consulte la [consola de Amazon ECR](https://console.aws.amazon.com/ecr).
1. Regístrese en Amazon ECR e inicie sesión en Docker.
```
aws ecr get-login-password \
--region ${REGION} | \
docker login \
--username AWS \
--password-stdin ${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com
```
Si la autenticación se realiza correctamente, recibirá un mensaje de inicio de sesión correcto.
**importante**
Si recibe un error, es posible que deba instalar o actualizar a la versión más reciente de la AWS CLI. Para obtener más información, consulte [Installing the AWS Command Line Interface](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html) en la *Guía del usuario de AWS Command Line Interface *.
1. Etiquete la imagen en un formato compatible con Amazon ECR para enviarla a su repositorio.
```
docker tag \
${LOCAL_IMAGE_NAME} \
${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com/${ECR_REPO_NAME}
```
1. Cree un repositorio de Amazon ECR usando AWS CLI. Para crear el repositorio desde la consola de Amazon ECR, consulte [Creación de un repositorio privado de Amazon ECR para almacenar imágenes](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--region ${REGION} \
--repository-name ${ECR_REPO_NAME}
```
1. Envíe la imagen a su repositorio de Amazon ECR. También puede etiquetar la imagen de Docker.
```
docker push ${ACCOUNT_ID}.dkr.ecr.${REGION}.amazonaws.com/${ECR_REPO_NAME}
```
Una vez añadida correctamente la imagen al repositorio de Amazon ECR, puede verla en la [consola de Amazon ECR](https://console.aws.amazon.com/ecr).
# Asociación de la imagen personalizada a su dominio
En esta página se proporcionan instrucciones sobre cómo asociar la imagen personalizada a su dominio. Utilice el siguiente procedimiento para utilizar la consola Amazon SageMaker AI para navegar hasta su dominio e iniciar el proceso de **adjuntar imagen**.
En las instrucciones siguientes se presupone que ha subido una imagen a un repositorio de Amazon ECR en el Región de AWS mismo lugar que su dominio. Si aún no lo ha hecho, consulte [Creación de una imagen personalizada y envío a Amazon ECR](studio-updated-byoi-how-to-prepare-image.md).
Cuando elija asociar una imagen, tendrá dos opciones:
+ Adjuntar una **imagen nueva**: esta opción creará una imagen y una versión de la imagen en su almacén de imágenes de SageMaker IA y, a continuación, las adjuntará a su dominio.
**nota**
Si continúa con el proceso de BYOI, en [Creación de una imagen personalizada y envío a Amazon ECR](studio-updated-byoi-how-to-prepare-image.md), utilice la opción **Nueva imagen**.
+ Adjuntar una **imagen existente**: si ya has creado la imagen personalizada que deseas en el almacén de imágenes de SageMaker IA, usa esta opción. Esta opción asocia una imagen personalizada existente a su dominio. Para ver las imágenes personalizadas en el almacén de imágenes de SageMaker IA, consulte[Visualización de los detalles de la imagen personalizada (consola)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
------
#### [ New image ]
**Cómo asociar una imagen nueva a su dominio**
1. Abre la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. Expanda la sección **Configuraciones de administración**, si aún no lo ha hecho.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la página **Dominios**, seleccione el dominio al que quiere asociar la imagen.
**nota**
Si va a adjuntar la imagen a un proyecto de SageMaker Unified Studio y necesita que se le aclare qué dominio usar, consulte [Ver los detalles del dominio de SageMaker IA asociados a su proyecto](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain).
1. Abra la pestaña **Entorno**.
1. En la sección **Imágenes personalizadas para aplicaciones de Studio personales**, seleccione **Asociar imagen**.
1. En **Origen de la imagen**, seleccione **Nueva imagen**.
1. Incluya su URI de imagen de Amazon ECR. El formato es el siguiente.
```
account-id.dkr.ecr.aws-region.amazonaws.com/repository-name:tag
```
1. Para obtener su URI de imagen de Amazon ECR, vaya a la página [Repositorios privados de Amazon ECR](https://console.aws.amazon.com/ecr/private-registry/repositories).
1. Elija el enlace del nombre de su repositorio.
1. Seleccione el icono **Copiar URI** que se corresponda con la versión de su imagen (**etiqueta de imagen**).
1. Siga el resto de las instrucciones para asociar su imagen personalizada.
**nota**
Asegúrese de utilizar el tipo de aplicación de forma coherente con su `Dockerfile`. Para obtener más información, consulte [Ejemplos de Dockerfile](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
Cuando la imagen se haya asociado correctamente con su dominio, podrá verla en la pestaña **Entorno**.
------
#### [ Existing image ]
**Cómo asociar una imagen existente con su dominio**
1. Abre la [consola de SageMaker IA.](https://console.aws.amazon.com/sagemaker)
1. Expanda la sección **Configuraciones de administración**, si aún no lo ha hecho.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la página **Dominios**, seleccione el dominio al que quiere asociar la imagen.
**nota**
Si va a adjuntar la imagen a un proyecto de SageMaker Unified Studio y necesita que se le aclare qué dominio usar, consulte [Ver los detalles del dominio de SageMaker IA asociados a su proyecto](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain).
1. Abra la pestaña **Entorno**.
1. En la sección **Imágenes personalizadas para aplicaciones de Studio personales**, seleccione **Asociar imagen**.
1. En **Origen de la imagen**, seleccione **Imagen existente**.
1. Elija una imagen y una versión de la imagen existentes en el almacén de imágenes de SageMaker IA.
Si no ve la versión de la imagen, es posible que tenga que crear una versión de la imagen. Para obtener más información, consulte [Visualización de los detalles de la imagen personalizada (consola)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
1. Siga el resto de las instrucciones para asociar su imagen personalizada.
**nota**
Asegúrese de utilizar el tipo de aplicación de forma coherente con su `Dockerfile`. Para obtener más información, consulte [Ejemplos de Dockerfile](studio-updated-byoi-specs.md#studio-updated-byoi-specs-dockerfile-templates).
Cuando la imagen se haya asociado correctamente con su dominio, podrá verla en la pestaña **Entorno**.
------
Cuando la imagen se haya asociado correctamente a su dominio, los usuarios del dominio podrán elegir la imagen para su aplicación. Para obtener más información, consulte [Inicio de una imagen personalizada en Studio](studio-updated-byoi-how-to-launch.md).
**nota**
Si ha adjuntado una imagen personalizada a su proyecto de SageMaker Unified Studio, tendrá que iniciar la aplicación desde SageMaker Unified Studio. Para obtener más información, consulte [Lance your custom image](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-launch-custom-image.html) en la *Guía del usuario de Amazon SageMaker Unified Studio*.
# Actualización de la configuración de un contenedor
Puede incorporar imágenes de Docker personalizadas en sus flujos de trabajo de machine learning. Un aspecto clave de la personalización de estas imágenes es definir las configuraciones del contenedor o de [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerConfig.html). En la página siguiente se proporciona un ejemplo de cómo definir su `ContainerConfig`.
Un punto de entrada es el comando o script que se ejecuta cuando se inicia el contenedor. Los puntos de entrada personalizados le permiten configurar su entorno, inicializar los servicios o realizar cualquier configuración necesaria antes de que se inicie la aplicación.
Este ejemplo proporciona instrucciones sobre cómo configurar un punto de entrada personalizado para su JupyterLab aplicación mediante el. AWS CLI En este ejemplo se supone que ya ha creado una imagen y un dominio personalizados. Para obtener instrucciones, consulte [Asociación de la imagen personalizada a su dominio](studio-updated-byoi-how-to-attach-to-domain.md).
1. En primer lugar, defina las variables para los AWS CLI comandos siguientes.
```
APP_IMAGE_CONFIG_NAME=app-image-config-name
ENTRYPOINT_FILE=entrypoint-file-name
ENV_KEY=environment-key
ENV_VALUE=environment-value
REGION=aws-region
DOMAIN_ID=domain-id
IMAGE_NAME=custom-image-name
IMAGE_VERSION=custom-image-version
```
+ `app-image-config-name` es el nombre de la configuración de la imagen de su aplicación.
+ `entrypoint-file-name` es el nombre del script de punto de entrada de su contenedor. Por ejemplo, `entrypoint.sh`.
+ `environment-key` es el nombre de su variable de entorno.
+ `environment-value` es el valor asignado a su variable de entorno.
+ `aws-region`es el Región de AWS de tu dominio de Amazon SageMaker AI. Puedes encontrarlo en la parte superior derecha de cualquier página de AWS consola.
+ `domain-id` es su ID de dominio. Para ver sus dominios, consulte [Visualización de dominios](domain-view.md).
+ `custom-image-name` es el nombre de la imagen personalizada. Para ver los detalles de la imagen personalizada, consulte [Visualización de los detalles de la imagen personalizada (consola)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
Si ha seguido las instrucciones que se indican en [Asociación de la imagen personalizada a su dominio](studio-updated-byoi-how-to-attach-to-domain.md), recomendamos utilizar el mismo nombre de imagen que utilizó en ese proceso.
+ `custom-image-version` es el número de versión de la imagen personalizada. Debe ser un número entero que represente la versión de la imagen. Para ver los detalles de la imagen personalizada, consulte [Visualización de los detalles de la imagen personalizada (consola)](studio-updated-byoi-view-images.md#studio-updated-byoi-view-images-console).
1. Use la API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html) para crear una configuración de imagen.
```
aws sagemaker create-app-image-config \
--region ${REGION} \
--app-image-config-name "${APP_IMAGE_CONFIG_NAME}" \
--jupyter-lab-app-image-config "ContainerConfig = {
ContainerEntrypoint = "${ENTRYPOINT_FILE}",
ContainerEnvironmentVariables = {
"${ENV_KEY}"="${ENV_VALUE}"
}
}"
```
1. Use la API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html) para actualizar la configuración predeterminada de su dominio. Esta acción asociará la imagen personalizada y la configuración de la imagen de la aplicación.
```
aws sagemaker update-domain \
--region ${REGION} \
--domain-id "${DOMAIN_ID}" \
--default-user-settings "{
\"JupyterLabAppSettings\": {
\"CustomImages\": [
{
\"ImageName\": \"${IMAGE_NAME}\",
\"ImageVersionNumber\": ${IMAGE_VERSION},
\"AppImageConfigName\": \"${APP_IMAGE_CONFIG_NAME}\"
}
]
}
}"
```
# Inicio de una imagen personalizada en Studio
Una vez que hayas adjuntado una imagen personalizada a tu dominio de Amazon SageMaker AI, la imagen estará disponible para los usuarios del dominio. Siga las instrucciones que se indican a continuación para iniciar una aplicación con la imagen personalizada.
**nota**
Si ha adjuntado una imagen personalizada a su proyecto de SageMaker Unified Studio, tendrá que iniciar la aplicación desde SageMaker Unified Studio. Para obtener más información, consulte [Lance your custom image](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-launch-custom-image.html) en la *Guía del usuario de Amazon SageMaker Unified Studio*.
1. Abre Amazon SageMaker Studio. Para obtener instrucciones, consulte [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. Si aún no lo ha hecho, expanda la sección **Aplicaciones**.
1. En la sección **Aplicaciones**, seleccione la aplicación. Si no ve la aplicación disponible, es posible que la aplicación esté oculta para usted. En ese caso, póngase en contacto con su administrador.
1. Para crear un espacio, selecciona **\$1 Crear *application* espacio** y sigue las instrucciones para crear el espacio.
Para elegir un espacio existente, elija el nombre del enlace del espacio que desee abrir.
1. En **Imagen**, elija la imagen que quiere usar.
Si el menú desplegable **Imagen** no está disponible, es posible que tenga que detener su espacio. Elija **Detener espacio** para hacerlo.
1. Confirme la configuración del espacio y elija **Ejecutar espacio**.
# Visualización de los detalles de la imagen personalizada
En la página siguiente, se proporcionan instrucciones sobre cómo ver los detalles de las imágenes personalizadas en el almacén de imágenes de SageMaker IA.
## Visualización de los detalles de la imagen personalizada (consola)
A continuación, se proporcionan instrucciones sobre cómo ver las imágenes personalizadas mediante la consola de SageMaker IA. En esta sección, puede ver y editar los detalles de la imagen.
**Visualización de las imágenes personalizadas (consola)**
1. Abre la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. Amplíe la sección **Configuraciones de administración**.
1. En **Configuraciones de administrador**, elija **Imágenes**.
1. En la lista de **imágenes personalizadas**, seleccione el hipervínculo del nombre de la imagen.
## Visualización de los detalles de la imagen personalizada (AWS CLI)
En la siguiente sección se muestra un ejemplo de cómo visualizar las imágenes personalizadas desde la AWS CLI.
```
aws sagemaker list-images \
--region aws-region
```
# Acelere la puesta en marcha de contenedores con SOCI
[La indexación SOCI (Seekable Open Container Initiative) permite la carga diferida de imágenes de contenedores personalizadas en [Amazon SageMaker Studio](studio-updated.md) Amazon Unified Studio. SageMaker ](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/what-is-sagemaker-unified-studio.html) El SOCI reduce considerablemente los tiempos de inicio de sus contenedores personalizados, aproximadamente entre un 30 y un 70%. [Bring your own image (BYOI)](studio-updated-byoi.md) La mejora de la latencia varía según el tamaño de la imagen, la disponibilidad de la instancia de alojamiento y otras dependencias de la aplicación. SOCI crea un índice que permite a los contenedores lanzarse solo con los componentes necesarios y obtener archivos adicionales a pedido según sea necesario.
El SOCI aborda los tiempos lentos de inicio de los contenedores, que interrumpen los flujos de trabajo de desarrollo del aprendizaje automático (ML) iterativo, para obtener imágenes personalizadas. A medida que las cargas de trabajo de aprendizaje automático se vuelven más complejas, las imágenes de los contenedores se hacen más grandes, lo que provoca retrasos en el inicio que dificultan los ciclos de desarrollo.
**Topics**
+ [Ventajas principales](#soci-indexing-key-benefits)
+ [¿Cómo funciona la indexación SOCI](#soci-indexing-how-works)
+ [Componentes de arquitectura](#soci-indexing-architecture-components)
+ [Herramientas admitidas](#soci-indexing-supported-tools)
+ [Permisos para la indexación de SOCI](soci-indexing-setup.md)
+ [Ejemplo de creación de índices SOCI con nerdctl y SOCI CLI](soci-indexing-example-create-indexes.md)
+ [Ejemplo de integración de imágenes indexadas en redes SOCIALES con Studio](soci-indexing-example-integrate-studio.md)
## Ventajas principales
+ **Ciclos de iteración más rápidos**: reduzca el inicio de los contenedores, según los tipos de imagen e instancia
+ **Optimización universal**: amplíe las ventajas de rendimiento a todos los contenedores BYOI personalizados en Studio
## ¿Cómo funciona la indexación SOCI
SOCI crea un índice de metadatos especializado que mapea la estructura de archivos interna de la imagen del contenedor. Este índice permite acceder a archivos individuales sin descargar la imagen completa. El índice SOCI se almacena como un artefacto compatible con la OCI (Open Container Initiative) en [Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/what-is-ecr.html) y se vincula a la imagen del contenedor original, lo que preserva los resúmenes de imágenes y la validez de la firma.
Al lanzar un contenedor en Studio, el sistema utiliza el índice SOCI para identificar y descargar solo los archivos esenciales necesarios para el inicio. Los componentes adicionales se obtienen en paralelo a medida que la aplicación los requiera.
## Componentes de arquitectura
+ **Imagen original del contenedor**: su contenedor base almacenado en Amazon ECR
+ **Artefacto del índice SOCI**: metadatos que mapean la estructura de archivos de la imagen
+ **Manifiesto del índice de imágenes OCI**: enlaza la imagen original con el índice SOCI
+ Tiempo de **ejecución del contenedor Finch**: permite la integración de carga diferida con Studio
## Herramientas admitidas
| Herramienta | Integración |
| --- | --- |
| nerdctl | Requiere una configuración en containerd |
| CLI de Finch | Soporte nativo de SOCI |
| Docker \$1 SOCI CLI | Se requieren herramientas adicionales |
**Topics**
+ [Ventajas principales](#soci-indexing-key-benefits)
+ [¿Cómo funciona la indexación SOCI](#soci-indexing-how-works)
+ [Componentes de arquitectura](#soci-indexing-architecture-components)
+ [Herramientas admitidas](#soci-indexing-supported-tools)
+ [Permisos para la indexación de SOCI](soci-indexing-setup.md)
+ [Ejemplo de creación de índices SOCI con nerdctl y SOCI CLI](soci-indexing-example-create-indexes.md)
+ [Ejemplo de integración de imágenes indexadas en redes SOCIALES con Studio](soci-indexing-example-integrate-studio.md)
# Permisos para la indexación de SOCI
[Cree índices SOCI para las imágenes de sus contenedores y almacénelos en Amazon ECR antes de utilizar la indexación SOCI con [Amazon SageMaker Studio](studio-updated.md) Amazon Unified Studio. SageMaker ](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/what-is-sagemaker-unified-studio.html)
**Topics**
+ [Requisitos previos](#soci-indexing-setup-prerequisites)
+ [Permisos de IAM necesarios](#soci-indexing-setup-iam-permissions)
## Requisitos previos
+ Cuenta de AWS con un rol [AWS Identity and Access Management](https://docs.aws.amazon.com/IAM/latest/UserGuide/getting-started.html)(IAM) con permisos de administración
+ [Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/what-is-ecr.html)
+ [Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs.html)
+ [Repositorios privados de Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/Repositories.html) para almacenar las imágenes de sus contenedores
+ [AWS CLI La versión 2.0\$1 está configurada](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html) con las credenciales adecuadas
+ Las siguientes herramientas de contenedor:
+ Necesario: [soci-snapshotter](https://github.com/awslabs/soci-snapshotter)
+ Opciones:
+ [nerdctl](https://github.com/containerd/nerdctl)
+ [pinzón](https://github.com/runfinch/finch)
## Permisos de IAM necesarios
Su función de IAM necesita permisos para:
+ Cree y gestione recursos de SageMaker IA (dominios, imágenes, configuraciones de aplicaciones).
+ Puede utilizar la política [SageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html) AWS gestionada. Para obtener más información sobre los permisos, consulte[AWS política gestionada: AmazonSageMakerFullAccess](security-iam-awsmanpol.md#security-iam-awsmanpol-AmazonSageMakerFullAccess).
+ [Permisos de IAM para enviar una imagen a un repositorio privado de Amazon ECR.](https://docs.aws.amazon.com/AmazonECR/latest/userguide/image-push-iam.html)
# Ejemplo de creación de índices SOCI con nerdctl y SOCI CLI
La siguiente página proporciona un ejemplo sobre cómo crear índices SOCI con nerdctl y SOCI CLI.
**Ejemplo de creación de índices SOCI**
1. Primero defina las variables para los AWS CLI comandos siguientes. El siguiente es un ejemplo de cómo configurar las variables.
```
ACCOUNT_ID="111122223333"
REGION="us-east-1"
REPOSITORY_NAME="repository-name"
ORIGINAL_IMAGE_TAG="original-image-tag"
SOCI_IMAGE_TAG="soci-indexed-image-tag"
```
Definiciones de variables:
+ `ACCOUNT_ID`es tu Cuenta de AWS ID
+ `REGION`es el Región de AWS de su registro privado de Amazon ECR
+ `REPOSITORY_NAME`es el nombre de su registro privado de Amazon ECR
+ `ORIGINAL_IMAGE_TAG`es la etiqueta de tu imagen original
+ `SOCI_IMAGE_TAG`es la etiqueta de tu imagen indexada en redes sociales
1. Instale las herramientas necesarias:
```
# Install SOCI CLI, containerd, and nerdctl
sudo yum install soci-snapshotter
sudo yum install containerd jq
sudo systemctl start soci-snapshotter
sudo systemctl restart containerd
sudo yum install nerdctl
```
1. Configure sus variables de registro:
```
REGISTRY_USER=AWS
REGISTRY="$ACCOUNT_ID.dkr.ecr.$REGION.amazonaws.com"
```
1. Exporte su región y autentifíquese en Amazon ECR:
```
export AWS_REGION=$REGION
REGISTRY_PASSWORD=$(/usr/local/bin/aws ecr get-login-password --region $AWS_REGION)
echo $REGISTRY_PASSWORD | sudo nerdctl login -u $REGISTRY_USER --password-stdin $REGISTRY
```
1. Extraiga la imagen original del contenedor:
```
sudo nerdctl pull $REGISTRY/$REPOSITORY_NAME:$ORIGINAL_IMAGE_TAG
```
1. Cree el índice SOCI:
```
sudo nerdctl image convert --soci $REGISTRY/$REPOSITORY_NAME:$ORIGINAL_IMAGE_TAG $REGISTRY/$REPOSITORY_NAME:$SOCI_IMAGE_TAG
```
1. Empuje la imagen indexada por el SOCII:
```
sudo nerdctl push --platform linux/amd64 $REGISTRY/$REPOSITORY_NAME:$SOCI_IMAGE_TAG
```
Este proceso crea dos artefactos para la imagen del contenedor original en su repositorio de ECR:
+ Índice SOCI: los metadatos permiten la carga diferida
+ Manifiesto del índice de imágenes: manifiesto compatible con OCI
# Ejemplo de integración de imágenes indexadas en redes SOCIALES con Studio
Debe hacer referencia a la etiqueta de imagen indexada por la red SOCIAL para utilizar imágenes indexadas por la red SOCIAL en Studio, en lugar de a la etiqueta de imagen contenedora original. Usa la etiqueta que especificaste durante el proceso de conversión a SOCI (por ejemplo, en). `SOCI_IMAGE_TAG` [Ejemplo de creación de índices SOCI con nerdctl y SOCI CLI](soci-indexing-example-create-indexes.md)
**Ejemplo de integración de imágenes indexadas por SOCII**
1. Primero configura tus variables para los AWS CLI comandos siguientes. El siguiente es un ejemplo de cómo configurar las variables.
```
ACCOUNT_ID="111122223333"
REGION="us-east-1"
IMAGE_NAME="sagemaker-image-name"
IMAGE_CONFIG_NAME="sagemaker-image-config-name"
ROLE_ARN="your-role-arn"
DOMAIN_ID="domain-id"
SOCI_IMAGE_TAG="soci-indexed-image-tag"
```
Definiciones de variables:
+ `ACCOUNT_ID`es tu Cuenta de AWS ID
+ `REGION`es el Región de AWS de su registro privado de Amazon ECR
+ `IMAGE_NAME`es el nombre de tu imagen SageMaker
+ `IMAGE_CONFIG_NAME`es el nombre de la configuración de SageMaker la imagen
+ `ROLE_ARN`es el ARN de su función de ejecución con los permisos que figuran en Permisos de IAM [obligatorios](soci-indexing-setup.md#soci-indexing-setup-iam-permissions)
+ `DOMAIN_ID`[es el ID de dominio](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view.html)
**nota**
Si va a adjuntar la imagen a un proyecto de SageMaker Unified Studio y necesita que se le aclare qué dominio usar, consulte [Ver los detalles del dominio de SageMaker IA asociados a su proyecto](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/view-project-details.html#view-project-details-smai-domain).
+ `SOCI_IMAGE_TAG`es la etiqueta de tu imagen indexada en redes SOCIALES
1. Exporta tu región:
```
export AWS_REGION=$REGION
```
1. Crea una SageMaker imagen:
```
aws sagemaker create-image \
--image-name "$IMAGE_NAME" \
--role-arn "$ROLE_ARN"
```
1. Cree una versión SageMaker de imagen utilizando su URI de índice SOCI:
```
IMAGE_INDEX_URI="$ACCOUNT_ID.dkr.ecr.$REGION.amazonaws.com/$IMAGE_NAME:$SOCI_IMAGE_TAG"
aws sagemaker create-image-version \
--image-name "$IMAGE_NAME" \
--base-image "$IMAGE_INDEX_URI"
```
1. Crea una configuración de imagen de aplicación y actualiza tu dominio de Amazon SageMaker AI para incluir la imagen personalizada de tu aplicación. Puede hacerlo para el editor de código, basado en Code-OSS, Visual Studio Code: Open Source (editor de código) y JupyterLab aplicaciones. Seleccione la opción de aplicación que aparece a continuación para ver los pasos.
------
#### [ Code Editor ]
Cree una configuración de imagen de aplicación para Code Editor:
```
aws sagemaker create-app-image-config \
--app-image-config-name "$IMAGE_CONFIG_NAME" \
--code-editor-app-image-config '{ "FileSystemConfig": { "MountPath": "/home/sagemaker-user", "DefaultUid": 1000, "DefaultGid": 100 } }'
```
Actualiza tu dominio de Amazon SageMaker AI para incluir la imagen personalizada para Code Editor:
```
aws sagemaker update-domain \
--domain-id "$DOMAIN_ID" \
--default-user-settings '{
"CodeEditorAppSettings": {
"CustomImages": [{
"ImageName": "$IMAGE_NAME",
"AppImageConfigName": "$IMAGE_CONFIG_NAME"
}]
}
}'
```
------
#### [ JupyterLab ]
Cree una configuración de imagen de aplicación para JupyterLab:
```
aws sagemaker create-app-image-config \
--app-image-config-name "$IMAGE_CONFIG_NAME" \
--jupyter-lab-app-image-config '{ "FileSystemConfig": { "MountPath": "/home/sagemaker-user", "DefaultUid": 1000, "DefaultGid": 100 } }'
```
Actualiza tu dominio de Amazon SageMaker AI para incluir la imagen personalizada de JupyterLab:
```
aws sagemaker update-domain \
--domain-id "$DOMAIN_ID" \
--default-user-settings '{
"JupyterLabAppSettings": {
"CustomImages": [{
"ImageName": "$IMAGE_NAME",
"AppImageConfigName": "$IMAGE_CONFIG_NAME"
}]
}
}'
```
------
1. Después de actualizar tu dominio para incluir tu imagen personalizada, puedes crear una aplicación en Studio con tu imagen personalizada. Cuando te [Inicio de una imagen personalizada en Studio](studio-updated-byoi-how-to-launch.md) asegures de usar tu imagen personalizada.
# Desasociación y eliminación de los recursos de imágenes personalizadas
En la siguiente página se proporcionan instrucciones sobre cómo separar las imágenes personalizadas y limpiar los recursos relacionados mediante la consola Amazon SageMaker AI o el AWS Command Line Interface (AWS CLI).
**importante**
Primero debes separar la imagen personalizada de tu dominio antes de eliminarla del almacén de imágenes de SageMaker IA. De lo contrario, es posible que se produzcan errores al consultar la información de su dominio o al asociar nuevas imágenes personalizadas a su dominio.
Si se produce un error al cargar una imagen personalizada, consulte [Error al cargar la imagen personalizada](studio-updated-troubleshooting.md#studio-updated-troubleshooting-custom-image).
## Desasociación y eliminación de imágenes personalizadas (consola)
A continuación, se proporcionan instrucciones sobre cómo separar tus imágenes personalizadas de la SageMaker IA y limpiar tus recursos de imágenes personalizadas mediante la consola.
**Desasociación de la imagen personalizada de su dominio**
1. Abre la [consola de SageMaker IA.](https://console.aws.amazon.com/sagemaker)
1. Amplíe la sección **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de **dominios**, seleccione un dominio.
1. Abra la pestaña **Entorno**.
1. En el caso de **Imágenes personalizadas para aplicaciones de Studio personales**, seleccione las casillas de verificación de las imágenes que quiere desasociar.
1. Elija **Desasociar**.
1. Siga las instrucciones para desasociar.
**Eliminación de la imagen personalizada**
1. Abre la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. Expanda la sección **Configuraciones de administración**, si aún no lo ha hecho.
1. En **Configuraciones de administrador**, elija **Imágenes**.
1. En la lista de **imágenes**, seleccione la imagen que quiera eliminar.
1. Elija **Eliminar**.
1. Sigue las instrucciones para eliminar tu imagen y todas sus versiones de la SageMaker IA.
**Eliminación de las imágenes personalizadas y el repositorio de Amazon ECR**
**importante**
De este modo, también se eliminarán todas las imágenes y artefactos del contenedor que se encuentren en ese repositorio.
1. Abra la [consola de Amazon ECR](https://console.aws.amazon.com/ecr).
1. Expanda el panel de navegación de la izquierda, si todavía no lo ha hecho.
1. En **Registro privado**, seleccione **Repositorios**.
1. Seleccione los repositorios que desea eliminar.
1. Elija **Eliminar**.
1. Siga las instrucciones para eliminar.
## Desasociación y eliminación de imágenes personalizadas (AWS CLI)
En la siguiente sección se muestra un ejemplo de cómo desasociar las imágenes personalizadas desde la AWS CLI.
1. Primero configura tus variables para los AWS CLI comandos siguientes.
```
ACCOUNT_ID=account-id
REGION=aws-region
APP_IMAGE_CONFIG=app-image-config
SAGEMAKER_IMAGE_NAME=custom-image-name
```
+ `aws-region`es el Región de AWS de tu dominio de Amazon SageMaker AI. Puedes encontrarlo en la parte superior derecha de cualquier página de AWS consola.
+ `app-image-config` es el nombre de la configuración de la imagen de su aplicación. Utilice el siguiente AWS CLI comando para enumerar las configuraciones de imagen de la aplicación en su Región de AWS.
```
aws sagemaker list-app-image-configs \
--region ${REGION}
```
+ `custom-image-name` es el nombre de la imagen personalizada. Utilice el siguiente AWS CLI comando para enumerar las imágenes de su Región de AWS.
```
aws sagemaker list-images \
--region ${REGION}
```
1. Para desasociar la imagen y las versiones de la imagen de su dominio siguiendo estas instrucciones, tendrás que crear o actualizar un archivo json de configuración del dominio.
**nota**
Si ha seguido las instrucciones que se indican en [Asociación de la imagen personalizada a su dominio](studio-updated-byoi-how-to-attach-to-domain.md), es posible que haya actualizado su dominio con el archivo denominado `update-domain.json`.
Si no tiene ese archivo, puede crear un nuevo archivo json en su lugar.
Cree un archivo denominado `update-domain.json` que utilizará para actualizar su dominio.
1. Para eliminar las imágenes personalizadas, tendrá que dejar `CustomImages` en blanco, como, por ejemplo, `"CustomImages": []`. Elija una de las siguientes opciones para ver ejemplos de archivos de configuración para Code Editor o JupyterLab.
------
#### [ Code Editor: update domain configuration file example ]
Ejemplo de archivo de configuración para Editor de código donde se utiliza [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CodeEditorAppSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CodeEditorAppSettings.html).
```
{
"DomainId": "domain-id",
"DefaultUserSettings": {
"CodeEditorAppSettings": {
"CustomImages": [
]
}
}
}
```
------
#### [ JupyterLab: update domain configuration file example ]
Un ejemplo de archivo de configuración para JupyterLab usar [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_JupyterLabAppSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_JupyterLabAppSettings.html).
```
{
"DomainId": "domain-id",
"DefaultUserSettings": {
"JupyterLabAppSettings": {
"CustomImages": [
]
}
}
}
```
------
`domain-id` es el ID de dominio al que está asociada su imagen. Utilice el siguiente comando para enumerar sus dominios.
```
aws sagemaker list-domains \
--region ${REGION}
```
1. Guarde el archivo.
1. Llame al [dominio de actualización](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) AWS CLI mediante el archivo de configuración del dominio de actualización,. `update-domain.json`
**nota**
Para poder actualizar las imágenes personalizadas, primero debe eliminar todas las **aplicaciones** de su dominio. **No** necesita eliminar los perfiles de usuario ni los espacios compartidos. Para obtener instrucciones sobre cómo eliminar aplicaciones, elija una de las siguientes opciones.
Si desea utilizar la consola de SageMaker IA, consulte. [Cierre los recursos de SageMaker IA de su dominio](sm-console-domain-resources-shut-down.md)
Si desea utilizar la AWS CLI, siga los pasos 1 a 3 de[Eliminar un dominio de Amazon SageMaker AI (AWS CLI)](gs-studio-delete-domain.md#gs-studio-delete-domain-cli).
```
aws sagemaker update-domain \
--cli-input-json file://update-domain.json \
--region ${REGION}
```
1. Elimine la configuración de imágenes de la aplicación.
```
aws sagemaker delete-app-image-config \
--app-image-config-name ${APP_IMAGE_CONFIG}
```
1. Elimine la imagen personalizada. Esto también elimina todas las versiones de la imagen. Esto no elimina la imagen del contenedor de Amazon ECR ni las versiones de la imagen. Para ello, siga los pasos opcionales que se indican a continuación.
```
aws sagemaker delete-image \
--image-name ${SAGEMAKER_IMAGE_NAME}
```
1. (Opcional) Elimine los recursos de Amazon ECR. La siguiente lista proporciona AWS CLI comandos para obtener la información de recursos de Amazon ECR para los pasos que se indican a continuación.
1. Configure sus variables para los AWS CLI comandos siguientes.
```
ECR_REPO_NAME=ecr-repository-name
```
`ecr-repository-name` es el nombre de su repositorio de Amazon Elastic Container Registry.
Para obtener una lista de los detalles de sus repositorios, utilice el siguiente comando.
```
aws ecr describe-repositories \
--region ${REGION}
```
1. Elimine su repositorio de Amazon ECR.
**importante**
De este modo, también se eliminarán todas las imágenes y artefactos del contenedor que se encuentren en ese repositorio.
```
aws ecr delete-repository \
--repository-name ${ECR_REPO_NAME} \
--force \
--region ${REGION}
```
# Configuraciones del ciclo de vida en Amazon SageMaker Studio
Las configuraciones del ciclo de vida (LCCs) son scripts que los administradores y los usuarios pueden usar para automatizar la personalización de las siguientes aplicaciones en su entorno de Amazon SageMaker Studio:
+ Amazon SageMaker AI JupyterLab
+ Editor de código, basado en Code-OSS, Visual Studio Code: Open Source
+ Studio Classic
+ Instancia de bloc de notas
La personalización de la aplicación incluye:
+ Instalación de paquetes personalizados
+ Configuración de extensiones
+ Precarga de conjuntos de datos
+ Configuración de repositorios de código fuente
Los usuarios crean y asocian configuraciones de ciclo de vida integradas a sus propios perfiles de usuario. Los administradores crean y asocian configuraciones de ciclo de vida predeterminadas o integradas en dominios, espacios o perfiles de usuario.
**importante**
Amazon SageMaker Studio ejecuta primero la configuración del ciclo de vida integrada y, a continuación, ejecuta la LCC predeterminada. Amazon SageMaker AI no resolverá los conflictos de paquetes entre el usuario y el administrador LCCs. Por ejemplo, si la configuración de ciclo de vida integrada instala `python3.11` y la predeterminada instala `python3.12`, Studio instala `python3.12`.
# Creación y asociación de configuraciones de ciclo de vida
Puede crear y adjuntar configuraciones de ciclo de vida utilizando el Consola de administración de AWS o el AWS Command Line Interface.
**Topics**
+ [Creación y asociación de configuraciones de ciclo de vida (AWS CLI)](#studio-lifecycle-configurations-create-cli)
+ [Creación y asociación de configuraciones de ciclo de vida (consola)](#studio-lifecycle-configurations-create-console)
## Creación y asociación de configuraciones de ciclo de vida (AWS CLI)
**importante**
Antes de comenzar, complete los siguientes requisitos previos:
AWS CLI Actualícela siguiendo los pasos que se indican en [Instalación de la AWS CLI versión actual](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
Desde su máquina local, ejecute `aws configure` y proporcione sus AWS credenciales. Para obtener información sobre AWS las credenciales, consulte [Descripción y obtención de AWS las credenciales](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
Incorporado al dominio Amazon SageMaker AI. Para obtener información conceptual, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md). Para obtener una guía de inicio rápido, consulte [Utilice la configuración rápida para Amazon SageMaker AI](onboard-quick-start.md).
El siguiente procedimiento muestra cómo crear un script de configuración del ciclo de vida que se imprima `Hello World` en el editor de código o JupyterLab.
**nota**
Cada script puede tener hasta **16 384 caracteres**.
1. En su equipo local, cree un archivo con el nombre `my-script.sh` que contenga lo siguiente:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Utilice lo siguiente para convertir su archivo `my-script.sh` al formato base64. Este requisito evita errores debidos a la codificación del espaciado y los saltos de línea.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Cree una configuración del ciclo de vida para usar en Studio. Con el siguiente comando se crea una configuración de ciclo de vida que se ejecuta al inicializar una aplicación de `JupyterLab` asociada:
```
aws sagemaker create-studio-lifecycle-config \
--region region \
--studio-lifecycle-config-name my-lcc \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type application-type
```
En `studio-lifecycle-config-app-type`, especifique *CodeEditor* o *JupyterLab*.
**nota**
El ARN de la configuración de ciclo de vida recién creada que se devuelve. Este ARN es necesario para asociar la configuración del ciclo de vida a la aplicación.
Para garantizar que los entornos se personalicen correctamente, los usuarios y los administradores utilizan diferentes comandos para asociar las configuraciones de ciclo de vida.
### Asociación de configuraciones de ciclo de vida predeterminadas (administrador)
Para asociar la configuración de ciclo de vida, debe actualizar la `UserSettings` de su dominio o perfil de usuario. Todos los usuarios heredan los scripts de configuración del ciclo de vida que estén asociados a nivel de dominio. Sin embargo, los scripts que están asociados en el nivel de perfil de usuario están dirigidos a un usuario específico.
Para crear un perfil de usuario, un dominio o un espacio con la configuración de ciclo de vida asociada, utilice los siguientes comandos:
+ [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html)
+ [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html)
+ [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html)
El siguiente comando crea un perfil de usuario con una configuración del ciclo de vida de una JupyterLab aplicación. Agregue el ARN de configuración de ciclo de vida del paso anterior a la `JupyterLabAppSettings` del usuario. Puede agregar varias configuraciones de ciclo de vida al mismo tiempo pasando una lista de ellas. Cuando un usuario inicia una JupyterLab aplicación con AWS CLI, puede especificar una configuración de ciclo de vida en lugar de utilizar la configuración predeterminada. La configuración del ciclo de vida que pase el usuario debe pertenecer a la lista de configuraciones del ciclo de vida incluida en la `JupyterLabAppSettings`.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
Con el siguiente comando, se crea un perfil de usuario con una configuración de ciclo de vida de una aplicación del editor de código. Agregue el ARN de configuración de ciclo de vida del paso anterior a la `CodeEditorAppSettings` del usuario. Puede agregar varias configuraciones de ciclo de vida al mismo tiempo pasando una lista de ellas. Cuando un usuario inicializa una aplicación del editor de código con la AWS CLI, puede especificar una configuración de ciclo de vida en lugar de usar la predeterminada. La configuración del ciclo de vida que pase el usuario debe pertenecer a la lista de configuraciones del ciclo de vida incluida en la `CodeEditorAppSettings`.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"CodeEditorAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
### Asociación de configuraciones de ciclo de vida integradas (usuario)
Para asociar la configuración de ciclo de vida, debe actualizar la `UserSettings` de su perfil de usuario.
El siguiente comando crea un perfil de usuario con una configuración del ciclo de vida de una JupyterLab aplicación. Agregue el ARN de configuración de ciclo de vida del paso anterior a la `JupyterLabAppSettings` del perfil de usuario.
```
# Update a UserProfile
aws sagemaker update-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"BuiltInLifecycleConfigArn":"lifecycle-configuration-arn"
}
}'
```
Con el siguiente comando, se crea un perfil de usuario con una configuración de ciclo de vida de una aplicación del editor de código. Agregue el ARN de configuración de ciclo de vida del paso anterior a la `CodeEditorAppSettings` del perfil de usuario. La configuración del ciclo de vida que pase el usuario debe pertenecer a la lista de configuraciones del ciclo de vida incluida en la `CodeEditorAppSettings`.
```
# Update a UserProfile
aws sagemaker update-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"CodeEditorAppSettings": {
"BuiltInLifecycleConfigArn":"lifecycle-configuration-arn"
}
}'
```
## Creación y asociación de configuraciones de ciclo de vida (consola)
Para crear y adjuntar configuraciones de ciclo de vida en Consola de administración de AWS, navegue hasta la [consola de Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker) y elija **Configuraciones de ciclo** de vida en el menú de navegación de la izquierda. La consola le guiará a lo largo del proceso de creación de la configuración de ciclo de vida.
# Depuración de configuraciones del ciclo de vida
En los siguientes temas se muestra cómo obtener información y depurar las configuraciones del ciclo de vida.
**Topics**
+ [Verifique el proceso de configuración del ciclo de vida desde los registros CloudWatch](#studio-lifecycle-configurations-debug-logs)
+ [Tiempo de espera de configuración del ciclo de vida](studio-lifecycle-configurations-debug-timeout.md)
## Verifique el proceso de configuración del ciclo de vida desde los registros CloudWatch
Las configuraciones del ciclo de vida solo registran `STDOUT` y `STDERR`.
`STDOUT` es el resultado predeterminado para los scripts bash. Se puede escribir en `STDERR` añadiendo `>&2` al final de un comando bash. Por ejemplo, `echo 'hello'>&2`.
Los registros de las configuraciones de tu ciclo de vida se publican en Amazon CloudWatch. Cuenta de AWS Estos registros se encuentran en el flujo de `/aws/sagemaker/studio` registros de la CloudWatch consola.
1. Abra la CloudWatch consola en [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Seleccione **Registros** en el panel de navegación izquierdo. En el menú desplegable, seleccione **Grupos de registros**.
1. En la página **Grupos de registros**, busque `aws/sagemaker/studio`.
1. Seleccione el grupo de registro.
1. En la página de **Detalles del grupo de registro**, seleccione la pestaña **Flujos de registro**.
1. Para encontrar los registros de un espacio y aplicación específicos, busque en los flujos de registro utilizando el siguiente formato:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Por ejemplo, para buscar los registros de configuración del ciclo de vida del ID de dominio `d-m85lcu8vbqmz`, nombre del espacio `i-sonic-js` y tipo de aplicación `JupyterLab`, utilice la siguiente cadena de búsqueda:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
1. Para ver los registros de ejecución de scripts, seleccione el flujo de registro con `LifecycleConfigOnStart` anexado.
# Tiempo de espera de configuración del ciclo de vida
Existe una limitación de tiempo de espera de configuración del ciclo de vida de 5 minutos. Si un script de configuración de ciclo de vida tarda más de 5 minutos en ejecutarse, se obtiene un error.
Para resolver este error, asegúrese de que el script de configuración de ciclo de vida se complete en menos de 5 minutos.
Para ayudar a reducir el tiempo de ejecución de los scripts, pruebe lo siguiente:
+ Reduzca los pasos innecesarios. Por ejemplo, limite los entornos de conda donde se instalarán paquetes de gran tamaño.
+ Ejecute tareas en procesos paralelos.
+ Utilice el comando nohup en el script para asegurarse de que se omitan las señales de bloqueo para que el script se ejecute sin detenerse.
# Espacios de Amazon SageMaker Studio
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección está dedicada expresamente al uso de la experiencia de Studio actualizada. Para obtener más información sobre el uso de la aplicación de Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md).
Los espacios se utilizan para gestionar las necesidades de almacenamiento y recursos de algunas aplicaciones de Amazon SageMaker Studio. Cada espacio consta de varios recursos y puede ser privado o compartido. Cada espacio tiene una relación 1:1 con una instancia de una aplicación. Cada aplicación compatible que se crea tiene su propio espacio. Las siguientes aplicaciones de Studio se ejecutan en espacios:
+ [Editor de código en Amazon SageMaker Studio](code-editor.md)
+ [SageMaker JupyterLab](studio-updated-jl.md)
+ [Amazon SageMaker Studio Clásico](studio.md)
Un espacio consta de los siguientes recursos:
+ Un volumen de almacenamiento.
+ En Studio Classic, el espacio se conecta al volumen compartido de Amazon Elastic File System (Amazon EFS) del dominio.
+ Para otras aplicaciones, se asocia al espacio un volumen distinto de Amazon Elastic Block Store (Amazon EBS). A todas las solicitudes se les asigna su propio volumen de Amazon EBS. Las aplicaciones no tienen acceso al volumen de Amazon EBS de otras aplicaciones. Para obtener más información sobre los volúmenes de Amazon EBS, consulte [Amazon Elastic Block Store (Amazon EBS)](https://docs.aws.amazon.com//AWSEC2/latest/UserGuide/AmazonEBS.html).
+ El tipo de aplicación del espacio.
+ La imagen en la que se basa la aplicación.
Los espacios pueden ser privados o compartidos:
+ **Privado**: el ámbito de los espacios privados es un único usuario de un dominio. Los espacios privados no se pueden compartir con otros usuarios. Todas las aplicaciones que admiten espacios también admiten espacios privados.
+ **Compartido**: todos los usuarios del dominio pueden acceder a los espacios compartidos. Para obtener más información sobre los espacios compartidos, consulte [Colaboración con espacios compartidos](domain-space.md).
Los espacios se pueden crear en dominios que utilizan la autenticación AWS IAM Identity Center o la autenticación AWS Identity and Access Management (IAM). En las siguientes secciones se proporciona información general sobre cómo obtener acceso a los espacios. Para obtener información específica sobre cómo crear un espacio y obtener acceso a él, consulte la documentación del tipo de aplicación correspondiente al espacio que va a crear.
Para obtener información sobre cómo ver, detener o eliminar sus aplicaciones, instancias o espacios, consulte [Detención y eliminación de aplicaciones y espacios en ejecución de Studio](studio-updated-running-stop.md).
**Topics**
+ [Inicialización de espacios](studio-updated-spaces-access.md)
+ [Colaboración con espacios compartidos](domain-space.md)
# Inicialización de espacios
En las siguientes secciones se proporciona información sobre cómo obtener acceso a los espacios de un dominio. Se puede obtener acceso a los espacios de una de las siguientes formas:
+ desde la consola Amazon SageMaker AI
+ desde Studio
+ utilizando la AWS CLI
## Acceso a los espacios desde la consola Amazon SageMaker AI
**Para acceder a los espacios desde la consola Amazon SageMaker AI**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio que contenga los espacios.
1. En la página **Detalles del dominio**, elija la pestaña **Administración del espacio**. Para obtener más información acerca de la administración de espacios, consulte [Colaboración con espacios compartidos](domain-space.md).
1. En la lista de espacios de ese dominio, seleccione el espacio que desee inicializar.
1. Seleccione **Lanzar Studio** para el espacio que desea inicializar.
## Acceso a espacios desde Studio
Siga estos pasos para acceder a los espacios desde Studio para un tipo de aplicación específico.
**Acceso a espacios desde Studio**
1. Abra Studio siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. Seleccione el tipo de aplicación con espacios a los que desea obtener acceso.
## Acceder a los espacios mediante el AWS CLI
En las siguientes secciones se muestra cómo acceder a un espacio desde AWS Command Line Interface (AWS CLI). Los procedimientos son para los dominios que utilizan AWS Identity and Access Management (IAM) o AWS IAM Identity Center autenticación.
### Autenticación de IAM
En general, en el siguiente procedimiento se describe cómo obtener acceso a un espacio mediante la autenticación de IAM desde la AWS CLI.
1. Cree una URL de dominio prefirmada en la que se especifique el nombre del espacio al que desea obtener acceso.
```
aws \
--region region \
sagemaker \
create-presigned-domain-url \
--domain-id domain-id \
--user-profile-name user-profile-name \
--space-name space-name
```
1. Vaya a la URL.
### Acceso a un espacio en la autenticación de IAM Identity Center
En el siguiente procedimiento se describe cómo obtener acceso a un espacio mediante la autenticación de IAM Identity Center desde la AWS CLI.
1. Utilice el siguiente comando para devolver la URL asociada al espacio.
```
aws \
--region region \
sagemaker \
describe-space \
--domain-id domain-id \
--space-name space-name
```
1. Anexe el parámetro de redireccionamiento correspondiente al tipo de aplicación a la URL que se va a federar a través del IAM Identity Center. Para obtener más información sobre los parámetros de redireccionamiento, consulte [describe-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/describe-space.html).
1. Vaya a la URL que desea federar a través del IAM Identity Center.
# Colaboración con espacios compartidos
Un espacio compartido de Amazon SageMaker Studio Classic consta de una JupyterServer aplicación compartida y un directorio compartido. Un espacio JupyterLab compartido consta de una JupyterLab aplicación compartida y un directorio compartido dentro de Amazon SageMaker Studio. Todos los perfiles de usuario de un dominio tienen acceso a todos los espacios compartidos del dominio. Amazon SageMaker AI delimita automáticamente los recursos de un espacio compartido dentro del contexto de la aplicación Amazon SageMaker Studio Classic que se lance en ese espacio compartido. Los recursos de un espacio compartido incluyen cuadernos, archivos, experimentos y modelos. Utilice los espacios compartidos para colaborar con otros usuarios en tiempo real mediante características como el etiquetado automático, la coedición de cuadernos en tiempo real y la personalización.
Los espacios compartidos están disponibles en:
+ Amazon SageMaker Studio Clásico
+ JupyterLab
Un espacio compartido de Studio Classic solo es compatible con Studio Classic y sus KernelGateway aplicaciones. Un espacio compartido solo admite el uso de un Amazon Resource Name (ARN) de JupyterLab 3 imágenes. Para obtener más información, consulte [JupyterLab Control de versiones en Amazon SageMaker Studio Classic](studio-jl.md).
Amazon SageMaker AI etiqueta automáticamente todos los recursos de SageMaker IA que cree en el ámbito de un espacio compartido. Puede utilizar estas etiquetas para supervisar los costos y planificar los presupuestos mediante herramientas como AWS Budgets.
Un espacio compartido usa la misma configuración de VPC que el dominio en el que se creó.
**nota**
Los espacios compartidos no admiten el uso de clústeres entre cuentas de Amazon SageMaker Data Wrangler o Amazon EMR.
**Etiquetado automático**
Todos los recursos creados en un espacio compartido se etiquetan automáticamente con una etiqueta de ARN de dominio y una etiqueta de ARN de espacio compartido. La etiqueta de ARN del dominio se basa en el ID del dominio, mientras que la etiqueta de ARN del espacio compartido se basa en el nombre del espacio compartido.
Puede utilizar estas etiquetas para supervisar el uso. AWS CloudTrail Para obtener más información, consulta [Registrar llamadas a la SageMaker API de Amazon con AWS CloudTrail](https://docs.aws.amazon.com//sagemaker/latest/dg/logging-using-cloudtrail.html).
También puedes usar estas etiquetas para monitorear los costos Administración de facturación y costos de AWS. Para obtener más información, consulte [Uso de etiquetas de asignación de AWS costes](https://docs.aws.amazon.com//awsaccountbilling/latest/aboutv2/cost-alloc-tags.html).
**Edición conjunta de cuadernos en tiempo real**
Una ventaja clave de un espacio compartido es que facilita la colaboración entre los miembros del espacio compartido en tiempo real. Los usuarios que colaboran en un espacio de trabajo obtienen acceso a una aplicación de Studio Classic compartida en la que pueden acceder a sus cuadernos, leerlos y editarlos en tiempo real. La colaboración en tiempo real solo se admite para JupyterServer aplicaciones dentro de un espacio compartido.
Los usuarios con acceso a un espacio compartido pueden abrir, ver, editar y ejecutar simultáneamente las libretas de Jupyter en el Studio Classic o en la JupyterLab aplicación compartida de ese espacio.
El cuaderno indica a cada usuario coeditor con un cursor diferente que muestra el nombre del perfil del usuario. Si bien varios usuarios pueden ver el mismo cuaderno, la edición conjunta es más adecuada para grupos pequeños de dos a cinco usuarios.
Para realizar un seguimiento de los cambios realizados por varios usuarios, se recomienda encarecidamente utilizar el control de versiones basado en Git integrado en Studio Classic.
**JupyterServer 2**
Para utilizar espacios compartidos en Studio Classic se requiere la versión 2 de Jupyter Server. Determinadas JupyterLab extensiones y paquetes pueden forzar la degradación de Jupyter Server a la versión 1. Esto impide el uso del espacio compartido. Ejecute lo siguiente desde la línea de comandos para cambiar el número de versión y seguir utilizando los espacios compartidos.
```
conda activate studio
pip install jupyter-server==2.0.0rc3
```
**Personalización de un espacio compartido**
Para asociar una configuración de ciclo de vida o una imagen personalizada a un espacio compartido, debe usar la AWS CLI. Para obtener más información acerca de la creación y asociación de configuraciones de ciclo de vida, consulte [Creación y asociación de una configuración de ciclo de vida con Amazon SageMaker Studio Classic](studio-lcc-create.md). Para obtener más información acerca de la creación y asociación de imágenes personalizadas, consulte [Imágenes personalizadas en Amazon SageMaker Studio Classic](studio-byoi.md).
# Creación de un espacio compartido
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
En el siguiente tema se muestra cómo crear un espacio compartido en un dominio de Amazon SageMaker AI existente. Si creó su dominio sin compatibilidad con espacios compartidos, debe agregar compatibilidad para espacios compartidos a su dominio existente antes de poder crear un espacio compartido.
**Topics**
+ [Adición de compatibilidad para espacios compartidos a un dominio existente](#domain-space-add)
+ [Creación de un espacio compartido](#domain-space-create-app)
## Adición de compatibilidad para espacios compartidos a un dominio existente
Puede utilizar la consola de SageMaker IA o la AWS CLI para añadir soporte para espacios compartidos a un dominio existente. Si el dominio utiliza acceso a la red `VPC only`, solo puede añadir soporte para espacios compartidos mediante la AWS CLI.
### Consola
Realice el siguiente procedimiento para añadir la compatibilidad con los espacios compartidos de Studio Classic a un dominio existente desde la consola de SageMaker IA.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio para el que quiera abrir la página **Configuración del dominio**.
1. En la página **Detalles del dominio**, elija la pestaña **Configuración del dominio**.
1. Elija **Edit (Edición de)**.
1. En **Rol de ejecución predeterminado del espacio**, defina un rol de IAM que se utilice de forma predeterminada para todos los espacios compartidos creados en el dominio.
1. Elija **Siguiente**.
1. Elija **Siguiente**.
1. Elija **Siguiente**.
1. Seleccione **Enviar**.
### AWS CLI
------
#### [ Studio Classic ]
Ejecute el siguiente comando desde el terminal de su equipo local para agregar la configuración de espacio compartido predeterminada a un dominio desde la AWS CLI. Si va a agregar la configuración de espacio compartido predeterminada a un dominio de una Amazon VPC, también debe incluir una lista de grupos de seguridad. Los espacios compartidos de Studio Classic solo admiten el uso de JupyterLab 3 imágenes ARNs. Para obtener más información, consulte [JupyterLab Control de versiones en Amazon SageMaker Studio Classic](studio-jl.md).
```
# Public Internet domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn,JupyterServerAppSettings={DefaultResourceSpec={InstanceType=example-instance-type,SageMakerImageArn=sagemaker-image-arn}}"
# VPCOnly domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn,JupyterServerAppSettings={DefaultResourceSpec={InstanceType=system,SageMakerImageArn=sagemaker-image-arn}},SecurityGroups=[security-groups]"
```
Utilice el comando siguiente para comprobar que se haya actualizado la configuración de espacio compartido predeterminada.
```
aws --region region \
sagemaker describe-domain \
--domain-id domain-id
```
------
#### [ JupyterLab ]
Ejecute el siguiente comando desde el terminal de su equipo local para agregar la configuración de espacio compartido predeterminada a un dominio desde la AWS CLI. Si va a agregar la configuración de espacio compartido predeterminada a un dominio de una Amazon VPC, también debe incluir una lista de grupos de seguridad. Los espacios compartidos de Studio Classic solo admiten el uso de JupyterLab 4 imágenes ARNs. Para obtener más información, consulte [JupyterLab Control de versiones en Amazon SageMaker Studio Classic](studio-jl.md).
```
# Public Internet domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn", JupyterLabAppSettings={DefaultResourceSpec={InstanceType=example-instance-type,SageMakerImageArn=sagemaker-image-arn}}"
# VPCOnly domain
aws --region region \
sagemaker update-domain \
--domain-id domain-id \
--default-space-settings "ExecutionRole=execution-role-arn, SecurityGroups=[security-groups]"
```
Utilice el comando siguiente para comprobar que se haya actualizado la configuración de espacio compartido predeterminada.
```
aws --region region \
sagemaker describe-domain \
--domain-id domain-id
```
------
## Creación de un espacio compartido
En las siguientes secciones se muestra cómo crear un espacio compartido desde la consola Amazon SageMaker AI, Amazon SageMaker Studio o el AWS CLI.
### Creación desde Studio
Utilice los siguientes procedimientos para crear un espacio compartido en un dominio desde Studio.
------
#### [ Studio Classic ]
1. Vaya a Studio siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. En la IU de Studio, busque el panel de aplicaciones en la parte izquierda.
1. En el panel de aplicaciones, seleccione **Studio Classic**.
1. Elija **Crear espacio de Studio Classic**
1. En la ventana emergente, escriba un nombre para el espacio.
1. Elija **Crear espacio**.
------
#### [ JupyterLab ]
1. Vaya a Studio siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. En la IU de Studio, busque el panel de aplicaciones en la parte izquierda.
1. En el panel de aplicaciones, selecciona **JupyterLab**.
1. Elija **Crear JupyterLab espacio**
1. En la ventana emergente, escriba un nombre para el espacio.
1. Elija **Crear espacio**.
------
### Creación desde la consola
Realice el siguiente procedimiento para crear un espacio compartido en un dominio desde la consola de SageMaker IA.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio para el que desea crear un espacio compartido.
1. En la página **Detalles del dominio**, elija la pestaña **Administración del espacio**.
1. Seleccione **Crear**.
1. Ingrese un nombre para el espacio compartido. Los nombres de los espacios compartidos de un dominio deben ser únicos. El rol de ejecución del espacio compartido se establece en el rol de ejecución de IAM del dominio.
### Crea desde AWS CLI
En esta sección se muestra cómo crear un espacio compartido desde la AWS CLI.
No se puede establecer el rol de ejecución de un espacio compartido al crearlo o actualizarlo. Solo se `DefaultDomainExecRole` puede configurar al crear o actualizar el dominio. Los espacios compartidos solo admiten el uso de JupyterLab 3 imágenes ARNs. Para obtener más información, consulte [JupyterLab Control de versiones en Amazon SageMaker Studio Classic](studio-jl.md).
Para crear un espacio compartido desde AWS CLI, ejecute uno de los siguientes comandos desde la terminal de su máquina local.
------
#### [ Studio Classic ]
```
aws --region region \
sagemaker create-space \
--domain-id domain-id \
--space-name space-name \
--space-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "sagemaker-image-arn",
"InstanceType": "system"
}
}
}'
```
------
#### [ JupyterLab ]
```
aws --region region \
sagemaker create-space \
--domain-id domain-id \
--space-name space-name \
--ownership-settings "{\"OwnerUserProfileName\": \"user-profile-name\"}" \
--space-sharing-settings "{\"SharingType\": \"Shared\"}" \
--space-settings "{\"AppType\": \"JupyterLab\"}"
```
------
# Obtención de información sobre espacios compartidos
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos que [migres tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En esta guía se muestra cómo acceder a una lista de espacios compartidos en un dominio de Amazon SageMaker AI con la consola Amazon AI, Amazon SageMaker Studio o el AWS CLI. SageMaker También muestra cómo ver los detalles de un espacio compartido desde la AWS CLI.
**Topics**
+ [Enumerar los espacios compartidos](#domain-space-list-spaces)
+ [Ver los detalles del espacio compartido](#domain-space-describe)
## Enumerar los espacios compartidos
En el siguiente tema se describe cómo ver una lista de espacios compartidos dentro de un dominio desde la consola SageMaker AI o desde la AWS CLI.
### Lista de espacios compartidos desde Studio
Complete el siguiente procedimiento para ver una lista de espacios compartidos en un dominio desde Studio.
1. Vaya a Studio siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. En la IU de Studio, busque el panel de aplicaciones en la parte izquierda.
1. En el panel de aplicaciones, selecciona **Studio Classic** o **JupyterLab**. Puede ver los espacios que se utilizan para ejecutar el tipo de aplicación.
### Enumerar los espacios compartidos desde la consola
Complete el siguiente procedimiento para ver una lista de los espacios compartidos de un dominio desde la consola de SageMaker IA.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio del que desea ver la lista de espacios compartidos.
1. En la página **Detalles del dominio**, elija la pestaña **Administración del espacio**.
### Enumere los espacios compartidos desde AWS CLI
Para enumerar los espacios compartidos de un dominio desde el AWS CLI, ejecute el siguiente comando desde la terminal de su máquina local.
```
aws --region region \
sagemaker list-spaces \
--domain-id domain-id
```
## Ver los detalles del espacio compartido
En la siguiente sección se describe cómo ver los detalles de los espacios compartidos desde la consola SageMaker AI, Studio o el AWS CLI.
### Visualización de detalles de espacio compartido desde Studio
Complete el siguiente procedimiento para ver los detalles de un espacio compartido en un dominio desde Studio.
1. Vaya a Studio siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. En la IU de Studio, busque el panel de aplicaciones en la parte izquierda.
1. En el panel de aplicaciones, selecciona **Studio Classic** o **JupyterLab**. Puede ver los espacios que están ejecutando la aplicación.
1. Seleccione el nombre del espacio del que quiera ver más detalles.
### Ver los detalles del espacio compartido desde la consola
Puede ver los detalles de un espacio compartido desde la consola de SageMaker IA mediante el siguiente procedimiento.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio del que desea ver la lista de espacios compartidos.
1. En la página **Detalles del dominio**, elija la pestaña **Administración del espacio**.
1. Seleccione el nombre del espacio para abrir una nueva página con información sobre el espacio compartido.
### Vea los detalles del espacio compartido desde el AWS CLI
Para ver los detalles de un espacio compartido desde el AWS CLI, ejecute el siguiente comando desde la terminal de su máquina local.
```
aws --region region \
sagemaker describe-space \
--domain-id domain-id \
--space-name space-name
```
# Edición de un espacio compartido
Solo puedes editar los detalles de un Amazon SageMaker Studio Classic o un espacio JupyterLab compartido mediante AWS CLI. No puedes editar los detalles de un espacio compartido desde la consola Amazon SageMaker AI. Solo puede actualizar los atributos del espacio de trabajo cuando no haya aplicaciones en ejecución en el espacio compartido.
------
#### [ Studio Classic ]
Para editar los detalles de un espacio compartido de Studio Classic desde el AWS CLI, ejecute uno de los siguientes comandos desde el terminal de su máquina local. Los espacios compartidos solo admiten el uso de JupyterLab 3 imágenes. ARNs Para obtener más información, consulte [JupyterLab Control de versiones en Amazon SageMaker Studio Classic](studio-jl.md).
```
aws --region region \
sagemaker update-space \
--domain-id domain-id \
--space-name space-name \
--query SpaceArn --output text \
--space-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "sagemaker-image-arn",
"InstanceType": "system"
}
}
}'
```
------
#### [ JupyterLab ]
Para editar los detalles de un espacio JupyterLab compartido desde el AWS CLI, ejecute uno de los siguientes comandos desde el terminal de su máquina local. Los espacios compartidos solo admiten el uso de 4 imágenes. JupyterLab ARNs Para obtener más información, consulte [SageMaker JupyterLab](studio-updated-jl.md).
```
aws --region region \
sagemaker update-space \
--domain-id domain-id \
--space-name space-name \
--space-settings "{
"SpaceStorageSettings": {
"EbsStorageSettings": {
"EbsVolumeSizeInGb":100
}
}
}
}"
```
------
# Eliminación de un espacio compartido
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos que [migres tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En el siguiente tema se muestra cómo eliminar un espacio compartido de Amazon SageMaker Studio Classic de la consola Amazon SageMaker AI o AWS CLI. Solo es posible eliminar un espacio compartido si no tiene aplicaciones en ejecución.
**Topics**
+ [Consola](#domain-space-delete-console)
+ [AWS CLI](#domain-space-delete-cli)
## Consola
Complete el siguiente procedimiento para eliminar un espacio compartido en el dominio Amazon SageMaker AI de la consola SageMaker AI.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio para el que desea crear un espacio compartido.
1. En la página **Detalles del dominio**, elija la pestaña **Administración del espacio**.
1. Seleccione el espacio compartido que desea eliminar. El espacio compartido no debe contener ninguna aplicación que no haya presentado errores.
1. Elija **Eliminar**. Se abre una nueva ventana.
1. Elija **Sí, eliminar espacio**.
1. Escribe *delete* en el campo.
1. Elija **Eliminar espacio**.
## AWS CLI
Para eliminar un espacio compartido de AWS CLI, ejecute el siguiente comando desde la terminal de su máquina local.
```
aws --region region \
sagemaker delete-space \
--domain-id domain-id \
--space-name space-name
```
# Propagación de identidades de confianza con Studio
La propagación fiable de la identidad es una AWS IAM Identity Center función que los administradores de los AWS servicios conectados pueden utilizar para conceder y auditar el acceso a los datos del servicio. El acceso a estos datos se basa en los atributos del usuario, como las asociaciones de grupo. La configuración de una propagación de identidad fiable requiere la colaboración entre los administradores de los AWS servicios conectados y el administrador del Centro de Identidad de IAM. Para obtener más información, consulte [Requisitos previos y consideraciones](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html).
Los administradores de Amazon SageMaker Studio e IAM Identity Center pueden colaborar para conectar los servicios y así poder propagar identidades de forma fiable. La propagación fiable de la identidad responde a las necesidades de autenticación empresarial en todos AWS los servicios al simplificar:
+ Auditoría mejorada que rastrea las acciones de usuarios específicos
+ Gestión del acceso a las cargas de trabajo de ciencia de datos y aprendizaje automático mediante la integración con servicios compatibles AWS
+ Requisitos de conformidad en los sectores regulados
Studio admite la propagación fiable de la identidad con fines de auditoría y el control de acceso con AWS los servicios conectados. La propagación de identidades de confianza en Studio no administra directamente las decisiones de autenticación o autorización dentro del propio Studio. En su lugar, propaga la información del contexto de la identidad a servicios compatibles que pueden usar esta información para el control de acceso.
Cuando utilizas la propagación de identidades fiable con Studio, la identidad de tu centro de identidad de IAM se propaga a los AWS servicios conectados, lo que crea permisos y una gobernanza de seguridad más detallados.
**Topics**
+ [Compatibilidad y arquitectura de propagación de identidades de confianza](trustedidentitypropagation-compatibility.md)
+ [Configuración de la propagación de identidades de confianza para Studio](trustedidentitypropagation-setup.md)
+ [Supervisión y auditoría con CloudTrail](trustedidentitypropagation-auditing.md)
+ [Sesiones de usuario en segundo plano](trustedidentitypropagation-user-background-sessions.md)
+ [¿Cómo conectarse con otros AWS servicios que tengan habilitada la propagación de identidades confiable?](trustedidentitypropagation-connect-other.md)
# Compatibilidad y arquitectura de propagación de identidades de confianza
La propagación de identidad confiable se integra AWS IAM Identity Center con Amazon SageMaker Studio y otros AWS servicios conectados para propagar el contexto de identidad de los usuarios en todos los servicios. En la siguiente página, se resume la arquitectura de propagación de identidades confiable y su compatibilidad con SageMaker la IA. Para obtener una descripción general completa de cómo funciona la propagación de identidades confiables AWS, consulte [Descripción general de la propagación de identidades confiables](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overview.html).
Entre los componentes clave de la arquitectura de propagación de identidades de confianza se incluyen:
+ **Propagación de identidades de confianza**: metodología para propagar el contexto de identidad del usuario entre aplicaciones y servicios.
+ **Contexto de identidad**: información sobre un usuario.
+ Sesión de **rol de IAM con identidad mejorada: las sesiones** de rol de IAM con identidad mejorada tienen un contexto de identidad adicional que incluye un identificador de usuario al servicio al que llaman AWS
+ ** AWS Servicios conectados: otros AWS servicios** que pueden reconocer el contexto de identidad que se propaga mediante una propagación de identidad fiable
La propagación fiable de la identidad permite a AWS los servicios conectados tomar decisiones de acceso en función de la identidad del usuario. En el propio Studio, los roles de IAM se utilizan como portadores del contexto de identidad y no para tomar decisiones de control de acceso. El contexto de identidad se propaga a los AWS servicios conectados, donde se puede utilizar tanto con fines de control de acceso como de auditoría. Consulte las [trusted identity propagation considerations](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html#trustedidentitypropagation-considerations) para obtener más información.
Cuando habilitas la propagación fiable de la identidad con Studio y te autenticas a través del IAM Identity Center, la IA: SageMaker
+ Captura el contexto de identidad del usuario del IAM Identity Center.
+ Crea una sesión de rol de IAM con identidad mejorada que incluye el contexto de identidad del usuario.
+ Transfiere la sesión de rol de IAM con identidad mejorada a AWS servicios compatibles cuando el usuario accede a los recursos
+ Permite que AWS los servicios intermedios tomen decisiones de acceso y registren las actividades en función de la identidad del usuario
## Funciones de SageMaker IA compatibles
La propagación de identidades de confianza funciona con las siguientes características de Studio:
+ Espacios privados de [Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html) (JupyterLab y editor de código, basado en Code-OSS, código de Visual Studio, código abierto)
**nota**
Cuando Studio se lanza con la propagación de identidades de confianza habilitada, utiliza el contexto de su identidad además de los permisos del rol de ejecución. Sin embargo, los siguientes procesos durante la configuración de la instancia solo utilizarán los permisos de la función de ejecución, sin el contexto de identidad: configuración del ciclo de vida Bring-Your-Own-Image, CloudWatch agente para el reenvío de registros de usuarios.
En la actualidad, la propagación de identidades de confianza no [admite el acceso remoto](https://docs.aws.amazon.com/sagemaker/latest/dg/remote-access.html).
Cuando utilizas las operaciones de asumir roles en los cuadernos de Studio, los roles asumidos no propagan un contexto de propagación de identidades confiable. Solo el rol de ejecución original mantiene el contexto de identidad.
+ [SageMakerCapacitación](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html)
+ [SageMakerProcesamiento](https://docs.aws.amazon.com/sagemaker/latest/dg/processing-job.html)
+ [SageMaker Alojamiento de IA en tiempo real](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints-options.html)
+ [SageMakerTuberías](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-overview.html)
+ [SageMakerinferencia en tiempo real](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html)
+ [SageMakerInferencia asíncrona](https://docs.aws.amazon.com/sagemaker/latest/dg/async-inference.html)
+ [Administrado MLflow](https://docs.aws.amazon.com/sagemaker/latest/dg/mlflow.html)
## Servicios AWS compatibles
La propagación de identidades de confianza para Amazon SageMaker Studio se integra con AWS los servicios compatibles, en los que está habilitada la propagación de identidades de confianza. Consulte los [casos de uso](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-integrations.html) para obtener una lista completa con ejemplos sobre cómo habilitar la propagación de identidades de confianza. Los servicios de propagación de identidades de confianza compatibles son los siguientes.
+ [Amazon Athena](https://docs.aws.amazon.com/athena/latest/ug/workgroups-identity-center.html)
+ [Amazon EMR en EC2](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-idc-start.html)
+ [EMR sin servidor](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-service-trusted-prop.html)
+ [AWS Lake Formation](https://docs.aws.amazon.com/lake-formation/latest/dg/identity-center-integration.html)
+ [API de datos de Amazon Redshift](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-trusted-identity-propagation.html)
+ Amazon S3 (mediante [Concesiones de acceso a Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants-get-started.html))
+ [AWS Glue Connections](https://docs.aws.amazon.com/glue/latest/dg/security-trusted-identity-propagation.html)
Cuando la propagación de identidad confiable está habilitada con la SageMaker IA, se conectan todos los demás AWS servicios con la propagación de identidad confiable habilitada. Una vez conectados, reconocen y utilizan el contexto de identidad del usuario para el control de acceso y la auditoría.
## Compatible Regiones de AWS
Studio admite la propagación de identidades de confianza cuando [se admite IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/regions.html) y la autenticación de Studio con IAM Identity Center. Studio admite la propagación de identidades fiables en los siguientes casos Regiones de AWS:
+ af-south-1
+ ap-east-1
+ ap-northeast-1
+ ap-northeast-2
+ ap-northeast-3
+ ap-south-1
+ ap-southeast-1
+ ap-southeast-2
+ ap-southeast-3
+ ca-central-1
+ eu-central-1
+ eu-central-2
+ eu-north-1
+ eu-south-1
+ eu-west-1
+ eu-west-2
+ eu-west-3
+ il-central-1
+ me-south-1
+ sa-east-1
+ us-east-1
+ us-east-2
+ us-west-1
+ us-west-2
# Configuración de la propagación de identidades de confianza para Studio
La configuración de la propagación de identidades de confianza para Amazon SageMaker Studio requiere que su dominio de Amazon SageMaker AI tenga configurado el método de autenticación del Centro de Identidad de IAM. En esta sección se explican los requisitos previos y los pasos necesarios para habilitar y configurar la propagación de identidades de confianza para los usuarios de Studio.
**Topics**
+ [Requisitos previos](#trustedidentitypropagation-setup-prerequisites)
+ [Habilite la propagación de identidad confiable para su dominio de Amazon SageMaker AI](#trustedidentitypropagation-setup-enable)
+ [Configura tu función de ejecución de SageMaker IA](#trustedidentitypropagation-setup-permissions)
## Requisitos previos
Antes de configurar la propagación de identidad fiable para la SageMaker IA, configure su centro de identidad de IAM siguiendo las instrucciones siguientes.
**nota**
Asegúrese de que su IAM Identity Center y su dominio estén en la misma región.
+ [Requisitos previos de propagación de identidades de confianza de IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/trustedidentitypropagation-overall-prerequisites.html#trustedidentitypropagation-prerequisites)
+ [Configuración de IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/getting-started.html)
+ [Adición de usuarios a su directorio de IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/addusers.html)
## Habilite la propagación de identidad confiable para su dominio de Amazon SageMaker AI
**importante**
Solo puede habilitar la propagación de identidades de confianza para los dominios con el método de autenticación de AWS IAM Identity Center configurado.
El centro de identidad de IAM y el dominio de Amazon SageMaker AI deben estar en el mismo Región de AWS lugar.
Utilice una de las siguientes opciones para aprender a habilitar la propagación de identidades de confianza para un dominio nuevo o existente.
------
#### [ New domain - console ]
**Habilite la propagación de identidad confiable para un nuevo dominio mediante la consola de SageMaker IA**
1. Abre la [consola Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Vaya a **Dominios**.
1. [Cree un dominio personalizado](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-custom.html). El dominio debe tener configurado el método de autenticación de **AWS IAM Identity Center**.
1. En la sección **Propagación de identidad de confianza**, seleccione **Habilitar la propagación de identidades de confianza para todos los usuarios de este dominio**.
1. Complete el proceso de creación personalizado.
------
#### [ Existing domain - console ]
**Habilite la propagación de identidad confiable para un dominio existente mediante la consola de SageMaker IA**
**nota**
Para que la propagación de identidades de confianza funcione correctamente una vez habilitada para un dominio existente, los usuarios deberán reiniciar sus sesiones actuales del IAM Identity Center. Para hacerlo, haga lo siguiente:
Los usuarios deberán cerrar sesión y volver a iniciarla en sus sesiones actuales del IAM Identity Center
Los administradores pueden [finalizar las sesiones activas para los usuarios de sus empleados](https://docs.aws.amazon.com/singlesignon/latest/userguide/end-active-sessions.html).
1. Abre la [consola Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. Vaya a **Dominios**.
1. Seleccione el dominio existente. El dominio debe tener configurado el método de autenticación de **AWS IAM Identity Center**.
1. En la pestaña **Configuración del dominio**, seleccione **Editar** en la sección **Autenticación y permisos**.
1. Seleccione **Habilitar la propagación de identidades de confianza para todos los usuarios de este dominio**.
1. Rellene la configuración del dominio.
------
#### [ Existing domain - AWS CLI ]
Habilite la propagación de identidad confiable para un dominio existente mediante el AWS CLI
**nota**
Para que la propagación de identidades de confianza funcione correctamente una vez habilitada para un dominio existente, los usuarios deberán reiniciar sus sesiones actuales del IAM Identity Center. Para hacerlo, haga lo siguiente:
Los usuarios deberán cerrar sesión y volver a iniciarla en sus sesiones actuales del IAM Identity Center
Los administradores pueden [finalizar las sesiones activas para los usuarios de sus empleados](https://docs.aws.amazon.com/singlesignon/latest/userguide/end-active-sessions.html).
```
aws sagemaker update-domain \
--region $REGION \
--domain-id $DOMAIN_ID \
--domain-settings "TrustedIdentityPropagationSettings={Status=ENABLED}"
```
+ `DOMAIN_ID`es el ID de dominio de Amazon SageMaker AI. Para obtener más información, consulte [Ver dominios](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view.html).
+ `REGION`es el Región de AWS de tu dominio de Amazon SageMaker AI. Puedes encontrarlo en la parte superior derecha de cualquier página de AWS consola.
------
## Configura tu función de ejecución de SageMaker IA
Para habilitar la propagación de identidades de confianza para sus usuarios de Studio, todos los roles de propagación de identidades de confianza deben definir los siguientes permisos de contexto. Actualice la política de confianza de todos los roles para incluir las acciones `sts:AssumeRole` y `sts:SetContext`. Use la siguiente política cuando [actualice la política de confianza de su rol](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_update-role-trust-policy.html).
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
},
"Action": [
"sts:AssumeRole",
"sts:SetContext"
]
}
]
}
```
------
# Supervisión y auditoría con CloudTrail
Con la propagación de identidades fiable habilitada, AWS CloudTrail los registros incluyen la información de identidad del usuario específico que realizó una acción, y no solo la función de IAM. Esto proporciona capacidades de auditoría mejoradas para garantizar el cumplimiento y la seguridad.
Para ver la información de identidad en CloudTrail los registros:
+ Abra la [consola de CloudTrail ](https://console.aws.amazon.com/cloudtrail).
+ Elija **Historial de eventos** en el panel de navegación izquierdo
+ Elija eventos de SageMaker AI y servicios relacionados.
+ En **Registro de eventos**, busque la clave `onBehalfOf`. Contiene la clave `userId` y otra información de identificación del usuario que se puede asignar a un usuario específico de IAM Identity Center.
Consulte [los casos de CloudTrail uso del IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/sso-cloudtrail-use-cases.html) para obtener más información.
# Sesiones de usuario en segundo plano
Las sesiones de usuario en segundo plano continúan incluso si el usuario ya no está activo. Estas sesiones permiten realizar trabajos de larga duración que pueden continuar incluso después de que el usuario haya cerrado su sesión. Esto se puede activar mediante la fiable propagación de identidades de la SageMaker IA. En la siguiente página se explican las opciones de configuración y los comportamientos de las sesiones de usuario en segundo plano.
**nota**
Las sesiones de usuario activas existentes no se ven afectadas cuando se habilita la propagación de identidades de confianza. La duración predeterminada solo se aplica a las sesiones de usuario nuevas o a las sesiones reiniciadas.
Las sesiones de usuario en segundo plano se aplican a cualquier flujo de trabajo de SageMaker IA de larga duración o a cualquier trabajo con estados persistentes. Esto incluye, pero no se limita a, cualquier recurso de SageMaker IA que mantenga el estado de ejecución o requiera una supervisión continua. Por ejemplo, los trabajos de SageMaker formación, procesamiento y ejecución de canalizaciones.
**Topics**
+ [Configuración de la sesión de usuario en segundo plano](#configure-user-background-sessions)
+ [Duración predeterminada de la sesión de usuario en segundo plano](#default-user-background-session-duration)
+ [Efecto de deshabilitar la propagación de identidades de confianza en Studio](#user-background-session-impact-disable-trustedidentitypropagation-studio)
+ [Efecto de deshabilitar las sesiones de usuario en segundo plano en la consola de IAM Identity Center](#user-background-session-impact-disable-trustedidentitypropagation-identity-center)
+ [Consideraciones sobre el tiempo de ejecución](#user-background-session-runtime-considerations)
## Configuración de la sesión de usuario en segundo plano
Una vez que se habilita la propagación de identidades de confianza para Amazon SageMaker Studio, los límites de duración predeterminados se pueden configurar mediante las [sesiones en segundo plano de los usuarios en el Centro de identidades de IAM](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html).
## Duración predeterminada de la sesión de usuario en segundo plano
De forma predeterminada, todas las sesiones de usuario en segundo plano tienen un límite de duración de 7 días. Los administradores pueden [modificar esta duración en la consola de IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html). Esta configuración se aplica a la instancia de IAM Identity Center y afecta a todas las aplicaciones de IAM Identity Center y a los dominios de Studio dentro de dicha instancia.
Cuando la propagación de identidad confiable esté habilitada, los administradores de la consola de SageMaker IA encontrarán un banner con la siguiente información:
+ El límite de duración de las sesiones de usuario en segundo plano
+ Un enlace a la consola de IAM Identity Center, donde los administradores pueden cambiar esta configuración
+ La duración se puede establecer en cualquier valor, desde 15 minutos hasta 90 días
Cuando la sesión de usuario en segundo plano haya caducado aparecerá un mensaje de error. Puede utilizar el enlace a la consola de IAM Identity Center para actualizar la duración.
## Efecto de deshabilitar la propagación de identidades de confianza en Studio
Si un administrador desactiva la propagación de identidad fiable, después de haberla activado inicialmente, en la consola de SageMaker IA:
+ Los trabajos existentes seguirán ejecutándose sin interrupción cuando las sesiones de usuario en segundo plano están habilitadas.
+ Cuando las sesiones de usuario en segundo plano están inhabilitadas, todos los flujos de trabajo de SageMaker IA prolongados o los trabajos con estados persistentes pasarán a utilizar sesiones interactivas. Esto incluye, pero no se limita a, cualquier recurso de SageMaker IA que mantenga el estado de ejecución o requiera una supervisión continua. Por ejemplo, los trabajos de Amazon SageMaker Training and Processing.
+ Los usuarios pueden reiniciar los trabajos que hayan caducado desde los puntos de comprobación.
+ Los nuevos trabajos se ejecutan con credenciales de rol de IAM y no propagan el contexto de identidad.
## Efecto de deshabilitar las sesiones de usuario en segundo plano en la consola de IAM Identity Center
Cuando la sesión del usuario en segundo plano está **deshabilitada** para la instancia del IAM Identity Center, el trabajo de SageMaker IA utiliza las sesiones interactivas del usuario. Al utilizar sesiones interactivas, un trabajo de SageMaker IA fallará en 15 minutos si:
+ el usuario cierra sesión,
+ el administrador revoca la sesión interactiva.
Cuando la sesión del usuario en segundo plano está **habilitada** para la instancia del IAM Identity Center, el trabajo de SageMaker IA utiliza las sesiones en segundo plano del usuario. Al utilizar sesiones interactivas, un trabajo de SageMaker IA fallará en 15 minutos si:
+ la sesión de usuario en segundo plano caduca,
+ un administrador revoca manualmente la sesión de usuario en segundo plano.
A continuación, se proporciona un ejemplo de comportamiento con los trabajos de SageMaker formación. Cuando un administrador habilita la propagación de identidades de confianza pero desactiva las [sesiones de usuario en segundo plano](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html) en la consola de IAM Identity Center:
+ Si un usuario permanece conectado, los trabajos de entrenamiento creados durante las sesiones en segundo plano estarán desactivados y recurrirán a la sesión interactiva.
+ Si el usuario cierra su sesión, la sesión caduca y los trabajos de entrenamiento que dependen de la sesión interactiva darán error.
+ Los usuarios pueden reiniciar su trabajo de entrenamiento desde el último punto de comprobación. La duración de la sesión se determina en función de lo establecido para la duración de la sesión interactiva en la consola de IAM Identity Center.
+ Si un usuario desactiva las sesiones en segundo plano **después** de iniciar un trabajo, el trabajo seguirá utilizando las sesiones en segundo plano existentes. En otras palabras, la SageMaker IA no creará nuevas sesiones en segundo plano.
El mismo comportamiento se aplica si las sesiones en segundo plano están habilitadas en el nivel de instancia del IAM Identity Center, pero se deshabilitan específicamente para la aplicación Studio mediante el [IAM Identity](https://docs.aws.amazon.com/singlesignon/latest/APIReference/welcome.html) Center. APIs
## Consideraciones sobre el tiempo de ejecución
Cuando un administrador establece tareas `MaxRuntimeInSeconds` de formación o procesamiento de larga duración que son inferiores a la duración de la sesión en segundo plano del usuario, SageMaker AI ejecuta la tarea durante el tiempo mínimo de la sesión en segundo plano del usuario. `MaxRuntimeInSeconds` Para obtener más información acerca de `MaxRuntimeInSeconds`, consulte [CreateTrainingJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html#sagemaker-CreateTrainingJob-request-StoppingCondition). Consulte las [sesiones de usuario en segundo plano en IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/user-background-sessions.html) para obtener más información sobre cómo configurar el tiempo de ejecución.
# ¿Cómo conectarse con otros AWS servicios que tengan habilitada la propagación de identidades confiable?
Cuando la propagación de identidad confiable está habilitada para su dominio de Amazon SageMaker AI, los usuarios del dominio pueden conectarse a otros AWS servicios confiables habilitados para la propagación de identidad. Cuando la propagación de identidades de confianza está habilitada, el contexto de su identidad se propaga automáticamente a los servicios compatibles, lo que permite un control de acceso detallado y una mejor auditoría de todos sus flujos de trabajo de machine learning. Esta integración elimina la necesidad de cambios complejos de funciones de IAM y proporciona una experiencia de identidad unificada en todos AWS los servicios. En las siguientes páginas se proporciona información sobre cómo conectar Amazon SageMaker Studio a otros AWS servicios cuando está habilitada la propagación de identidades de confianza.
**Topics**
+ [Conecte las JupyterLab libretas Studio a Amazon S3 Access Grants con la propagación de identidad confiable habilitada](trustedidentitypropagation-s3-access-grants.md)
+ [Conecte las JupyterLab libretas Studio a Amazon EMR con la propagación de identidad confiable habilitada](trustedidentitypropagation-emr-ec2.md)
+ [Conecte sus JupyterLab cuadernos Studio a EMR Serverless con la propagación de identidad confiable habilitada](trustedidentitypropagation-emr-serverless.md)
+ [Conecte JupyterLab los cuadernos de Studio a la API de Redshift Data con la propagación de identidad confiable habilitada](trustedidentitypropagation-redshift-data-apis.md)
+ [Conecte JupyterLab los cuadernos de Studio a Lake Formation y Athena con la función de propagación de identidad fiable habilitada](trustedidentitypropagation-lake-formation-athena.md)
# Conecte las JupyterLab libretas Studio a Amazon S3 Access Grants con la propagación de identidad confiable habilitada
Puede utilizar [Concesiones de acceso a Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html) para otorgar control de acceso detallado y basado en la identidad a las ubicaciones de Amazon S3 de forma flexible. Esto concede a los buckets de Amazon S3 acceso directo a los usuarios y grupos corporativos. En las siguientes páginas se proporciona información e instrucciones sobre cómo utilizar Amazon S3 Access Grants con una propagación de identidad fiable para SageMaker IA.
## Requisitos previos
Para conectar Studio con Lake Formation y Athena con la propagación de identidades de confianza habilitada, debe haber completado los siguientes requisitos previos:
+ [Configuración de la propagación de identidades de confianza para Studio](trustedidentitypropagation-setup.md)
+ Siga las instrucciones de [Introducción a Concesiones de acceso a Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants-get-started.html) para configurar Concesiones de acceso a Amazon S3 para su bucket. Para obtener más información, consulte [Administración del acceso con Concesiones de acceso a Amazon S3](https://aws.amazon.com/blogs/storage/scaling-data-access-with-amazon-s3-access-grants/).
**nota**
Los Amazon S3 estándar APIs no funcionan automáticamente con las concesiones de acceso de Amazon S3. Debe usar Amazon S3 Access Grants de forma explícita APIs. Para obtener más información, consulte [Administración del acceso con Concesiones de acceso a Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html).
**Topics**
+ [Requisitos previos](#s3-access-grants-prerequisites)
+ [Conecta Amazon S3 Access Grants con las JupyterLab libretas Studio](s3-access-grants-setup.md)
+ [Conecte las JupyterLab libretas Studio a Amazon S3 Access Grants con tareas de formación y procesamiento](trustedidentitypropagation-s3-access-grants-jobs.md)
# Conecta Amazon S3 Access Grants con las JupyterLab libretas Studio
Utilice la siguiente información para conceder subvenciones de acceso a Amazon S3 en las JupyterLab libretas Studio.
Después de configurar Concesiones de acceso a Amazon S3, [añada los siguientes permisos](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) a su dominio o [rol de ejecución](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role) de usuario.
+ `us-east-1` es su Región de AWS.
+ `111122223333` es su ID de Cuenta de AWS .
+ `S3-ACCESS-GRANT-ROLE` es su rol de Concesiones de acceso a Amazon S3.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowDataAccessAPI",
"Effect": "Allow",
"Action": [
"s3:GetDataAccess"
],
"Resource": [
"arn:aws:s3:us-east-1:111122223333:access-grants/default"
]
},
{
"Sid": "RequiredForTIP",
"Effect": "Allow",
"Action": "sts:SetContext",
"Resource": "arn:aws:iam::111122223333:role/S3-ACCESS-GRANT-ROLE"
}
]
}
```
------
Asegúrese de que la política de confianza de su rol de Concesiones de acceso a Amazon S3 permita las acciones `sts:SetContext` y `sts:AssumeRole`. Use la siguiente política de ejemplo cuando [actualice la política de confianza de su rol](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_update-role-trust-policy.html).
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"access-grants.s3.amazonaws.com"
]
},
"Action": [
"sts:AssumeRole",
"sts:SetContext"
],
"Condition": {
"StringEquals": {
"aws:SourceAccount": "111122223333",
"aws:SourceArn": "arn:aws:s3:us-east-1:111122223333:access-grants/default"
}
}
}
]
}
```
------
## Uso de Concesiones de acceso a Amazon S3 para llamar a Amazon S3
A continuación, se muestra un ejemplo de script de Python que muestra cómo se puede utilizar Concesiones de acceso a Amazon S3 para llamar a Amazon S3. Esto supone que ya ha configurado correctamente la propagación de identidades confiable con SageMaker IA.
```
import boto3
from botocore.config import Config
def get_access_grant_credentials(account_id: str, target: str,
permission: str = 'READ'):
s3control = boto3.client('s3control')
response = s3control.get_data_access(
AccountId=account_id,
Target=target,
Permission=permission
)
return response['Credentials']
def create_s3_client_from_credentials(credentials) -> boto3.client:
return boto3.client(
's3',
aws_access_key_id=credentials['AccessKeyId'],
aws_secret_access_key=credentials['SecretAccessKey'],
aws_session_token=credentials['SessionToken']
)
# Create client
credentials = get_access_grant_credentials('111122223333',
"s3://tip-enabled-bucket/tip-enabled-path/")
s3 = create_s3_client_from_credentials(credentials)
s3.list_objects(Bucket="tip-enabled-bucket", Prefix="tip-enabled-path/")
```
Si utiliza una ruta a un bucket de Amazon S3 donde la concesión de acceso a Amazon S3 no está habilitada, se producirá un error en la llamada.
Para otros lenguajes de programación, consulte [Administración del acceso con Concesiones de acceso a Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-grants.html) para obtener más información.
# Conecte las JupyterLab libretas Studio a Amazon S3 Access Grants con tareas de formación y procesamiento
Utilice la siguiente información para conceder subvenciones de acceso a Amazon S3 para acceder a los datos en los trabajos de SageMaker formación y procesamiento de Amazon.
Cuando un usuario con la propagación de identidad fiable habilitada lanza un trabajo de SageMaker formación o procesamiento que necesita acceder a los datos de Amazon S3:
+ SageMaker AI solicita Amazon S3 Access Grants para obtener credenciales temporales basadas en la identidad del usuario
+ Si se ejecutan correctamente, estas credenciales temporales acceden a los datos de Amazon S3.
+ Si no lo consigue, SageMaker AI vuelve a utilizar las credenciales del rol de IAM
**nota**
Para garantizar que todos los permisos se concedan mediante Concesiones de acceso a Amazon S3, tendrá que eliminar el permiso de acceso a Amazon S3 relacionado con su rol de ejecución y asociarlo a su [Concesiones de acceso a Amazon S3](https://docs.aws.amazon.com/singlesignon/latest/userguide/tip-tutorial-s3.html#tip-tutorial-s3-create-grant) correspondiente.
**Topics**
+ [Consideraciones](#s3-access-grants-jobs-considerations)
+ [Configuración de los trabajos de entrenamiento y procesamiento con Concesiones de acceso a Amazon S3](#s3-access-grants-jobs-setup)
## Consideraciones
Las subvenciones de acceso de Amazon S3 no se pueden utilizar con el [modo Pipe](https://docs.aws.amazon.com/sagemaker/latest/dg/augmented-manifest-stream.html) tanto para el SageMaker entrenamiento como para el procesamiento de las entradas de Amazon S3.
Cuando la propagación de identidad confiable está habilitada, no puede iniciar un trabajo de SageMaker formación con la siguiente función
+ Depuración remota
+ Depurador
+ Profiler
Si la propagación de identidades de confianza está habilitada, no puede iniciar un trabajo de procesamiento con la siguiente característica:
+ DatasetDefinition
## Configuración de los trabajos de entrenamiento y procesamiento con Concesiones de acceso a Amazon S3
Después de configurar Concesiones de acceso a Amazon S3, [añada los siguientes permisos](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) a su dominio o [rol de ejecución](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-roles.html#sagemaker-roles-get-execution-role) de usuario.
+ `us-east-1` es su Región de AWS.
+ `111122223333` es su ID de Cuenta de AWS .
+ `S3-ACCESS-GRANT-ROLE` es su rol de Concesiones de acceso a Amazon S3.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowDataAccessAPI",
"Effect": "Allow",
"Action": [
"s3:GetDataAccess",
"s3:GetAccessGrantsInstanceForPrefix"
],
"Resource": [
"arn:aws:s3:us-east-1:111122223333:access-grants/default"
]
},
{
"Sid": "RequiredForIdentificationPropagation",
"Effect": "Allow",
"Action": "sts:SetContext",
"Resource": "arn:aws:iam::111122223333:role/S3-ACCESS-GRANT-ROLE"
}
]
}
```
------
# Conecte las JupyterLab libretas Studio a Amazon EMR con la propagación de identidad confiable habilitada
La conexión de las JupyterLab libretas Amazon SageMaker Studio a los clústeres de Amazon EMR le permite aprovechar la potencia informática distribuida de Amazon EMR para cargas de trabajo de análisis y procesamiento de datos a gran escala. Con la propagación de identidades de confianza habilitada, el contexto de identidad se propaga a Amazon EMR, lo que permite un control de acceso detallado y registros de auditoría integrales. En la página siguiente se proporcionan instrucciones sobre cómo conectar su cuaderno de Studio a los clústeres de Amazon EMR. Una vez configurado, puede utilizar la opción `Connect to Cluster` en su cuaderno de Studio.
Para conectar Studio con Amazon EMR con la propagación de identidades de confianza habilitada, debe haber completado la siguiente configuración:
+ [Configuración de la propagación de identidades de confianza para Studio](trustedidentitypropagation-setup.md)
+ [Introducción a la AWS IAM Identity Center integración para Amazon EMR](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-idc-start.html)
+ [Habilitación de las comunicaciones entre los clústeres de Studio y Amazon EMR](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-cluster.html)
**Conexión a un clúster de Amazon EMR**
Para obtener una lista completa de opciones sobre cómo conectar su JupyterLab portátil a Amazon EMR, consulte [Conectarse a un clúster de Amazon EMR.](https://docs.aws.amazon.com/sagemaker/latest/dg/connect-emr-clusters.html)
# Conecte sus JupyterLab cuadernos Studio a EMR Serverless con la propagación de identidad confiable habilitada
Amazon EMR sin servidor ofrece una opción sin servidor para ejecutar aplicaciones de Apache Spark y Apache Hive sin administrar clústeres. Cuando se integra con la propagación de identidades de confianza, EMR sin servidor escala automáticamente los recursos de computación y, al mismo tiempo, mantiene su contexto de identidad para el control de acceso y la auditoría. Este enfoque elimina la sobrecarga operativa de la administración de clústeres y, al mismo tiempo, preserva las ventajas para la seguridad del control de acceso basado en la identidad. En la siguiente sección se proporciona información sobre cómo conectar su Studio habilitado para la propagación de identidades de confianza con EMR sin servidor.
Para conectar Studio con Amazon EMR sin servidor con la propagación de identidades de confianza habilitada, debe haber completado la siguiente configuración:
+ [Configuración de la propagación de identidades de confianza para Studio](trustedidentitypropagation-setup.md)
+ [Propagación de identidades de confianza con EMR sin servidor](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/security-iam-service-trusted-prop.html)
+ [Habilitación de las comunicaciones entre Studio y EMR sin servidor](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-serverless.html)
**Conexión a la aplicación de EMR sin servidor**
Para obtener una lista completa de opciones sobre cómo conectar su JupyterLab portátil a EMR Serverless, consulte [Conectarse a una aplicación EMR](https://docs.aws.amazon.com/sagemaker/latest/dg/connect-emr-serverless-application.html) Serverless.
# Conecte JupyterLab los cuadernos de Studio a la API de Redshift Data con la propagación de identidad confiable habilitada
La API de datos de Amazon Redshift le permite interactuar con sus clústeres de Amazon Redshift mediante programación sin administrar las conexiones persistentes. Cuando se combina con una propagación de identidades de confianza, la API de datos de Redshift proporciona un acceso seguro y basado en la identidad a su almacén de datos, lo que le permite ejecutar consultas SQL y obtener resultados, al tiempo que mantiene un registro de auditoría completo de las actividades de los usuarios. Esta integración es particularmente valiosa para los flujos de trabajo de ciencia de datos que requieren acceso a datos estructurados almacenados en Redshift. La siguiente página incluye información e instrucciones sobre cómo conectar la propagación de identidades de confianza con Amazon SageMaker Studio a la API de datos de Redshift.
Para conectar Studio con la API de datos de Redshift con la propagación de identidades de confianza habilitada, debe haber completado la siguiente configuración:
+ [Configuración de la propagación de identidades de confianza para Studio](trustedidentitypropagation-setup.md)
+ [Uso de la API de datos de Redshift con propagación de identidades de confianza](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-trusted-identity-propagation.html)
+ Asegúrese de que su rol de ejecución tenga los permisos pertinentes para la API de datos de Redshift. Para obtener más información, consulte la sección sobre cómo [autorizar el acceso](https://docs.aws.amazon.com/redshift/latest/mgmt/data-api-access.html).
+ [Simplifique la administración del acceso con Amazon Redshift y AWS Lake Formation para los usuarios de un proveedor de identidad externo](https://aws.amazon.com/blogs/big-data/simplify-access-management-with-amazon-redshift-and-aws-lake-formation-for-users-in-an-external-identity-provider/)
# Conecte JupyterLab los cuadernos de Studio a Lake Formation y Athena con la función de propagación de identidad fiable habilitada
AWS Lake Formation y Amazon Athena trabajan juntos para ofrecer una solución integral de lago de datos con funciones detalladas de control de acceso y consultas sin servidor. Lake Formation centraliza la gestión de permisos para su lago de datos, mientras que Athena ofrece servicios de consulta interactiva. Cuando se integra con la propagación de identidades de confianza, esta combinación permite a los científicos de datos acceder solo a los datos que pueden ver. Además, tienen todas las consultas y el acceso a los datos registradas automáticamente con fines de cumplimiento y auditoría. En la siguiente página se proporciona información e instrucciones sobre cómo conectar la propagación de identidades de confianza con Amazon SageMaker Studio a Lake Formation y Athena.
Para conectar Studio con Lake Formation y Athena con la propagación de identidades de confianza habilitada, debe haber completado los siguientes requisitos previos:
+ [Configuración de la propagación de identidades de confianza para Studio](trustedidentitypropagation-setup.md)
+ [Creación de un rol en Lake Formation](https://docs.aws.amazon.com/lake-formation/latest/dg/prerequisites-identity-center.html)
+ [Conexión de Lake Formation con IAM Identity Center](https://docs.aws.amazon.com/lake-formation/latest/dg/connect-lf-identity-center.html)
+ Creación de recursos de Lake Formation:
+ [Base de datos](https://docs.aws.amazon.com/lake-formation/latest/dg/creating-database.html)
+ [Tablas](https://docs.aws.amazon.com/lake-formation/latest/dg/creating-tables.html)
+ [Creación de un grupo de trabajo de Athena](https://docs.aws.amazon.com/athena/latest/ug/creating-workgroups.html)
+ Elección de **AthenaSQL** como motor.
+ Elección de **IAM Identity Center** como método de autenticación.
+ Creación de un rol de servicio nuevo.
+ Asegúrese de que los usuarios de IAM Identity Center tengan acceso a la ubicación de los resultados de la consulta mediante Concesiones de acceso a Amazon S3.
+ [Concesión de permisos de base de datos mediante el método de recurso con nombre](https://docs.aws.amazon.com/lake-formation/latest/dg/granting-database-permissions.html)
# Realización de tareas comunes en la interfaz de usuario
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección está dedicada expresamente al uso de la experiencia de Studio actualizada. Para obtener más información sobre el uso de la aplicación de Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md).
En las siguientes secciones se describe cómo realizar tareas comunes en la interfaz de usuario de Amazon SageMaker Studio. Para obtener información general de la interfaz de Studio, consulte [Descripción general de la interfaz de usuario de Amazon SageMaker Studio](studio-updated-ui.md).
**Configuración de las preferencias de cookies**
1. Lance Studio siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. En la parte inferior de la interfaz de usuario de Studio, elija **Preferencias de cookies**.
1. Selecciona la casilla de verificación de cada tipo de cookie que quieras que utilice Amazon SageMaker AI.
1. Elija **Guardar preferencias**.
**Administración de las notificaciones**
En las notificaciones se proporciona información sobre los cambios importantes de Studio, las actualizaciones de las aplicaciones y los problemas que hay que resolver.
1. Lance Studio siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. En la barra de navegación superior, elija el icono de **Notificaciones** (![\[Logo for Notifications, a cloud service with a stylized bell icon.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/monarch/notification.png)).
1. En la lista de notificaciones, seleccione la notificación para obtener información sobre ella.
**Aportación de comentarios**
Nos tomamos muy en serio sus comentarios. Le animamos a que nos envíe sus comentarios.
En la parte superior de la barra de navegación de Studio, seleccione **Proporcione comentarios**.
**Cierre de sesión**
Cerrar sesión en la interfaz de usuario de Studio no es lo mismo que cerrar la ventana del navegador. Al cerrar sesión, se borran los datos de la sesión del navegador y se eliminan los cambios no guardados.
Este mismo comportamiento también ocurre cuando se agota el tiempo de espera de la sesión de Studio. Esto sucede al cabo de 5 minutos.
1. Lance Studio siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. Seleccione el icono de **Opciones de usuario** (![\[User icon with a circular avatar placeholder and a downward-pointing arrow.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/monarch/user-settings.png)).
1. Elija **Cerrar sesión**.
1. En la ventana emergente, elija **Cerrar sesión**.
# NVMe tiendas con Amazon SageMaker Studio
Las aplicaciones de Amazon SageMaker Studio y sus libretas asociadas se ejecutan en instancias de Amazon Elastic Compute Cloud (Amazon EC2). Algunos tipos de instancias de Amazon EC2, como la familia de instancias, ofrecen almacenes de `ml.m5d` instancias de unidades de estado sólido (SSDNVMe) de memoria no volátil Express (). NVMe Los almacenes de instancias son almacenes de discos efímeros locales que están conectados físicamente a una instancia para un almacenamiento temporal rápido. Las aplicaciones de Studio admiten almacenes de NVMe instancias para los tipos de instancias compatibles. Para obtener más información sobre los tipos de instancias y sus volúmenes de NVMe almacenamiento asociados, consulte los [detalles del tipo de instancia de Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/). En este tema se proporciona información sobre el acceso a los almacenes de NVMe instancias y su uso, así como algunas consideraciones a tener en cuenta a la hora de utilizar los almacenes de NVMe instancias con Studio.
## Consideraciones
Cuando se usan almacenes de NVMe instancias con Studio, se tienen en cuenta las siguientes consideraciones.
+ Un almacén de NVMe instancias es un almacenamiento temporal. Los datos almacenados en el NVMe almacén se eliminan cuando la instancia finaliza, se detiene o se pone en hibernación. Cuando se utilizan NVMe almacenes con aplicaciones de Studio, los datos del almacén de NVMe instancias se pierden cada vez que se elimina, se reinicia o se aplica un parche a la aplicación. Recomendamos hacer copias de seguridad de los datos valiosos en soluciones de almacenamiento persistente, como Amazon Elastic Block Store, Amazon Elastic File System o Amazon Simple Storage Service.
+ Studio parchea las instancias periódicamente para instalar nuevas actualizaciones de seguridad. Cuando se parchea una instancia, esta se reinicia. Este reinicio provoca la eliminación de los datos almacenados en el NVMe almacén de instancias. Te recomendamos que hagas copias de seguridad frecuentes de los datos necesarios del almacén de NVMe instancias en soluciones de almacenamiento persistente, como Amazon Elastic Block Store, Amazon Elastic File System o Amazon Simple Storage Service.
+ Las siguientes aplicaciones de Studio admiten el uso del NVMe almacenamiento:
+ JupyterLab
+ Editor de código, basado en Code-OSS, Visual Studio Code: Open Source
+ KernelGateway
## Accede a los almacenes de NVMe instancias
Cuando seleccionas un tipo de instancia con almacenes de NVMe instancias adjuntos para alojar una aplicación de Studio, el directorio del almacén de NVMe instancias se monta en el contenedor de aplicaciones en la siguiente ubicación:
```
/mnt/sagemaker-nvme
```
Si una instancia tiene más de un almacén de NVMe instancias adjunto, Studio crea un volumen lógico segmentado que abarca todos los discos locales conectados. A continuación, Studio monta este volumen lógico segmentado en el directorio `/mnt/sagemaker-nvme`. Como resultado, el tamaño de almacenamiento del directorio es la suma de todos los tamaños de los volúmenes del almacén de instancias adjuntos a la NVMe instancia.
Si el `/mnt/sagemaker-nvme` directorio no existe, comprueba que el tipo de instancia que aloja la aplicación tenga un volumen de almacén de NVMe instancias adjunto.
# Compatibilidad con el modo local en Amazon SageMaker Studio
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Las aplicaciones de Amazon SageMaker Studio admiten el uso del modo local para crear estimadores, procesadores y canalizaciones y, a continuación, implementarlos en un entorno local. Con el modo local, puede probar los scripts de aprendizaje automático antes de ejecutarlos en entornos de alojamiento o formación gestionados por Amazon SageMaker AI. Studio admite el modo local en las aplicaciones siguientes:
+ Amazon SageMaker Studio Clásico
+ JupyterLab
+ Editor de código, basado en Code-OSS, Visual Studio Code: Open Source
El modo local en las aplicaciones de Studio se invoca mediante el SDK de SageMaker Python. En las aplicaciones de Studio, el modo local funciona de forma similar a como funciona en las instancias de Amazon SageMaker Notebook, con algunas diferencias. Si la opción [Configuración de Docker sin raíz](studio-updated-local-get-started.md#studio-updated-local-rootless) está habilitada, también puede acceder a registros de Docker adicionales a través de su configuración de VPC, incluidos los repositorios en las instalaciones y los registros públicos. Para obtener más información sobre el uso del modo local con el SDK de SageMaker Python, consulte [Modo local](https://sagemaker.readthedocs.io/en/stable/overview.html#local-mode).
**nota**
Las aplicaciones de Studio no admiten trabajos de varios contenedores en modo local. Los trabajos en modo local se limitan a una sola instancia para trabajos de entrenamiento, inferencia y procesamiento. Al crear un trabajo en modo local, la configuración del recuento de instancias debe ser `1`.
## Compatibilidad con Docker
En el marco de la compatibilidad con el modo local, las aplicaciones de Studio admiten capacidades limitadas de acceso a Docker. Con esta compatibilidad, los usuarios pueden interaccionar con la API de Docker desde los cuadernos de Jupyter o desde el terminal de imágenes de la aplicación. Los clientes pueden interactuar Docker mediante una de las interfaces siguientes:
+ [CLI de Docker](https://docs.docker.com/engine/reference/run/)
+ [CLI de Docker Compose](https://docs.docker.com/compose/reference/)
+ Clientes de Docker SDK específicos de cada lenguaje
Studio también admite capacidades de acceso limitado a Docker con las siguientes restricciones:
+ No se admite el uso de redes de Docker.
+ No se admite el uso de [volúmenes](https://docs.docker.com/storage/volumes/) de Docker durante la ejecución del contenedor. Durante la orquestación del contenedor, solo se permiten las entradas de montaje de unión de volúmenes. Las entradas de montaje de unión de volúmenes deben estar ubicadas en el volumen de Amazon Elastic File System (Amazon EFS) de Studio Classic. Para las aplicaciones JupyterLab y el editor de código, debe estar ubicado en el volumen Amazon Elastic Block Store (Amazon EBS).
+ Se permiten las operaciones de inspección de contenedores.
+ No se permite el mapeo del puerto del contenedor al host. Sin embargo, se puede especificar un puerto para el alojamiento. A continuación, se puede obtener acceso al punto de conexión desde Studio mediante la siguiente URL:
```
http://localhost:port
```
### Operaciones de Docker admitidas
En la tabla siguiente se enumeran todos los puntos de conexión de la Docker API compatibles con Studio, incluidas las limitaciones de compatibilidad. Si algún punto de conexión de la API no figura en la tabla, Studio no lo admite.
| Documentación de la API | Limitaciones |
| --- | --- |
| [SystemAuth](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemAuth) | |
| [SystemEvents](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemEvents) | |
| [SystemVersion](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemVersion) | |
| [SystemPing](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemPing) | |
| [SystemPingHead](https://docs.docker.com/engine/api/v1.43/#tag/System/operation/SystemPingHead) | |
| [ContainerCreate](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerCreate) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/studio-updated-local.html) |
| [ContainerStart](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerStart) | |
| [ContainerStop](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerStop) | |
| [ContainerKill](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerKill) | |
| [ContainerDelete](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerDelete) | |
| [ContainerList](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerList) | |
| [ContainerLogs](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerLogs) | |
| [ContainerInspect](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerInspect) | |
| [ContainerWait](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerWait) | |
| [ContainerAttach](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerAttach) | |
| [ContainerPrune](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerPrune) | |
| [ContainerResize](https://docs.docker.com/engine/api/v1.43/#tag/Container/operation/ContainerResize) | |
| [ImageCreate](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageCreate) | La compatibilidad con el modo VPC-only se limita a las imágenes de Amazon ECR en las cuentas incluidas en la lista de permitidos. Si la opción [Configuración de Docker sin raíz](studio-updated-local-get-started.md#studio-updated-local-rootless) está habilitada, también puede acceder a registros de Docker adicionales a través de su configuración de VPC, incluidos los repositorios en las instalaciones y los registros públicos. |
| [ImagePrune](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImagePrune) | |
| [ImagePush](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImagePush) | La compatibilidad con el modo VPC-only se limita a las imágenes de Amazon ECR en las cuentas incluidas en la lista de permitidos. Si la opción [Configuración de Docker sin raíz](studio-updated-local-get-started.md#studio-updated-local-rootless) está habilitada, también puede acceder a registros de Docker adicionales a través de su configuración de VPC, incluidos los repositorios en las instalaciones y los registros públicos. |
| [ImageList](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageList) | |
| [ImageInspect](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageInspect) | |
| [ImageGet](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageGet) | |
| [ImageDelete](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageDelete) | |
| [ImageBuild](https://docs.docker.com/engine/api/v1.43/#tag/Image/operation/ImageBuild) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/studio-updated-local.html) |
**Topics**
+ [Compatibilidad con Docker](#studio-updated-local-docker)
+ [Introducción al modo local](studio-updated-local-get-started.md)
# Introducción al modo local
En las siguientes secciones se describen los pasos necesarios para empezar a utilizar el modo local en Amazon SageMaker Studio, entre los que se incluyen:
+ Cumplimiento de los requisitos previos
+ Configuración de `EnableDockerAccess`
+ Instalación de Docker
## Requisitos previos
Complete los siguientes requisitos previos para usar el modo local en las aplicaciones de Studio:
+ Para extraer imágenes de un repositorio de Amazon Elastic Container Registry, la cuenta en la que se aloja la imagen de Amazon ECR debe proporcionar permiso de acceso para el rol de ejecución del usuario. El rol de ejecución del dominio también debe permitir el acceso a Amazon ECR.
+ Compruebe que está utilizando la versión más reciente del Studio Python SDK mediante el siguiente comando:
```
pip install -U sagemaker
```
+ Para usar el modo local y las capacidades de Docker, establezca el siguiente parámetro de la `DockerSettings` del dominio mediante la AWS Command Line Interface (AWS CLI):
```
EnableDockerAccess : ENABLED
```
+ Con `EnableDockerAccess`, también puede controlar si los usuarios del dominio pueden usar el modo local. De forma predeterminada, el modo local y las capacidades de Docker no están permitidos en las aplicaciones de Studio. Para obtener más información, consulte [Configuración de `EnableDockerAccess`](#studio-updated-local-enable).
+ Instale la Docker CLI en la aplicación de Studio siguiendo los pasos que se indican en [Instalación de Docker](#studio-updated-local-docker-installation).
+ Para [Configuración de Docker sin raíz](#studio-updated-local-rootless), asegúrese de que su VPC tenga configurados los puntos de conexión y el enrutamiento adecuados para los registros de Docker que desee.
## Configuración de `EnableDockerAccess`
En las siguientes secciones se muestra cómo configurar `EnableDockerAccess` cuándo el dominio tiene acceso público a Internet o está en modo `VPC-only`.
**nota**
Los cambios de `EnableDockerAccess` se aplicarán únicamente a las aplicaciones creadas después de actualizar el dominio. Debe crear una nueva aplicación después de actualizar el dominio.
**Acceso público a Internet**
Los siguientes comandos de ejemplo muestran cómo configurar `EnableDockerAccess` al crear un nuevo dominio o actualizar un dominio existente con acceso público a Internet:
```
# create new domain
aws --region region \
sagemaker create-domain --domain-name domain-name \
--vpc-id vpc-id \
--subnet-ids subnet-ids \
--auth-mode IAM \
--default-user-settings "ExecutionRole=execution-role" \
--domain-settings '{"DockerSettings": {"EnableDockerAccess": "ENABLED"}}' \
--query DomainArn \
--output text
# update domain
aws --region region \
sagemaker update-domain --domain-id domain-id \
--domain-settings-for-update '{"DockerSettings": {"EnableDockerAccess": "ENABLED"}}'
```
**Modo `VPC-only`**
Cuando se utiliza un dominio en modo `VPC-only`, las solicitudes de inserción y extracción de imágenes de Docker se enrutan a través de la VPC del servicio en lugar de a través de la VPC configurada por el cliente. Gracias a esta funcionalidad, los administradores pueden configurar una lista de Cuentas de AWS de confianza a las que los usuarios pueden enviar solicitudes de operaciones de Docker de inserción y extracción de Amazon ECR.
Si se envía una solicitud de inserción o extracción de Docker imágenes a un usuario Cuenta de AWS que no figura en la lista de sitios de confianza Cuentas de AWS, se produce un error en la solicitud. DockerLas operaciones de arrastrar y empujar fuera de Amazon Elastic Container Registry (Amazon ECR) no se admiten en este modo. `VPC-only`
De forma predeterminada, Cuentas de AWS se confía en los siguientes elementos:
+ La cuenta que aloja el dominio de SageMaker IA.
+ SageMaker Cuentas de IA que alojan las siguientes SageMaker imágenes:
+ Imágenes de marco de trabajo de DLC
+ SklearnSpark, XGBoost procesando imágenes
Para configurar una lista de fuentes de confianza adicionales Cuentas de AWS, especifique el `VpcOnlyTrustedAccounts` valor de la siguiente manera:
```
aws --region region \
sagemaker update-domain --domain-id domain-id \
--domain-settings-for-update '{"DockerSettings": {"EnableDockerAccess": "ENABLED", "VpcOnlyTrustedAccounts": ["account-list"]}}'
```
**nota**
Cuando la [Configuración de Docker sin raíz](#studio-updated-local-rootless) está habilitada, `VpcOnlyTrustedAccounts` se ignora y el tráfico de Docker se redirige a través de la configuración de la VPC, lo que permite el acceso a cualquier registro al que pueda acceder la VPC.
## Configuración de Docker sin raíz
Cuando [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DockerSettings.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DockerSettings.html) está habilitado, Studio usa un [daemon de Docker sin raíz](https://docs.docker.com/engine/security/rootless/) que enruta el tráfico a través de la VPC. Esto mejora la seguridad y permite acceder a registros de Docker adicionales. Las principales diferencias con `RootlessDocker` son:
+ La configuración de la VPC determina a qué registros pueden acceder las operaciones de Docker. `VpcOnlyTrustedAccounts` se ignora y el tráfico de Docker se enruta a través de la configuración de su VPC.
Para usar Docker sin raíz, tendrá que configurar `EnableDockerAccess` y `RootlessDocker` en `ENABLED` para la `DockerSettings`. Por ejemplo, en los ejemplos de [Configuración de `EnableDockerAccess`](#studio-updated-local-enable) anteriores, puede modificar la configuración del dominio para que incluya:
```
'{"DockerSettings": {"EnableDockerAccess": "ENABLED", "RootlessDocker": "ENABLED"}}'
```
## Instalación de Docker
Para utilizar Docker, debe instalar manualmente Docker desde el terminal de su aplicación de Studio. Los pasos para instalar Docker son diferentes si el dominio tiene acceso a Internet o no.
### Acceso a Internet
Si el dominio se crea con acceso público a Internet o en un modo `VPC-only` con acceso limitado a Internet, siga estos pasos para instalar Docker.
1. (Opcional) Si el dominio se crea en modo `VPC-only` con acceso limitado a Internet, cree una puerta de enlace NAT pública con acceso al sitio web de Docker. Para obtener instrucciones, consulte [Gateways NAT](https://docs.aws.amazon.com/vpc/latest/userguide/vpc-nat-gateway.html).
1. Vaya al terminal de la aplicación de Studio en la que desee instalar Docker.
1. Para devolver el sistema operativo de la aplicación, ejecute el siguiente comando desde el terminal:
```
cat /etc/os-release
```
1. Realice la instalación Docker siguiendo las instrucciones del sistema operativo de la aplicación en el [repositorio Amazon SageMaker AI Local Mode Examples](https://github.com/aws-samples/amazon-sagemaker-local-mode/tree/main/sagemaker_studio_docker_cli_install).
Por ejemplo, instálelo Ubuntu siguiendo Docker el script que se encuentra en [https://github.com/aws-samples/amazon-sagemaker-local-mode/blob/main/sagemaker\$1studio\$1docker\$1cli\$1install/sagemaker- ubuntu-focal-docker-cli -install.sh](https://github.com/aws-samples/amazon-sagemaker-local-mode/blob/main/sagemaker_studio_docker_cli_install/sagemaker-ubuntu-focal-docker-cli-install.sh) teniendo en cuenta las siguientes consideraciones:
+ Si se produce un error en los comandos encadenados, ejecute los comandos de uno en uno.
+ Studio solo admite Docker, versión `20.10.X.` y la Docker Engine API, versión `1.41`.
+ Los siguientes paquetes no son necesarios para usar la Docker CLI en Studio y su instalación se puede omitir:
+ `containerd.io`
+ `docker-ce`
+ `docker-buildx-plugin`
**nota**
No es necesario iniciar el servicio Docker en sus aplicaciones. La instancia en la que se aloja la aplicación de Studio ejecuta el servicio Docker de forma predeterminada. Todas las llamadas a la API de Docker se enrutan automáticamente a través del servicio Docker.
1. Utilice el socket de Docker expuesto para las interacciones de Docker dentro de las aplicaciones de Studio. De forma predeterminada, se expone el siguiente socket:
```
unix:///docker/proxy.sock
```
La siguiente variable de entorno de la aplicación de Studio del `USER` predeterminado utiliza este socket expuesto:
```
DOCKER_HOST
```
### Sin acceso a Internet
Si el dominio se crea en modo `VPC-only` sin acceso a Internet, siga estos pasos para instalar Docker.
1. Vaya al terminal de la aplicación de Studio en la que desee instalar Docker.
1. Para devolver el sistema operativo de la aplicación, ejecute el siguiente comando desde el terminal:
```
cat /etc/os-release
```
1. Descargue los archivos `.deb` de Docker en el equipo local. Para obtener instrucciones sobre cómo descargar los archivos necesarios para el sistema operativo de la aplicación de Studio, consulte [Install Docker Engine](https://docs.docker.com/engine/install/).
Por ejemplo, instale Docker desde un paquete en Ubuntu siguiendo los pasos 1 a 4 de [Install from a package](https://docs.docker.com/engine/install/ubuntu/#install-from-a-package) teniendo en cuenta las siguientes consideraciones:
+ Instale Docker desde un paquete. Si se utilizan otros métodos para instalar Docker, se producirá un error.
+ Instale los paquetes más recientes correspondientes a la versión `20.10.X` de Docker.
+ Los siguientes paquetes no son obligatorios para usar la Docker CLI en Studio. No es necesario instalar lo siguiente:
+ `containerd.io`
+ `docker-ce`
+ `docker-buildx-plugin`
**nota**
No es necesario iniciar el servicio Docker en sus aplicaciones. La instancia en la que se aloja la aplicación de Studio ejecuta el servicio Docker de forma predeterminada. Todas las llamadas a la API de Docker se enrutan automáticamente a través del servicio Docker.
1. Cargue los archivos `.deb` en el sistema de archivos de Amazon EFS o en el sistema de archivos de Amazon EBS de la aplicación.
1. Instale manualmente los paquetes `.deb` de `docker-ce-cli` y `docker-compose-plugin` desde el terminal de la aplicación de Studio. Para obtener más información e instrucciones, consulte el paso 5 de [Install from a package](https://docs.docker.com/engine/install/ubuntu/#install-from-a-package) en el sitio web de documentación de Docker.
1. Utilice el socket de Docker expuesto para las interacciones de Docker dentro de las aplicaciones de Studio. De forma predeterminada, se expone el siguiente socket:
```
unix:///docker/proxy.sock
```
La siguiente variable de entorno de la aplicación de Studio del `USER` predeterminado utiliza este socket expuesto:
```
DOCKER_HOST
```
# Visualización de instancias, aplicaciones y espacios en ejecución de Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección está dedicada expresamente al uso de la experiencia de Studio actualizada. Para obtener más información sobre el uso de la aplicación de Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md).
En los siguientes temas se incluyen información e instrucciones sobre cómo ver las instancias, aplicaciones y espacios en ejecución de Studio. Para obtener más información sobre los espacios de Studio, consulte [Espacios de Amazon SageMaker Studio](studio-updated-spaces.md).
## Visualización de instancias y aplicaciones en ejecución de Studio
La página **Instancias en ejecución** proporciona información sobre todas las instancias de aplicaciones en ejecución que el usuario creó en Amazon SageMaker Studio o que se compartieron con el usuario.
Puede ver y detener las instancias en ejecución de todas sus aplicaciones y espacios. Si una instancia está detenida, no aparece en esta página. Las instancias detenidas se pueden ver en la página de inicio de sus respectivos tipos de aplicación.
Puede ver una lista de las aplicaciones en ejecución y sus detalles en Studio.
**Visualización de instancias en ejecución**
1. Lance Studio siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. En el panel de navegación izquierdo, elija **Instancias en ejecución**.
1. En la página **Instancias en ejecución** puede ver una lista de aplicaciones en ejecución y detalles sobre ellas.
Para ver las instancias que no están en ejecución, en el panel de navegación izquierdo, elija la aplicación correspondiente en **Aplicaciones**. Las aplicaciones que no se estén ejecutando tendrán el estado **Detenido** en la columna **Estado**.
## Visualización de los espacios de Studio
En la sección **Espacios** de la página **Detalles del dominio** se proporciona información sobre los espacios de Studio de su dominio. Puede ver, crear y eliminar espacios en esta página.
Los espacios que aparecen en la sección **Espacios** son espacios en ejecución para lo siguiente:
+ JupyterLab espacio privado. Para obtener información sobre JupyterLab, consulte[SageMaker JupyterLab](studio-updated-jl.md).
+ Espacio privado del editor de código. Para obtener información sobre el editor de código, basado en Code-OSS, Visual Studio Code: Open Source, consulte [Editor de código en Amazon SageMaker Studio](code-editor.md).
+ Espacio compartido de Studio Classic. Para obtener información sobre el espacio compartido de Studio Classic, consulte [Colaboración con espacios compartidos](domain-space.md).
No hay espacios para SageMaker Canvas, Studio Classic (privado) o RStudio.
**Vea sus espacios de Studio en un dominio**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio cuyos espacios desee ver.
1. En la página **Detalles del dominio**, elija la pestaña **Administración del espacio** y abra la sección **Espacios**.
**Vea los espacios de su estudio utilizando el AWS CLI**
Usa el siguiente comando para enumerar todos los espacios de tu dominio:
```
aws sagemaker list-spaces --region us-east-1 --domain-id domain-id
```
+ `us-east-1`es tu Región de AWS.
+ *domain-id* es su ID de dominio. Para obtener más información, consulte [Visualización de dominios](domain-view.md).
# Detención y eliminación de aplicaciones y espacios en ejecución de Studio
La siguiente página incluye información e instrucciones sobre cómo detener y eliminar los recursos de Amazon SageMaker Studio no utilizados para evitar costes adicionales no deseados. En el caso de los recursos de Studio que ya no desee utilizar, deberá hacer las dos cosas siguientes:
+ Detener la aplicación: esto detiene la aplicación y elimina la instancia en la que se está ejecutando la aplicación. Después de detener una aplicación, se puede volver a iniciar.
+ Eliminar el espacio: se elimina el volumen de Amazon EBS que se creó para la aplicación y la instancia.
**importante**
Si elimina el espacio, perderá el acceso a los datos de ese espacio. No elimine el espacio a menos que esté seguro de que desea hacerlo.
Para obtener más información sobre las diferencias entre espacios y aplicaciones de Studio, consulte [Visualización de instancias, aplicaciones y espacios en ejecución de Studio](studio-updated-running.md).
**Topics**
+ [Detenga su aplicación Amazon SageMaker Studio](#studio-updated-running-stop-app)
+ [Eliminación de un espacio de Studio](#studio-updated-running-stop-space)
## Detenga su aplicación Amazon SageMaker Studio
Para evitar cargos adicionales por aplicaciones en ejecución que no se utilizan, debe detenerlas. A continuación, se incluye información sobre lo que hace detener una aplicación y cómo hacerlo.
+ Las siguientes instrucciones utilizan la API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html) para detener la aplicación. Esto también detiene la instancia en la que se está ejecutando la aplicación.
+ Tras detener una aplicación, puede volver a iniciar la aplicación más adelante.
+ Al eliminar una aplicación, los archivos del espacio se conservan. Puede volver a ejecutar la aplicación y contar con tener acceso a los mismos archivos que están almacenados en el espacio, del mismo modo que antes de eliminar la aplicación.
+ Al eliminar una detener una aplicación, los *metadatos* de la aplicación se eliminarán en un plazo de 24 horas. Para obtener más información, consulta la nota del elemento de `CreationTime` respuesta de la [DescribeApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeApp.html#sagemaker-DescribeApp-response-CreationTime)API.
**nota**
Si el servicio detecta que una aplicación no está en buen estado, asume el rol vinculado al servicio [AmazonSageMakerNotebooksServiceRolePolicy](security-iam-awsmanpol-notebooks.md#security-iam-awsmanpol-AmazonSageMakerNotebooksServiceRolePolicy) y elimina la aplicación mediante la API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html).
En las siguientes pestañas se proporcionan instrucciones para detener una aplicación de tu dominio mediante la interfaz de usuario de Studio, la consola de SageMaker IA o la AWS CLI.
**nota**
Para ver y detener todas las instancias en ejecución de Studio en un solo lugar, recomendamos seguir el flujo de trabajo [Detención de aplicaciones desde la interfaz de usuario de Studio](#studio-updated-running-stop-app-using-studio-updated-ui) con las siguientes opciones.
### Detención de aplicaciones desde la interfaz de usuario de Studio
Para detener sus aplicaciones de Studio desde la interfaz de usuario de Studio, siga estas instrucciones.
**Cómo eliminar las aplicaciones (interfaz de usuario de Studio)**
1. Inicie Studio. Este proceso puede variar en función de la configuración. Para obtener información sobre cómo inicializar Studio, consulte [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. En el panel de navegación izquierdo, elija **Instancias en ejecución**.
Si la tabla de la página está vacía, significa que no hay ninguna instancia o aplicación en ejecución en sus espacios.
1. En la tabla situada debajo de las columnas **Nombre** y **Aplicación**, busque el nombre del espacio y la aplicación que desea detener.
1. Pulse el botón **Parar** correspondiente para detener la aplicación.
### Detenga las aplicaciones mediante la consola de SageMaker IA
Para ver o detener las instancias en ejecución de Studio desde una ubicación centralizada, consulte [Detención de aplicaciones desde la interfaz de usuario de Studio](#studio-updated-running-stop-app-using-studio-updated-ui). De lo contrario, utilice las instrucciones siguientes.
En la consola de SageMaker IA, solo puedes detener las aplicaciones de Studio en ejecución para los espacios que puedas ver en la sección **Spaces** de la consola. Para obtener una lista de espacios visibles, consulte [Visualización de los espacios de Studio](studio-updated-running.md#studio-updated-running-view-space).
Estos pasos muestran cómo detener las aplicaciones de Studio mediante la consola de SageMaker IA.
**Para detener las aplicaciones (consola de SageMaker IA)**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio que desea revertir.
1. En la página **Detalles del dominio**, elija la pestaña **Administración del espacio**.
1.
**importante**
En la pestaña **Administración del espacio** tiene la opción de eliminar el espacio. No es lo mismo eliminar el espacio que eliminar una aplicación. Si elimina el espacio, perderá el acceso a los datos de ese espacio. No elimine el espacio a menos que esté seguro de que desea hacerlo.
Para detener la aplicación, en la pestaña **Administración del espacio** y en la columna **Nombre**, elija el espacio de la aplicación.
1. En la sección **Aplicaciones** y en la columna **Tipo de aplicación**, busque la aplicación que desea detener.
1. En la columna **Acción**, seleccione el botón **Eliminar aplicación** correspondiente.
1. En el cuadro emergente, elija **Sí, eliminar aplicación**. A continuación, se vuelve disponible el campo de entrada para la eliminación.
1. Escriba **delete** en el campo de entrada de eliminación para confirmar la eliminación.
1. Elija **Eliminar**.
### Detenga sus aplicaciones de dominio mediante el AWS CLI
Para ver o detener cualquiera de sus instancias en ejecución de Studio desde una ubicación centralizada, consulte [Detención de aplicaciones desde la interfaz de usuario de Studio](#studio-updated-running-stop-app-using-studio-updated-ui). De lo contrario, utilice las instrucciones siguientes.
En los siguientes ejemplos de código se utiliza la API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeleteApp.html) para detener una aplicación en un ejemplo de dominio.
Para detener las instancias en ejecución **JupyterLab**o **del editor de código**, usa el siguiente ejemplo de código:
```
aws sagemaker delete-app \
--domain-id example-domain-id \
--region Región de AWS \
--app-name default \
--app-type example-app-type \
--space-name example-space-name
```
+ Para obtener su `example-domain-id`, siga estas instrucciones:
**Obtención de `example-domain-id`**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio correspondiente.
1. En la página **Detalles del dominio**, elija la pestaña **Configuración del dominio**.
1. Copie el **ID de dominio**.
+ Para obtener su `Región de AWS`, siga estas instrucciones para asegurarse de utilizar la Región de AWS correcta para su dominio:
**Obtención de `Región de AWS`**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio correspondiente.
1. En la página **Detalles del dominio** compruebe que se trata del dominio correspondiente.
1. Amplíe la lista desplegable de regiones en la parte superior derecha de la consola de SageMaker IA y utilice el Región de AWS ID correspondiente a la derecha de su Región de AWS nombre. Por ejemplo, `us-west-1`.
+ Para `example-app-type`, utilice el tipo de aplicación correspondiente a la aplicación que desee detener. Por ejemplo, reemplace `example-app-type` por uno de los tipos de aplicación siguientes:
+ JupyterLab tipo de aplicación:`JupyterLab`. Para obtener información sobre JupyterLab, consulte[SageMaker JupyterLab](studio-updated-jl.md).
+ Tipo de aplicación del editor de código: `CodeEditor`. Para obtener información sobre el editor de código, basado en Code-OSS, Visual Studio Code: Open Source, consulte [Editor de código en Amazon SageMaker Studio](code-editor.md).
+ Para obtener su `example-space-name`, use los pasos siguientes:
**Obtención de `example-space-name`**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio correspondiente.
1. En la página **Detalles del dominio**, elija la pestaña **Administración del espacio**.
1. Copie el nombre del espacio correspondiente.
Para dejar de ejecutar instancias para **SageMaker Canvas**, **Studio Classic** o **RStudio**, usa el siguiente ejemplo de código:
```
aws sagemaker delete-app \
--domain-id example-domain-id \
--region Región de AWS \
--app-name default \
--app-type example-app-type \
--user-profile example-user-name
```
+ Para `example-app-type`, utilice el tipo de aplicación correspondiente a la aplicación que desee detener. Por ejemplo, reemplace `example-app-type` por uno de los tipos de aplicación siguientes:
+ SageMaker Tipo de aplicación Canvas:`Canvas`. Para obtener información sobre SageMaker Canvas, ver[Amazon SageMaker Canvas](canvas.md).
+ Tipo de aplicación de Studio Classic: `JupyterServer`. Para obtener información sobre Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md).
+ RStudio tipo de aplicación:`RStudioServerPro`. Para obtener información sobre RStudio, consulte[RStudio en Amazon SageMaker AI](rstudio.md).
+ Para obtener su `example-user-name`, vaya a la página **Detalles del dominio**.
+ A continuación, seleccione la pestaña **Perfiles de usuario** y copie el nombre del espacio correspondiente.
Para obtener instrucciones alternativas sobre cómo detener las aplicaciones de Studio en ejecución, consulte:
+ JupyterLab: [Eliminación de recursos sin usar](studio-updated-jl-admin-guide-clean-up.md).
+ Editor de código: [Cierre de los recursos del editor de código](code-editor-use-log-out.md).
+ SageMaker Lienzo:[Cerrar sesión en Amazon SageMaker Canvas](canvas-log-out.md).
+ Studio Classic: [Cierre y actualice Amazon SageMaker Studio Classic y sus aplicaciones](studio-tasks-update.md).
+ RStudio: [Apagar RStudio](rstudio-shutdown.md).
## Eliminación de un espacio de Studio
**importante**
Tras eliminar el espacio, perderá todos los datos almacenados en él. Recomendamos que haga una copia de seguridad de los datos antes de eliminar el espacio.
Para eliminar un espacio de Studio, necesita permisos de administrador o, al menos, permiso para actualizar el dominio, IAM y Amazon S3.
+ Los espacios se utilizan para administrar las necesidades de almacenamiento y recursos de la aplicación correspondiente. Al eliminar un espacio, el volumen de almacenamiento también se elimina. Por lo tanto, pierde el acceso a los archivos almacenados en ese espacio. Para obtener más información sobre los espacios de Studio, consulte [Espacios de Amazon SageMaker Studio](studio-updated-spaces.md).
Recomendamos que haga una copia de seguridad de los datos si decide eliminar un espacio.
+ No puede volver a acceder a él después de haberlo eliminado.
Puede eliminar los espacios de Studio que están visibles en la sección **Espacios** de la consola. Para obtener una lista de espacios visibles, consulte [Visualización de los espacios de Studio](studio-updated-running.md#studio-updated-running-view-space).
No hay espacios para SageMaker Canvas, Studio Classic (privado) y RStudio. Para detener y eliminar su SageMaker Canvas, Studio Classic (privado) o RStudio aplicaciones, consulte[Detenga su aplicación Amazon SageMaker Studio](#studio-updated-running-stop-app).
### Elimine un espacio mediante la consola de SageMaker IA
En la sección **Espacios** de la página **Detalles del dominio** se proporciona información sobre los espacios de Studio de su dominio. Puede ver, crear y eliminar espacios en esta página.
**Visualización de espacios de Studio en un dominio**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio cuyos espacios desee ver.
1. En **Detalles del dominio**, seleccione **Administración de espacios** para abrir la sección **Espacios**.
1. Seleccione el espacio que desea eliminar.
1. Elija **Eliminar**.
1. En el cuadro emergente titulado **Eliminar espacio**, tiene dos opciones:
+ Si ya ha cerrado todas las aplicaciones del espacio, seleccione **Sí, eliminar espacio**.
+ Si aún tiene aplicaciones en ejecución en el espacio, seleccione **Sí, cerrar todas las aplicaciones y eliminar espacio**.
1. Escriba **delete** en el campo de entrada de eliminación para confirmar la eliminación.
1. Para eliminar el espacio, dispone de dos opciones:
+ Si ya ha cerrado todas las aplicaciones del espacio, seleccione **Eliminar espacio**.
+ Si aún tiene aplicaciones en ejecución en el espacio, seleccione **Cerrar todas las aplicaciones y eliminar espacio**.
### Elimine un espacio mediante el AWS CLI
Para poder eliminar un espacio mediante el AWS CLI, debe eliminar la aplicación asociada a él. Para obtener información sobre cómo detener sus aplicaciones de Studio, consulte [Detenga su aplicación Amazon SageMaker Studio](#studio-updated-running-stop-app).
Utilice el siguiente AWS CLI comando para eliminar un espacio de un dominio:
```
aws sagemaker delete-space \
--domain-id example-domain-id \
--region Región de AWS \
--space-name example-space-name
```
+ Para obtener su `example-domain-id`, siga estas instrucciones:
**Obtención de `example-domain-id`**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio correspondiente.
1. En la página **Detalles del dominio**, elija la pestaña **Configuración del dominio**.
1. Copie el **ID de dominio**.
+ Para obtener su `Región de AWS`, siga estas instrucciones para asegurarse de utilizar la Región de AWS correcta para su dominio:
**Obtención de `Región de AWS`**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio correspondiente.
1. En la página **Detalles del dominio** compruebe que se trata del dominio correspondiente.
1. Amplíe la lista desplegable de regiones en la parte superior derecha de la consola de SageMaker IA y utilice el Región de AWS ID correspondiente a la derecha de su Región de AWS nombre. Por ejemplo, `us-west-1`.
+ Para obtener su `example-space-name`, use los pasos siguientes:
**Obtención de `example-space-name`**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio correspondiente.
1. En la página **Detalles del dominio**, elija la pestaña **Administración del espacio**.
1. Copie el nombre del espacio correspondiente.
# SageMaker Política de soporte de imágenes de Studio
**importante**
Actualmente, todos los paquetes de las imágenes de SageMaker distribución tienen licencia para su uso con Amazon SageMaker AI y no requieren licencias comerciales adicionales. Sin embargo, esto podría estar sujeto a cambios en el futuro, por lo que recomendamos revisar los términos de licencia con regularidad para comprobar las actualizaciones.
Amazon SageMaker Distribution es un conjunto de imágenes de Docker disponibles en SageMaker Studio que incluyen marcos populares para el aprendizaje automático, la ciencia de datos y la visualización.
Las imágenes incluyen marcos de aprendizaje profundo como PyTorch TensorFlow y Keras; paquetes populares de Python como numpy, scikit-learn y pandas; y like y Code Editor, basado en IDEs JupyterLab Code-OSS, Visual Studio Code - Open Source. La distribución contiene las versiones más recientes de todos estos paquetes, por lo que son compatibles entre sí.
En esta página se detalla la política de soporte y la disponibilidad de imágenes de distribución en Studio. SageMaker SageMaker
## Control de versiones, cadencia de lanzamiento y política de soporte
En la siguiente tabla se describe el calendario de lanzamiento de las versiones de SageMaker Distribution Image y su soporte previsto. AWS proporciona actualizaciones continuas de funcionalidad y seguridad para las versiones de imágenes compatibles. Se lanzan nuevas versiones secundarias para las versiones principales durante 12 meses. Las versiones secundarias compatibles reciben parches continuos de funcionalidad y seguridad. En algunos casos, es posible que sea necesario declarar el fin del soporte de una versión de imagen antes de lo previsto originalmente si (a) no se pueden abordar los problemas de seguridad mientras se mantienen las pautas de control de versiones semántico o (b) si alguna de nuestras principales dependencias, como Python, alcanza. end-of-life AWS publica versiones principales o secundarias ad hoc según sea necesario.
| Versión | Description (Descripción) | Liberar cadencia | Soporte planificado |
| --- | --- | --- | --- |
| Principales | Los lanzamientos de las principales versiones de Amazon SageMaker Distribution implican la actualización de todas sus dependencias principales a las versiones compatibles más recientes. Estas versiones principales también pueden añadir o eliminar paquetes como parte de la actualización. Las versiones principales se indican con el primer número de la cadena de versiones, por ejemplo, 1.0, 2.0 o 3.0. | 6 meses | 18 meses |
| Secundarias | Las versiones secundarias de Amazon SageMaker Distribution incluyen la actualización de todas sus dependencias principales a las últimas versiones secundarias compatibles dentro de la misma versión principal. SageMaker La distribución puede añadir nuevos paquetes durante el lanzamiento de una versión secundaria. Las versiones secundarias se indican con el segundo número de la cadena de versión, por ejemplo, 1.1, 1.2 o 2.1. | 1 mes | 6 meses |
| Parche | Las versiones de parches de Amazon SageMaker Distribution incluyen la actualización de todas sus dependencias principales a las últimas versiones de parches compatibles dentro de la misma versión secundaria. SageMaker La distribución no añade ni elimina ningún paquete durante el lanzamiento de una versión de parche. Las versiones de parche se indican con el tercer número de la cadena de versión, por ejemplo, 1.1.1, 1.2.1 o 2.1.3. Dado que las versiones de parche suelen lanzarse para corregir vulnerabilidades de seguridad, recomendamos actualizar siempre a la versión de parche más reciente cuando esté disponible. | Cuando sea necesario para corregir vulnerabilidades de seguridad | Hasta que se publique una nueva versión de parche |
Cada versión principal de Amazon SageMaker Distribution está disponible durante 18 meses. Durante los primeros 12 meses se publican nuevas versiones secundarias cada mes. Durante los 6 meses restantes se seguirá ofreciendo soporte a las versiones secundarias existentes.
## Versiones de imágenes compatibles
En las tablas siguientes se muestran las versiones de imágenes de SageMaker distribución compatibles, sus fechas de finalización del soporte técnico previstas y su disponibilidad en SageMaker Studio. En el caso de las versiones de imágenes cuyo soporte finalice antes de la fecha de finalización de soporte prevista, seguirán estando disponibles en Studio hasta la fecha de disponibilidad designada. Puede seguir usando la imagen para inicializar aplicaciones durante un máximo de 90 días o hasta la fecha de disponibilidad en Studio, lo que ocurra primero. Para obtener más información sobre estos casos, ponte en contacto con Soporte.
Puede migrar a una versión compatible más reciente lo antes posible para asegurarse de recibir actualizaciones continuas de funcionalidad y seguridad. Al elegir una versión de imagen en SageMaker Studio, te recomendamos que elijas una versión de imagen compatible de las tablas siguientes.
### Versiones principales compatibles
En la siguiente tabla se muestran las principales versiones de imágenes de SageMaker distribución compatibles.
| Versión de imagen | Último lanzamiento de la versión secundaria | Compatible hasta | Description (Descripción) |
| --- | --- | --- | --- |
| 1.x.x | 30 de abril de 2025 | 30 de octubre de 2025 | SageMaker La versión principal de distribución 1 está construida con Python 3.10. |
| 2.x.x | 25 de agosto de 2025 | 25 de febrero de 2026 | SageMaker La versión principal de distribución 2 está construida con Python 3.11. |
| 3.x.x | 29 de marzo de 2026 | 29 de septiembre de 2026 | SageMaker La versión principal de distribución 3 está construida con Python 3.12. |
### Versiones secundarias de imágenes de CPU
En la siguiente tabla se enumeran las versiones de imágenes secundarias de SageMaker distribución compatibles para CPUs.
| Versión de imagen | URI de imagen de Amazon ECR | Fecha prevista de finalización del soporte | Disponibilidad en Studio hasta | Notas de la versión |
| --- | --- | --- | --- | --- |
| 3.1.x | public.ecr. aws/sagemaker/sagemaker- distribución: 3.1 - cpu | 19 de noviembre de 2025 | 19 de noviembre de 2025 | [Notas de la versión](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.1) |
| 3.0.x | public.ecr. aws/sagemaker/sagemaker- distribución: 3.0-cpu | 30 de junio de 2025 | 29 de septiembre de 2025 | [Notas de la versión](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.0) |
| 2.6.x | public.ecr. aws/sagemaker/sagemaker- distribución: 2.6 CPU | 30 de junio de 2025 | 28 de octubre de 2025 | [Notas de la versión](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v2/v2.6) |
### Versiones secundarias de imágenes de GPU
En la siguiente tabla se enumeran las versiones de imágenes secundarias de distribución compatibles SageMaker para. GPUs
| Versión de imagen | URI de imagen de Amazon ECR | Fecha prevista de finalización del soporte | Disponibilidad en Studio hasta | Notas de la versión del parche más reciente |
| --- | --- | --- | --- | --- |
| 3.1.x | public.ecr. aws/sagemaker/sagemaker- distribución: 3.1 - gpu | 19 de noviembre de 2025 | 19 de noviembre de 2025 | [Notas de la versión](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.1) |
| 3.0.x | public.ecr. aws/sagemaker/sagemaker- distribución: 3.0-gpu | 30 de junio de 2025 | 29 de septiembre de 2025 | [Notas de la versión](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v3/v3.0) |
| 2.6.x | public.ecr. aws/sagemaker/sagemaker- distribución: 2.6 GPU | 30 de junio de 2025 | 28 de octubre de 2025 | [Notas de la versión](https://github.com/aws/sagemaker-distribution/tree/main/build_artifacts/v2/v2.6) |
### Imágenes compatibles
La siguiente tabla muestra las versiones de imágenes de distribución no compatibles. SageMaker
| Versión de imagen | URI de imagen de Amazon ECR | Fecha de finalización del soporte | Disponibilidad en Studio hasta |
| --- | --- | --- | --- |
| 2.4.x | public.ecr. aws/sagemaker/sagemaker- distribución: 2.4 CPU public.ecr. aws/sagemaker/sagemaker- distribución: 2.4 CPU | 7 de septiembre de 2025 | 7 de septiembre de 2025 |
| 2.3.x | public.ecr. aws/sagemaker/sagemaker- distribución: 2.3 CPU public.ecr. aws/sagemaker/sagemaker- distribución: 2.3 CPU | 27 de julio de 2025 | 27 de julio de 2025 |
| 2.2.x | public.ecr. aws/sagemaker/sagemaker- distribución: 2.2 CPU public.ecr. aws/sagemaker/sagemaker- distribución: 2.2-gpu | 15 de mayo de 2025 | 15 de mayo de 2025 |
| 2.1.x | public.ecr. aws/sagemaker/sagemaker- distribución: 2.1 - cpu public.ecr. aws/sagemaker/sagemaker- distribución: 2.1 - gpu | 25 de abril de 2025 | 12 de mayo de 2025 |
| 2.0.x | public.ecr. aws/sagemaker/sagemaker- distribución: 2.0-cpu public.ecr. aws/sagemaker/sagemaker- distribución: 2.0-gpu | 25 de febrero de 2025 | 21 de abril de 2025 |
| 1.13.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.13 - cpu public.ecr. aws/sagemaker/sagemaker- distribución: 1.13-gpu | 15 de mayo de 2025 | 20 de septiembre de 2025 |
| 1.12.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.12-cpu public.ecr. aws/sagemaker/sagemaker- distribución: 1.12-gpu | 23 de julio de 2025 | 23 de julio de 2025 |
| 1.11.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.11-cpu public.ecr. aws/sagemaker/sagemaker- distribución: 1.11-gpu | 1 de abril de 2025 | 12 de mayo de 2025 |
| 1.10.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.10-cpu public.ecr. aws/sagemaker/sagemaker- distribución: 1.10-gpu | 5 de febrero de 2025 | 10 de abril de 2025 |
| 1.9.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.9 CPU public.ecr. aws/sagemaker/sagemaker- distribución: 1.9-gpu | 15 de enero de 2025 | 10 de abril de 2025 |
| 1.8.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.8 CPU public.ecr. aws/sagemaker/sagemaker- distribución: 1.8 - gpu | 31 de diciembre de 2024 | 10 de abril de 2025 |
| 1.7.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.7 CPU public.ecr. aws/sagemaker/sagemaker- distribución: 1.7 -gpu | 15 de diciembre de 2024 | 10 de abril de 2025 |
| 1.6.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.6 CPU public.ecr. aws/sagemaker/sagemaker- distribución: 1.6 GPU | 15 de diciembre de 2024 | 10 de abril de 2025 |
| 1.5.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.5 CPU public.ecr. aws/sagemaker/sagemaker- distribución: 1.5 GPU | 31 de octubre de 2024 | 1 de noviembre de 2024 |
| 1.4.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.4 CPU public.ecr. aws/sagemaker/sagemaker- distribución: 1.4 -gpu | 31 de octubre de 2024 | 1 de noviembre de 2024 |
| 1.3.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.3 CPU | 28 de junio de 2024 | 18 de octubre de 2024 |
| 1.2.x | public.ecr. aws/sagemaker/sagemaker- distribución: 1.2 CPU | 28 de junio de 2024 | 18 de octubre de 2024 |
### Preguntas frecuentes
**¿Qué constituye el lanzamiento de una versión de imagen principal?**
Las versiones de imágenes principales se publican cada 6 meses. El lanzamiento de una versión de imagen importante para Amazon SageMaker Distribution implica la actualización de todas las dependencias principales a las últimas versiones compatibles y puede incluir la adición o eliminación de paquetes. El marco de Python solo se actualiza con las versiones principales nuevas. Por ejemplo, con la versión 2 principal, el marco Python se actualizó de 3.10 a 3.11, PyTorch se actualizó de 2.0 a 2.3, TensorFlow se actualizó de 2.14 a 2.17, Autogluon se actualizó de 0.8 a 1.1 y se agregaron 4 paquetes a la imagen.
**¿Qué constituye el lanzamiento de una versión de imagen secundaria?**
Mensualmente se publican versiones de imágenes secundarias para todas las versiones principales compatibles. El lanzamiento de una versión de imagen secundaria para Amazon SageMaker Distribution implica la actualización de todas las dependencias principales, excepto Python y CUDA, a las últimas versiones secundarias compatibles dentro de la misma versión principal y puede incluir la adición de nuevos paquetes. Por ejemplo, con una versión secundaria, langchain podría actualizarse de 0.1 a 0.2 y jupyter-ai de 2.18 a 2.20.
**¿Qué constituye el lanzamiento de una versión de imagen de parche?**
Las versiones de imagen de parche se publican según sea necesario para corregir las vulnerabilidades de seguridad. El lanzamiento de una versión con imagen de parche para Amazon SageMaker Distribution implica la actualización de todas sus dependencias principales a las últimas versiones de parches compatibles dentro de la misma versión secundaria. SageMaker La distribución no añade ni elimina ningún paquete durante el lanzamiento de una versión de parche. Por ejemplo, con el lanzamiento de una versión de parche, matplotlib podría actualizarse de 3.9.1 a 3.9.2 y boto3 de 1.34.131 a 1.34.162.
**¿Dónde puedo encontrar los paquetes disponibles en una versión de imagen específica?**
Cada versión de imagen tiene un `release.md` archivo en la `build_artifacts` carpeta [del GitHub repositorio](https://github.com/aws/sagemaker-distribution) que muestra todos los paquetes y las versiones de los paquetes de las imágenes de la CPU y la GPU. Los archivos de registro de cambios individuales para las versiones de CPU y GPU detallan las actualizaciones de los paquetes. Los registros de cambios comparan la nueva versión de imagen con la anterior. Por ejemplo, la versión 1.9.0 se compara con la última versión del parche 1.8, la versión 1.9.1 con 1.9.0 y la versión 2.0.0 con la última versión de parche de la última versión secundaria disponible en ese momento.
**¿Cómo se escanean las imágenes para detectar vulnerabilidades y exposiciones comunes (CVEs)?**
Amazon SageMaker AI aprovecha el [escaneo mejorado de Amazon Elastic Container Registry (Amazon ECR)](https://docs.aws.amazon.com/AmazonECR/latest/userguide/image-scanning-enhanced.html) para detectar automáticamente las vulnerabilidades y corregir las imágenes de distribución. SageMaker AWS ejecuta continuamente el escaneo mejorado con ECR para obtener la última versión del parche de todas las versiones de imágenes compatibles. Cuando se detectan vulnerabilidades y hay una solución disponible, AWS publica una versión de imagen actualizada para solucionar el problema.
**¿Puedo seguir utilizando imágenes antiguas cuando una imagen deja ser compatible?**
Las imágenes están disponibles en SageMaker Studio hasta la fecha de disponibilidad designada. Las imágenes antiguas permanecen disponibles en ECR cuando llegan al fin del soporte y se eliminan de Studio. Puede descargar versiones anteriores de imágenes desde ECR y [crear una SageMaker imagen personalizada](studio-byoi-create.md). Sin embargo, le recomendamos encarecidamente que se actualice a una versión de imagen compatible que reciba actualizaciones de seguridad y correcciones de errores de forma continua. Los clientes que crean sus propias imágenes personalizadas son responsables de escanearlas y aplicarles parches. Para obtener más información, consulte [Modelo de responsabilidad compartida de AWS](https://aws.amazon.com/compliance/shared-responsibility-model/).
**importante**
SageMaker La distribución v0.x.y solo se usa en Studio Classic. SageMaker La distribución v1.x.y solo se usa en. JupyterLab
# Precios de Amazon SageMaker Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección está dedicada expresamente al uso de la experiencia de Studio actualizada. Para obtener más información sobre el uso de la aplicación de Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md).
El uso de la interfaz de usuario de Amazon SageMaker Studio no conlleva ningún coste adicional.
Los siguientes gastos conllevan costos:
+ Volúmenes de Amazon Elastic Block Store o Amazon Elastic File System que se montan con las aplicaciones.
+ Todos los trabajos y recursos que los usuarios inicializan desde las aplicaciones de Studio.
+ Lanzar una JupyterLab aplicación, incluso si no se han lanzado recursos o trabajos en la aplicación.
Para obtener información sobre cómo se factura Amazon SageMaker Studio Classic, consulte[Precios de Amazon SageMaker Studio Classic](studio-pricing.md).
Para obtener más información sobre la facturación y ejemplos de precios, consulta [Amazon SageMaker Pricing](https://aws.amazon.com//sagemaker/pricing/).
# Resolución de problemas
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección está dedicada expresamente al uso de la experiencia de Studio actualizada. Para obtener más información sobre el uso de la aplicación de Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md).
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
En esta sección se muestra cómo solucionar problemas comunes en Amazon SageMaker Studio.
## Método de recuperación
El modo de recuperación le permite acceder a su aplicación de Studio cuando un problema de configuración impide que se pueda iniciar de forma normal. Este método proporciona un entorno simplificado con funciones esenciales para diagnosticar y solucionar el problema.
Cuando una aplicación no se inicia, es posible que aparezca un mensaje de error sobre el acceso al modo de recuperación para solucionar uno de los siguientes problemas de configuración.
+ Archivo [https://docs.conda.io/projects/conda/en/latest/user-guide/configuration/use-condarc.html](https://docs.conda.io/projects/conda/en/latest/user-guide/configuration/use-condarc.html) dañado.
Para obtener más información sobre la solución de problemas del archivo `.condarc`, consulte la página de [solución de problemas](https://docs.conda.io/projects/conda/en/latest/user-guide/troubleshooting.html) de la *Guía del usuario de Conda*.
+ Volumen de almacenamiento disponible insuficiente.
Puede aumentar el espacio de almacenamiento de Amazon EBS disponible para la aplicación o entrar en el modo de recuperación para eliminar los datos innecesarios.
Para obtener más información sobre cómo aumentar el tamaño del volumen de Amazon EBS, consulte [solicitar un tamaño de cuota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) en la *Guía para desarrolladores de Service Quotas*.
En el modo de recuperación:
+ Su directorio de inicio será diferente al de su inicio normal. Este directorio es temporal y garantiza que cualquier configuración dañada de su directorio de inicio estándar no afecte a las operaciones del modo de recuperación. Puede navegar hasta su directorio de inicio estándar mediante el comando `cd /home/sagemaker-user`.
+ Modo estándar: `/home/sagemaker-user`
+ Método de recuperación: `/tmp/sagemaker-recovery-mode-home`
+ El entorno conda utiliza un entorno conda básico mínimo con solo los paquetes esenciales. La configuración simplificada de conda ayuda a aislar los problemas relacionados con el entorno y proporciona funciones básicas para la solución de problemas.
Puede utilizar la interfaz de usuario de Studio o la AWS CLI para acceder a la aplicación en modo de recuperación.
### Uso de la interfaz de usuario de Studio para acceder a la aplicación en modo de recuperación.
A continuación, se proporcionan instrucciones para acceder a la aplicación en modo de recuperación.
1. Si aún no lo ha hecho, siga las instrucciones indicadas en [Lanzamiento desde la consola Amazon SageMaker AI](studio-updated-launch.md#studio-updated-launch-console) para lanzar la interfaz de usuario de Studio.
1. En el menú de navegación de la izquierda, elija la aplicación en **Aplicaciones**.
1. Elija el espacio con el que tiene problemas de configuración.
Los siguientes pasos estarán disponibles cuando se tope con uno o más de los problemas de configuración mencionados anteriormente. En este caso, verá un cartel de advertencia y el mensaje **Modo de recuperación**.
**nota**
El banner de advertencia debería incluir una solución recomendada para solucionar el problema. Tome nota de ello antes de continuar.
1. Seleccione **Ejecutar espacio (modo de recuperación)**.
1. Para acceder a la aplicación en modo de recuperación, selecciona **Abrir *application* (modo de recuperación)**.
### AWS CLI Utilícela para acceder a la aplicación en modo de recuperación
Para acceder a la aplicación en modo de recuperación, debe agregarla `--recovery-mode` al comando [create-app](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-app.html) AWS CLI . A continuación, se proporciona un ejemplo sobre cómo acceder a la aplicación en modo de recuperación.
Para el siguiente ejemplo, necesitará lo siguiente:
+ *domain-id*
Para obtener los detalles de su dominio, consulte [Visualización de dominios](domain-view.md).
+ *space-name*
Para obtener los nombres de los espacios asociados a su dominio, consulte [AWS CLI Utilícela para ver los espacios de SageMaker IA de su dominio](sm-console-domain-resources-view.md#sm-console-domain-resources-view-spaces-cli).
+ *app-name*
El nombre de su aplicación de . Para ver sus aplicaciones, consulte [Úselo AWS CLI para ver las aplicaciones de SageMaker IA de su dominio](sm-console-domain-resources-view.md#sm-console-domain-resources-view-apps-cli).
------
#### [ Access Code Editor application in recovery mode ]
```
aws sagemaker create-app \
--app-name app-name \
--app-type CodeEditor \
--domain-id domain-id \
--space-name space-name \
--recovery-mode
```
------
#### [ Access JupyterLab application in recovery mode ]
```
aws sagemaker create-app \
--app-name app-name \
--app-type JupyterLab \
--domain-id domain-id \
--space-name space-name \
--recovery-mode
```
------
## No se puede eliminar el editor de código ni la aplicación JupyterLab
Este problema se produce cuando un usuario crea una aplicación desde Amazon SageMaker Studio, que solo está disponible en Studio, y luego revierte su experiencia predeterminada a Studio Classic. Como resultado, el usuario no puede eliminar una aplicación de Code Editor, basada en Code-OSS, Visual Studio Code (Open Source) o JupyterLab porque no puede acceder a la interfaz de usuario de Studio.
Para resolver este problema, notifique al administrador para que pueda eliminar la aplicación manualmente con la tecla AWS Command Line Interface ()AWS CLI.
## EC2InsufficientCapacityError
Este problema se produce cuando intentas administrar un espacio y, en este momento, AWS no hay suficiente capacidad disponible bajo demanda para atender tu solicitud.
Para resolver este problema, siga este procedimiento.
+ Espere unos minutos. A continuación, vuelva a enviar la solicitud. La capacidad puede cambiar con frecuencia.
+ Ejecute el espacio con un tamaño o tipo de instancia alternativo.
**nota**
La capacidad está disponible en zonas de disponibilidad diferentes. Para maximizar la disponibilidad de capacidad para los usuarios, recomendamos configurar subredes en todas las zonas de disponibilidad. Studio vuelve a intentar todas las zonas de disponibilidad disponibles para el dominio.
La disponibilidad de los tipos de instancia varía según las regiones. Para ver una lista de los tipos de instancias compatibles por región, consulta los [precios de Amazon SageMaker AI](https://aws.amazon.com/sagemaker/pricing/).
En la siguiente tabla se enumeran las familias de instancias y sus alternativas recomendadas.
| Familia de instancias | Tipo de CPU | v CPUs | Memoria (GiB) | Tipo de GPU | GPUs | Memoria de GPU (GiB) | Alternativa recomendada |
| --- | --- | --- | --- | --- | --- | --- | --- |
| G4dn | Procesadores escalables Intel Xeon de 2.ª generación | De 4 a 96 | De 16 a 384 | NVIDIA T4 Tensor Core | De 1 a 8 | 16 por GPU | G6 |
| G5 | Procesadores AMD EPYC de 2.ª generación | De 4 a 192 | De 16 a 768 | Núcleo Tensor NVIDIA A10G | De 1 a 8 | 24 por GPU | G6e |
| G6 | Procesadores AMD EPYC de 3.ª generación | De 4 a 192 | De 16 a 768 | Núcleo NVIDIA L4 Tensor | De 1 a 8 | 24 por GPU | G4dn |
| G6e | Procesadores AMD EPYC de 3.ª generación | De 4 a 192 | De 32 a 1536 | Núcleo NVIDIA L40S Tensor | De 1 a 8 | 48 por GPU | G5, P4 |
| P3 | Procesadores escalables Intel Xeon | De 8 a 96 | De 61 a 768 | NVIDIA Tesla V100 | De 1 a 8 | 16 por GPU (32 por GPU para P3dn) | G6e, P4 |
| P4 | Procesadores escalables Intel Xeon de 2.ª generación | 96 | 1152 | Núcleo Tensor NVIDIA A100 | 8 | 320 (640 para P4de) | G6e |
| P5 | Procesadores AMD EPYC de 3.ª generación | 192 | 2000 | Núcleo Tensor NVIDIA H100 | 8 | 640 | P4de |
## Límite insuficiente (es necesario aumentar la cuota)
Este problema se produce cuando aparece el siguiente mensaje de error al ejecutar un espacio.
```
Error when creating application for space: ... : The account-level service limit is X Apps, with current utilization Y Apps and a request delta of 1 Apps. Please use Service Quotas to request an increase for this quota.
```
Hay un límite predeterminado del número de instancias que se puede ejecutar en cada Región de AWS, que se determina por tipo de instancia. Este error significa que ha alcanzado ese límite.
Para resolver este problema, solicita un aumento del límite de instancias para el espacio en el Región de AWS que vas a lanzar el espacio. Para obtener más información, consulte [Solicitud de un aumento de cuota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html).
## Error al cargar la imagen personalizada
Este problema se produce cuando se elimina una imagen de SageMaker IA antes de separarla de tu dominio. Lo puede comprobar al acceder a la pestaña **Entorno** de su dominio.
Para resolver este problema, tendrá que crear una nueva imagen temporal con el mismo nombre que la eliminada, desasociar la imagen y, a continuación, eliminar la imagen temporal. Use las siguientes instrucciones para probarlo.
1. Si aún no lo ha hecho, inicie la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. En el panel de navegación de la izquierda, seleccione **Dominios** en **Configuraciones de administración**.
1. Seleccione su dominio.
1. Seleccione la pestaña **Entorno**. En esta página verá el mensaje de error.
1. Copie el nombre de la imagen del ARN de la imagen.
1. En el panel de navegación de la izquierda, seleccione **Imágenes** en **Configuraciones de administración**.
1. Elija **Crear imagen**.
1. Siga los pasos del procedimiento, pero asegúrese de que el nombre de la imagen sea el mismo que el nombre de la imagen que aparece arriba.
Si no tiene ninguna imagen en un directorio de Amazon ECR, consulte las instrucciones en [Creación de una imagen personalizada y envío a Amazon ECR](studio-updated-byoi-how-to-prepare-image.md).
1. Una vez que hayas creado tu imagen de SageMaker IA, vuelve a la pestaña **Entorno** de tu dominio. Verá la imagen asociada a su dominio.
1. Seleccione la imagen y elija **Desasociar**.
1. Sigue las instrucciones para separar y eliminar la imagen de SageMaker IA temporal.
# Migración desde Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Al abrir Amazon SageMaker Studio, la interfaz de usuario basada en la web se basa en la experiencia predeterminada elegida. Amazon SageMaker AI admite actualmente dos experiencias predeterminadas diferentes: la experiencia Amazon SageMaker Studio y la experiencia Amazon SageMaker Studio Classic. Para acceder a las funciones más recientes de Amazon SageMaker Studio, debe migrar los dominios existentes desde la experiencia Amazon SageMaker Studio Classic. Al migrar su experiencia predeterminada de Studio Classic a Studio, no pierde ninguna característica y puede seguir accediendo al IDE de Studio Classic desde Studio. Para obtener información sobre las ventajas adicionales de la experiencia de Studio, consulte [Amazon SageMaker Studio](studio-updated.md).
**nota**
Para los clientes actuales que han creado sus cuentas antes del 30 de noviembre de 2023, puede que Studio Classic sea la experiencia predeterminada. Puede habilitar Studio como experiencia predeterminada mediante AWS Command Line Interface (AWS CLI) o la consola Amazon SageMaker AI. Para obtener más información sobre Studio Classic, consulte [Amazon SageMaker Studio Clásico](studio.md).
Para los clientes que crearon sus cuentas después del 30 de noviembre de 2023, recomendamos usar Studio como experiencia predeterminada, ya que contiene varios entornos de desarrollo integrados (IDEs), incluido el IDE Studio Classic, y otras funciones nuevas.
JupyterLab 3 alcanzó su fecha de fin de mantenimiento el 15 de mayo de 2024. A partir del 31 de diciembre de 2024, solo podrás crear nuevas libretas Studio Classic en JupyterLab 3 durante un periodo limitado. Sin embargo, a partir del 31 de diciembre de 2024, la SageMaker IA dejará de ofrecer soluciones a los problemas críticos de los portátiles Studio Classic en JupyterLab versión 3. Te recomendamos migrar tus cargas de trabajo a la nueva experiencia de Studio, que es compatible con JupyterLab 4.
+ Si Studio es su experiencia predeterminada, la interfaz de usuario es similar a las imágenes que se encuentran en [Descripción general de la interfaz de usuario de Amazon SageMaker Studio](studio-updated-ui.md).
+ Si su experiencia predeterminada es Studio Classic, la interfaz de usuario es similar a las imágenes que aparecen en [Descripción general de la interfaz de usuario clásica de Amazon SageMaker Studio](studio-ui.md).
Para realizar la migración, debe actualizar un dominio existente. Para migrar un dominio existente de Studio Classic a Studio se requieren tres fases diferenciadas:
1. ** Migración de la interfaz de usuario de Studio Classic a Studio**: tarea única y sencilla que requiere crear un dominio de prueba para asegurarse de que Studio es compatible con las configuraciones de red de su organización antes de migrar la interfaz de usuario del dominio existente de Studio Classic a Studio.
1. **(Opcional) Migración de las imágenes personalizadas y los scripts de configuración del ciclo de vida**: tarea de dificultad intermedia que permite migrar las imágenes personalizadas y los scripts de LCC de Studio Classic a Studio.
1. **(Opcional) Migración de datos de Studio Classic a Studio**: tarea complicada que requiere utilizar AWS DataSync para migrar los datos del volumen de Amazon Elastic File System de Studio Classic a un volumen de destino de Amazon EFS o Amazon Elastic Block Store.
1. **(Opcional) Migre los flujos de datos de Data Wrangler en Studio Classic**: una tarea sencilla y única para migrar sus flujos de datos de Data Wrangler en Studio Classic a Studio, al que podrá acceder en la última versión de Studio a través de Canvas. SageMaker Para obtener más información, consulte [Migración de los flujos de datos desde Data Wrangler](studio-updated-migrate-data.md#studio-updated-migrate-flows).
En los siguientes temas se muestra cómo llevar a cabo estas fases para migrar un dominio existente de Studio Classic a Studio.
## Migración automática
Entre julio y agosto de 2024, actualizamos automáticamente la experiencia de inicio predeterminada para los usuarios a la nueva experiencia de Studio. Esto solo cambia la interfaz de usuario de inicio predeterminada, que pasa a ser la interfaz de usuario de Studio actualizada. La aplicación de Studio Classic sigue estando accesible desde la nueva interfaz de usuario de Studio.
Para asegurarse de que la migración funcione correctamente para sus usuarios, consulte [Migración de la interfaz de usuario de Studio Classic a Studio](studio-updated-migrate-ui.md). En concreto, asegúrese de lo siguiente:
+ El rol de ejecución del dominio cuenta con los permisos correctos.
+ Se ha establecido Studio como experiencia de inicio predeterminada.
+ La Amazon VPC del dominio, si corresponde, está configurada para Studio mediante el punto de conexión de VPC de Studio.
Sin embargo, si necesita que Studio Classic siga siendo su interfaz de usuario predeterminada durante un tiempo limitado, configure la experiencia de inicio en Studio Classic de forma explícita. Para obtener más información, consulte [Establecimiento de Studio Classic como experiencia predeterminada](studio-updated-migrate-ui.md#studio-updated-migrate-revert).
**Topics**
+ [Migración automática](#studio-updated-migrate-auto)
+ [Requisitos previos completos para migrar la experiencia de Studio](studio-updated-migrate-prereq.md)
+ [Migración de la interfaz de usuario de Studio Classic a Studio](studio-updated-migrate-ui.md)
+ [(Opcional) Migración de imágenes personalizadas y configuraciones de ciclo de vida](studio-updated-migrate-lcc.md)
+ [(Opcional) Migración de datos de Studio Classic a Studio](studio-updated-migrate-data.md)
# Requisitos previos completos para migrar la experiencia de Studio
La migración de la experiencia predeterminada de Studio Classic a Studio corre a cargo del administrador del dominio existente. Si no dispone de permisos para configurar Studio como experiencia predeterminada para el dominio existente, póngase en contacto con su administrador. Para migrar tu experiencia predeterminada, debes tener permisos de administrador o, al menos, tener permisos para actualizar el dominio existente AWS Identity and Access Management (IAM) y Amazon Simple Storage Service (Amazon S3). Cumpla los siguientes requisitos previos antes de migrar un dominio existente de Studio Classic a Studio.
+ El AWS Identity and Access Management rol utilizado para completar la migración debe tener una política asociada con al menos los siguientes permisos. Para obtener más información sobre cómo crear una política de IAM, consulte [Creación de políticas de IAM](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_create.html).
**nota**
La versión de Studio incluye actualizaciones de las políticas AWS administradas. Para obtener más información, consulte [SageMaker Actualizaciones de IA de las políticas AWS gestionadas](security-iam-awsmanpol.md#security-iam-awsmanpol-updates).
+ Permisos necesarios para la fase 1:
+ `iam:CreateServiceLinkedRole`
+ `iam:PassRole`
+ `sagemaker:DescribeDomain`
+ `sagemaker:UpdateDomain`
+ `sagemaker:CreateDomain`
+ `sagemaker:CreateUserProfile`
+ `sagemaker:ListApps`
+ `sagemaker:AddTags`
+ `sagemaker:DeleteApp`
+ `sagemaker:DeleteSpace`
+ `sagemaker:UpdateSpace`
+ `sagemaker:DeleteUserProfile`
+ `sagemaker:DeleteDomain`
+ `s3:PutBucketCORS`
+ Permisos necesarios para la fase 2 (opcionales, solo si se utilizan scripts de configuración del ciclo de vida):
No es necesario ningún otro permiso. Si el dominio existente tiene configuraciones de ciclo de vida e imágenes personalizadas, el administrador ya tendrá los permisos necesarios.
+ Permisos necesarios para la fase 3 si se usa Amazon Elastic File System personalizado (opcional, solo si se transfieren datos):
+ `efs:CreateFileSystem`
+ `efs:CreateMountTarget`
+ `efs:DescribeFileSystems`
+ `efs:DescribeMountTargets`
+ `efs:DescribeMountTargetSecurityGroups`
+ `efs:ModifyMountTargetSecurityGroups`
+ `ec2:DescribeSubnets`
+ `ec2:DescribeSecurityGroups`
+ `ec2:DescribeNetworkInterfaceAttribute`
+ `ec2:DescribeNetworkInterfaces`
+ `ec2:AuthorizeSecurityGroupEgress`
+ `ec2:AuthorizeSecurityGroupIngress`
+ `ec2:CreateNetworkInterface`
+ `ec2:CreateNetworkInterfacePermission`
+ `ec2:RevokeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupEgress`
+ `ec2:DeleteSecurityGroup`
+ `datasync:CreateLocationEfs`
+ `datasync:CreateTask`
+ `datasync:StartTaskExecution`
+ `datasync:DeleteTask`
+ `datasync:DeleteLocation`
+ `sagemaker:ListUserProfiles`
+ `sagemaker:DescribeUserProfile`
+ `sagemaker:UpdateDomain`
+ `sagemaker:UpdateUserProfile`
+ Permisos necesarios para la fase 3 si se usa Amazon Simple Storage Service (opcional, solo si se transfieren datos):
+ `iam:CreateRole`
+ `iam:GetRole`
+ `iam:AttachRolePolicy`
+ `iam:DetachRolePolicy`
+ `iam:DeleteRole`
+ `efs:DescribeFileSystems`
+ `efs:DescribeMountTargets`
+ `efs:DescribeMountTargetSecurityGroups`
+ `ec2:DescribeSubnets`
+ `ec2:CreateSecurityGroup`
+ `ec2:DescribeSecurityGroups`
+ `ec2:DescribeNetworkInterfaces`
+ `ec2:CreateNetworkInterface`
+ `ec2:CreateNetworkInterfacePermission`
+ `ec2:DetachNetworkInterfaces`
+ `ec2:DeleteNetworkInterface`
+ `ec2:DeleteNetworkInterfacePermission`
+ `ec2:CreateTags`
+ `ec2:AuthorizeSecurityGroupEgress`
+ `ec2:AuthorizeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupIngress`
+ `ec2:RevokeSecurityGroupEgress`
+ `ec2:DeleteSecurityGroup`
+ `datasync:CreateLocationEfs`
+ `datasync:CreateLocationS3`
+ `datasync:CreateTask`
+ `datasync:StartTaskExecution`
+ `datasync:DescribeTaskExecution`
+ `datasync:DeleteTask`
+ `datasync:DeleteLocation`
+ `sagemaker:CreateStudioLifecycleConfig`
+ `sagemaker:UpdateDomain`
+ `s3:ListBucket`
+ `s3:GetObject`
+ Acceda a AWS los servicios desde un entorno de terminal en:
+ Su máquina local utiliza la AWS CLI versión`2.13+`. Utilice el siguiente comando para comprobar la AWS CLI versión.
```
aws --version
```
+ AWS CloudShell. Para obtener más información, consulte [¿Qué es AWS CloudShell?](https://docs.aws.amazon.com/cloudshell/latest/userguide/welcome.html)
+ Desde su máquina local o bien AWS CloudShell, ejecute el siguiente comando e introduzca sus AWS credenciales. Para obtener información sobre AWS las credenciales, consulte [Descripción y obtención de AWS las credenciales](https://docs.aws.amazon.com/IAM/latest/UserGuide/security-creds.html).
```
aws configure
```
+ Compruebe que el procesador JSON ligero esté instalado en el entorno de terminal. jq jqes necesario para analizar AWS CLI las respuestas.
```
jq --version
```
Si jq no está instalado, instálelo mediante uno de los siguientes comandos.
+
```
sudo apt-get install -y jq
```
+
```
sudo yum install -y jq
```
# Migración de la interfaz de usuario de Studio Classic a Studio
La primera fase de la migración de un dominio existente implica la migración de la interfaz de usuario de Amazon SageMaker Studio Classic a Amazon SageMaker Studio. Esta fase no incluye la migración de datos. Los usuarios pueden seguir trabajando con sus datos de la misma forma que lo hacían antes de la migración. Para obtener información sobre cómo migrar datos, consulte [(Opcional) Migración de datos de Studio Classic a Studio](studio-updated-migrate-data.md).
La fase 1 consta de los siguientes pasos:
1. Actualice los permisos de creación de aplicaciones para las nuevas aplicaciones disponibles en Studio.
1. Actualice la configuración de la VPC para el dominio.
1. Actualice el dominio para utilizar la interfaz de usuario de Studio.
## Requisitos previos
Antes de llevar a cabo estos pasos, debe cumplir los requisitos previos de [Requisitos previos completos para migrar la experiencia de Studio](studio-updated-migrate-prereq.md).
## Paso 1: actualización de permisos de creación de aplicaciones
Antes de migrar el dominio, actualice el rol de ejecución del dominio para conceder a los usuarios permisos para crear aplicaciones.
1. Cree una AWS Identity and Access Management política con uno de los siguientes contenidos siguiendo los pasos que se indican en [Creación de políticas de IAM](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_create.html):
+ Utilice la siguiente política para conceder permisos a todos los espacios y tipos de aplicaciones.
**nota**
Si en el dominio se utiliza la política `SageMakerFullAccess`, no es necesario que realice esta acción. `SageMakerFullAccess` concede permisos para crear todas las aplicaciones.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "SMStudioUserProfileAppPermissionsCreateAndDelete",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioCreatePresignedDomainUrlForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
{
"Sid": "SMStudioAppPermissionsListAndDescribe",
"Effect": "Allow",
"Action": [
"sagemaker:ListApps",
"sagemaker:ListDomains",
"sagemaker:ListUserProfiles",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:DescribeUserProfile",
"sagemaker:DescribeSpace"
],
"Resource": "*"
},
{
"Sid": "SMStudioAppPermissionsTagOnCreate",
"Effect": "Allow",
"Action": [
"sagemaker:AddTags"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:*/*",
"Condition": {
"Null": {
"sagemaker:TaggingAction": "false"
}
}
},
{
"Sid": "SMStudioRestrictSharedSpacesWithoutOwners",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:space/${sagemaker:DomainId}/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioRestrictSpacesToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:space/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private",
"Shared"
]
}
}
},
{
"Sid": "SMStudioRestrictCreatePrivateSpaceAppsToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/${sagemaker:DomainId}/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-1:111122223333:user-profile/${sagemaker:DomainId}/${sagemaker:UserProfileName}"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private"
]
}
}
},
{
"Sid": "AllowAppActionsForSharedSpaces",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:*:*:app/${sagemaker:DomainId}/*/*/*",
"Condition": {
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Shared"
]
}
}
}
]
}
```
------
+ Como Studio muestra un conjunto ampliado de aplicaciones, es posible que los usuarios tengan acceso a aplicaciones que no se mostraban antes. Los administradores pueden limitar el acceso a estas aplicaciones predeterminadas mediante la creación de una política AWS Identity and Access Management (IAM) que deniegue los permisos de algunas aplicaciones a usuarios específicos.
**nota**
El tipo de aplicación pueden ser de `jupyterlab` o de `codeeditor`.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "DenySageMakerCreateAppForSpecificAppTypes",
"Effect": "Deny",
"Action": "sagemaker:CreateApp",
"Resource": "arn:aws:sagemaker:us-east-1:111122223333:app/domain-id/*/app-type/*"
}
]
}
```
------
1. Asocie la política al rol de ejecución del dominio. Para obtener instrucciones, siga los pasos que se indican en [Adición de permisos de identidad de IAM (consola)](https://docs.aws.amazon.com//IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console).
## Paso 2: actualización de una configuración de VPC
Si usa su dominio en modo `VPC-Only`, asegúrese de que la configuración de la VPC cumpla los requisitos para usar Studio en modo `VPC-Only`. Para obtener más información, consulte [Connect Amazon SageMaker Studio de una VPC a recursos externos](studio-updated-and-internet-access.md).
## Paso 3: actualización a la interfaz de usuario de Studio
Antes de migrar su dominio actual de Studio Classic a Studio, recomendamos crear un dominio de prueba con Studio con las mismas configuraciones que su dominio actual.
### (Opcional) Creación de un dominio de prueba
Utilice este dominio de prueba para interaccionar con Studio, probar las configuraciones de red e inicializar aplicaciones antes de migrar el dominio existente.
1. Obtenga el ID de dominio de su dominio actual.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio existente.
1. En la página **Detalles del dominio**, elija la pestaña **Configuración del dominio**.
1. Copie el **ID de dominio**.
1. Agregue el ID de dominio de su dominio existente.
```
export REF_DOMAIN_ID="domain-id"
export SM_REGION="region"
```
1. Use `describe-domain` para obtener información importante sobre el dominio existente.
```
export REF_EXECROLE=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.DefaultUserSettings.ExecutionRole')
export REF_VPC=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.VpcId')
export REF_SIDS=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.SubnetIds | join(",")')
export REF_SGS=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.DefaultUserSettings.SecurityGroups | join(",")')
export AUTHMODE=$(aws sagemaker describe-domain --region=$SM_REGION --domain-id=$REF_DOMAIN_ID | jq -r '.AuthMode')
```
1. Valide los parámetros.
```
echo "Execution Role: $REF_EXECROLE || VPCID: $REF_VPC || SubnetIDs: $REF_SIDS || Security GroupIDs: $REF_SGS || AuthMode: $AUTHMODE"
```
1. Cree un dominio de prueba con las configuraciones del dominio existente.
```
IFS=',' read -r -a subnet_ids <<< "$REF_SIDS"
IFS=',' read -r -a security_groups <<< "$REF_SGS"
security_groups_json=$(printf '%s\n' "${security_groups[@]}" | jq -R . | jq -s .)
aws sagemaker create-domain \
--domain-name "TestV2Config" \
--vpc-id $REF_VPC \
--auth-mode $AUTHMODE \
--subnet-ids "${subnet_ids[@]}" \
--app-network-access-type VpcOnly \
--default-user-settings "
{
\"ExecutionRole\": \"$REF_EXECROLE\",
\"StudioWebPortal\": \"ENABLED\",
\"DefaultLandingUri\": \"studio::\",
\"SecurityGroups\": $security_groups_json
}
"
```
1. Una vez que el dominio de prueba se encuentre en el estado `In Service`, utilice el ID del dominio de prueba para crear un perfil de usuario. Este perfil de usuario se utiliza para inicializar y probar aplicaciones.
```
aws sagemaker create-user-profile \
--region="$SM_REGION" --domain-id=test-domain-id \
--user-profile-name test-network-user
```
#### Comprobación de la funcionalidad de Studio
Lance el dominio de prueba con el perfil de usuario `test-network-user`. Sugerimos probar minuciosamente la interfaz de usuario de Studio y crear aplicaciones para probar la funcionalidad de Studio en el modo `VPCOnly`. Pruebe los siguientes flujos de trabajo:
+ Cree un nuevo JupyterLab espacio, pruebe el entorno y la conectividad.
+ Cree un nuevo espacio del editor de código, basado en Code-OSS, Visual Studio Code: ☺Open Source, un entorno de pruebas y una conectividad.
+ Lance una nueva aplicación de Studio Classic, un entorno de pruebas y una conectividad.
+ Pruebe la conectividad de Amazon Simple Storage Service mediante acciones de lectura y escritura de prueba.
Si estas pruebas se realizan correctamente, actualice el dominio existente. Si detecta cualquier error, recomendamos corregir los problemas del entorno y de la conectividad antes de actualizar el dominio existente.
#### Eliminación de los recursos del dominio de prueba
Después de migrar el dominio existente, elimine los recursos del dominio de prueba.
1. Agregue el ID del dominio de prueba.
```
export TEST_DOMAIN="test-domain-id"
export SM_REGION="region"
```
1. Enumere todas las aplicaciones del dominio que se encuentren en estado de ejecución.
```
active_apps_json=$(aws sagemaker list-apps --region=$SM_REGION --domain-id=$TEST_DOMAIN)
echo $active_apps_json
```
1. Analice la lista de JSON de aplicaciones en ejecución y elimínelas. Si los usuarios han intentado crear una aplicación para la que no tienen permisos, es posible que haya espacios que no se capturen en el siguiente script. Debe eliminar esos espacios manualmente.
```
echo "$active_apps_json" | jq -c '.Apps[]' | while read -r app;
do
if echo "$app" | jq -e '. | has("SpaceName")' > /dev/null;
then
app_type=$(echo "$app" | jq -r '.AppType')
app_name=$(echo "$app" | jq -r '.AppName')
domain_id=$(echo "$app" | jq -r '.DomainId')
space_name=$(echo "$app" | jq -r '.SpaceName')
echo "Deleting App - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || SpaceName: $space_name"
aws sagemaker delete-app --region=$SM_REGION --domain-id=$domain_id \
--app-type $app_type --app-name $app_name --space-name $space_name
echo "Deleting Space - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || SpaceName: $space_name"
aws sagemaker delete-space --region=$SM_REGION --domain-id=$domain_id \
--space-name $space_name
else
app_type=$(echo "$app" | jq -r '.AppType')
app_name=$(echo "$app" | jq -r '.AppName')
domain_id=$(echo "$app" | jq -r '.DomainId')
user_profile_name=$(echo "$app" | jq -r '.UserProfileName')
echo "Deleting Studio Classic - AppType: $app_type || AppName: $app_name || DomainId: $domain_id || UserProfileName: $user_profile_name"
aws sagemaker delete-app --region=$SM_REGION --domain-id=$domain_id \
--app-type $app_type --app-name $app_name --user-profile-name $user_profile_name
fi
done
```
1. Elimine el perfil de usuario de prueba.
```
aws sagemaker delete-user-profile \
--region=$SM_REGION --domain-id=$TEST_DOMAIN \
--user-profile-name "test-network-user"
```
1. Elimine el dominio de prueba.
```
aws sagemaker delete-domain \
--region=$SM_REGION --domain-id=$TEST_DOMAIN
```
Una vez que haya probado la funcionalidad de Studio con las configuraciones del dominio de prueba, migre el dominio existente. Cuando Studio es la experiencia predeterminada en un dominio, también es la experiencia predeterminada para todos los usuarios del dominio. Sin embargo, la configuración de usuario tiene prioridad sobre la configuración del dominio. Por lo tanto, si un usuario establece su experiencia predeterminada en Studio Classic en su configuración de usuario, la experiencia predeterminada de ese usuario será Studio Classic.
Puedes migrar el dominio existente actualizándolo desde la consola de SageMaker IA AWS CLI, la consola o AWS CloudFormation. Elija una de las siguientes pestañas para ver las instrucciones correspondientes.
### Configura Studio como la experiencia predeterminada para el dominio existente mediante la consola de SageMaker IA
Puedes configurar Studio como la experiencia predeterminada para el dominio existente mediante la consola de SageMaker IA.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio existente para el cual desee habilitar Studio como experiencia predeterminada.
1. En la página **Detalles del dominio**, expanda **Activar el nuevo Studio**.
1. (Opcional) Para ver información sobre los pasos necesarios para habilitar Studio como experiencia predeterminada, seleccione **Ver detalles**. En la página se muestra lo siguiente:
+ En la sección **Descripción general de SageMaker Studio**, puede ver las aplicaciones que se incluyen o están disponibles en la interfaz web de Studio.
+ En la sección **Proceso de habilitación**, se muestran las descripciones de las tareas del flujo de trabajo de habilitación de Studio.
**nota**
Tendrá que migrar los datos manualmente. Para obtener instrucciones sobre la migración de los datos, consulte [(Opcional) Migración de datos de Studio Classic a Studio](studio-updated-migrate-data.md).
+ En la sección **Revertir a la experiencia de Studio Classic**, se indica cómo revertir a Studio Classic después de haber habilitado Studio como experiencia predeterminada.
1. Para iniciar el proceso de habilitación de Studio como experiencia predeterminada, seleccione **Activar el nuevo Studio**.
1. En la sección **Especificar y configurar el rol**, se muestran las aplicaciones predeterminadas que se incluyen automáticamente en Studio.
Para evitar que los usuarios ejecuten estas aplicaciones, elija el rol de AWS Identity and Access Management (IAM) cuya política de IAM deniegue el acceso. Para obtener información sobre cómo crear una política que limite el acceso, consulte [Paso 1: actualización de permisos de creación de aplicaciones](#studio-updated-migrate-limit-apps).
1. En la sección **Elegir el bucket de S3 predeterminado para asociar la política de CORS**, puede conceder a Studio acceso a los buckets de Amazon S3. El bucket de Amazon S3 predeterminado, en este caso, es el bucket de Amazon S3 predeterminado de Studio Classic. En este paso, puede hacer lo siguiente:
+ Comprobar el bucket de Amazon S3 predeterminado del dominio al que desea asociar la política de CORS. Si su dominio no tiene un bucket de Amazon S3 predeterminado, SageMaker AI crea un bucket de Amazon S3 con la política CORS correcta adjunta.
+ Puede incluir 10 buckets de Amazon S3 adicionales a los que asociar la política de CORS.
Si desea incluir más de 10 buckets, puede agregarlos manualmente. Para obtener más información sobre cómo asociar manualmente la política de CORS a sus buckets de Amazon S3, consulte [(Opcional) Actualización de la política de CORS para obtener acceso a los buckets de Amazon S3](#studio-updated-migrate-cors).
Para continuar, seleccione la casilla de verificación situada junto a **¿Acepta anular todas las políticas de CORS existentes en los buckets de Amazon S3 elegidos?**
1. La sección **Migrar datos** contiene información sobre los distintos volúmenes de almacenamiento de datos de Studio Classic y Studio. Los datos no se migrarán automáticamente mediante este proceso. Para obtener instrucciones sobre la migración de los datos, las configuraciones del ciclo de vida y las JupyterLab extensiones, consulte. [(Opcional) Migración de datos de Studio Classic a Studio](studio-updated-migrate-data.md)
1. Cuando haya completado las tareas de la página y haya comprobado la configuración, seleccione **Activar el nuevo Studio**.
### Configura Studio como la experiencia predeterminada para el dominio existente mediante el AWS CLI
Para establecer Studio como experiencia predeterminada para el dominio existente mediante la AWS CLI, utilice la llamada [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html). Debe establecer `ENABLED` como el valor de `StudioWebPortal` y establecer `studio::` como el valor de `DefaultLandingUri` como parte del parámetro `default-user-settings`.
`StudioWebPortal` indica si la experiencia de Studio es la experiencia predeterminada y `DefaultLandingUri` indica la experiencia predeterminada a la que se dirige al usuario cuando accede al dominio. En este ejemplo, si se establecen estos valores en un nivel de dominio (en `default-user-settings`), Studio se convierte en la experiencia predeterminada para los usuarios del dominio.
Si un usuario del dominio tiene su `StudioWebPortal` establecido en `DISABLED` y `DefaultLandingUri` establecido en `app:JupyterServer:` para el usuario (en `UserSettings`), esto tiene prioridad sobre la configuración del dominio. En otras palabras, la experiencia predeterminada de ese usuario será Studio Classic, independientemente de la configuración del dominio.
En el siguiente ejemplo de código, se muestra cómo configurar Studio como experiencia predeterminada para los usuarios del dominio:
```
aws sagemaker update-domain \
--domain-id existing-domain-id \
--region Región de AWS \
--default-user-settings '
{
"StudioWebPortal": "ENABLED",
"DefaultLandingUri": "studio::"
}
'
```
+ Para obtener su `existing-domain-id`, siga estas instrucciones:
**Obtención de `existing-domain-id`**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio existente.
1. En la página **Detalles del dominio**, elija la pestaña **Configuración del dominio**.
1. Copie el **ID de dominio**.
+ Para asegurarte de que estás utilizando la correcta Región de AWS para tu dominio, sigue las siguientes instrucciones:
**Obtención de `Región de AWS`**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio existente.
1. En la página **Detalles del dominio** compruebe que se trata del dominio existente.
1. Amplía la lista Región de AWS desplegable desde la parte superior derecha de la consola de SageMaker IA y usa el Región de AWS ID correspondiente a la derecha de tu Región de AWS nombre. Por ejemplo, `us-west-1`.
Tras migrar la experiencia predeterminada a Studio, puede conceder a Studio acceso a los buckets de Amazon S3. Por ejemplo, puede incluir el acceso a su bucket de Amazon S3 predeterminado de Studio Classic y a otros buckets de Amazon S3. Para ello, debe asociar manualmente una configuración de [uso compartido de recursos entre orígenes](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS) (CORS) a los buckets de Amazon S3. Para obtener más información sobre cómo asociar manualmente la política de CORS a sus buckets de Amazon S3, consulte [(Opcional) Actualización de la política de CORS para obtener acceso a los buckets de Amazon S3](#studio-updated-migrate-cors).
Del mismo modo, puedes configurar Studio como la experiencia predeterminada al crear un dominio a partir de la AWS CLI llamada [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html).
### Configura Studio como la experiencia predeterminada para el dominio existente mediante AWS CloudFormation
Puede configurar la experiencia predeterminada al crear un dominio mediante AWS CloudFormation. Para obtener una plantilla de CloudFormation migración, consulte [Plantillas iAC de SageMaker Studio Administrator](https://github.com/aws-samples/sagemaker-studio-admin-iac-templates/tree/main?tab=readme-ov-file#phase-1-migration). Para obtener más información sobre cómo crear un dominio mediante CloudFormation, consulte [Crear un dominio de Amazon SageMaker AI mediante CloudFormation](https://github.com/aws-samples/cloudformation-studio-domain?tab=readme-ov-file#creating-sagemaker-studio-domains-using-cloudformation).
Para obtener información sobre el recurso de dominio que admite AWS CloudFormation, consulte [AWS: SageMaker AI: :Domain](https://docs.aws.amazon.com//AWSCloudFormation/latest/UserGuide/aws-resource-sagemaker-domain.html#cfn-sagemaker-domain-defaultusersettings).
Tras migrar la experiencia predeterminada a Studio, puede conceder a Studio acceso a los buckets de Amazon S3. Por ejemplo, puede incluir el acceso a su bucket de Amazon S3 predeterminado de Studio Classic y a otros buckets de Amazon S3. Para ello, debe asociar manualmente una configuración de [uso compartido de recursos entre orígenes](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS) (CORS) a los buckets de Amazon S3. Para obtener información sobre cómo asociar manualmente la política de CORS a sus buckets de Amazon S3, consulte [(Opcional) Actualización de la política de CORS para obtener acceso a los buckets de Amazon S3](#studio-updated-migrate-cors).
### (Opcional) Actualización de la política de CORS para obtener acceso a los buckets de Amazon S3
En Studio Classic, los usuarios pueden crear, enumerar y cargar archivos en buckets de Amazon Simple Storage Service (Amazon S3). Para ofrecer la misma experiencia en Studio, los administradores deben asociar una configuración de [uso compartido de recursos entre orígenes](https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS) (CORS) a los buckets de Amazon S3. Esto es obligatorio porque Studio realiza llamadas a Amazon S3 desde el navegador de Internet. El navegador invoca CORS en nombre de los usuarios. Por ello, todas las solicitudes a los buckets de Amazon S3 darán un error a menos que la política de CORS esté asociada a los buckets de Amazon S3.
Es posible que tenga que asociar manualmente la política de CORS a los buckets de Amazon S3 por los siguientes motivos.
+ Si ya existe un bucket predeterminado de Amazon S3 que no tiene asociada la política CORS correcta al migrar la experiencia predeterminada del dominio existente a Studio.
+ Si lo utilizas AWS CLI para migrar la experiencia predeterminada del dominio existente a Studio. Para obtener información sobre cómo usar el AWS CLI para migrar, consulte[Configura Studio como la experiencia predeterminada para el dominio existente mediante el AWS CLI](#studio-updated-migrate-set-studio-updated-cli).
+ Si desea asociar la política de CORS a buckets de Amazon S3 adicionales.
**nota**
Si planea usar la consola de SageMaker IA para habilitar Studio como experiencia predeterminada, las políticas de CORS existentes se anularán durante la migración de los buckets de Amazon S3 a los que adjunte la política de CORS. Por este motivo, puede hacer caso omiso de las siguientes instrucciones manuales.
Sin embargo, si ya ha utilizado la consola SageMaker AI para realizar la migración y desea incluir más buckets de Amazon S3 a los que adjuntar la política CORS, continúe con las siguientes instrucciones manuales.
En el siguiente procedimiento, se muestra cómo agregar manualmente una configuración de CORS a un bucket de Amazon S3.
**Adición de una configuración de CORS a un bucket de S3**
1. Compruebe que haya un bucket de Amazon S3 en el Región de AWS mismo dominio existente con el siguiente nombre. Para obtener instrucciones, consulte [Visualización de las propiedades para un bucket de S3](https://docs.aws.amazon.com//AmazonS3/latest/userguide/view-bucket-properties.html).
```
sagemaker-region-account-id
```
1. Agregue una configuración de CORS con el siguiente contenido al bucket de Amazon S3 predeterminado. Para obtener instrucciones, consulte [Configuración del uso compartido de recursos entre orígenes (CORS)](https://docs.aws.amazon.com//AmazonS3/latest/userguide/enabling-cors-examples.html).
```
[
{
"AllowedHeaders": [
"*"
],
"AllowedMethods": [
"POST",
"PUT",
"GET",
"HEAD",
"DELETE"
],
"AllowedOrigins": [
"https://*.sagemaker.aws"
],
"ExposeHeaders": [
"ETag",
"x-amz-delete-marker",
"x-amz-id-2",
"x-amz-request-id",
"x-amz-server-side-encryption",
"x-amz-version-id"
]
}
]
```
### (Opcional) Migre de Data Wrangler en Studio Classic a Canvas SageMaker
Amazon SageMaker Data Wrangler existe como una función propia en la experiencia Studio Classic. Cuando habilita Studio como experiencia predeterminada, utilice la aplicación [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) para acceder a la funcionalidad de Data Wrangler. SageMaker Canvas es una aplicación en la que puede entrenar e implementar modelos de aprendizaje automático sin escribir ningún código, y Canvas proporciona funciones de preparación de datos con la tecnología de Data Wrangler.
La nueva experiencia de Studio no es compatible con la interfaz de usuario clásica de Data Wrangler, por lo que debe crear una aplicación de Canvas si desea continuar utilizando Data Wrangler. Sin embargo, debe contar con los permisos necesarios para crear y utilizar aplicaciones de Canvas.
Complete los siguientes pasos para adjuntar las políticas de permisos necesarias a la función de AWS IAM de su dominio de SageMaker IA o usuario.
**Concesión de permisos para la funcionalidad de Data Wrangler en Canvas**
1. Adjunta la política AWS gestionada [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol.html#security-iam-awsmanpol-AmazonSageMakerFullAccess)a la función de IAM de tu usuario. Para obtener más información sobre cómo asociar políticas de IAM a un rol, consulte [Adición de permisos de identidad de IAM (consola)](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console) en la *AWS Guía del usuario de IAM*.
Si esta política de permisos es demasiado permisiva para su caso de uso, puede crear políticas específicas que incluyan al menos los siguientes permisos:
```
{
"Sid": "AllowStudioActions",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl",
"sagemaker:DescribeDomain",
"sagemaker:ListDomains",
"sagemaker:DescribeUserProfile",
"sagemaker:ListUserProfiles",
"sagemaker:DescribeSpace",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:ListApps"
],
"Resource": "*"
},
{
"Sid": "AllowAppActionsForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:region:account-id:app/domain-id/user-profile-name/canvas/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
}
```
1. Adjunta la política AWS gestionada [AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)a la función de IAM de tu usuario.
Tras asociar los permisos necesarios, puede crear una aplicación de Canvas e iniciar sesión. Para obtener más información, consulte [Cómo empezar a usar Amazon SageMaker Canvas](canvas-getting-started.md).
Cuando haya iniciado sesión en Canvas, podrá acceder directamente a Data Wrangler y empezar a crear flujos de datos. Para obtener más información, consulte [Preparación de datos](canvas-data-prep.md) en la documentación de Canvas.
### (Opcional) Migre del piloto automático de Studio Classic a Canvas SageMaker
[Amazon SageMaker Autopilot](https://docs.aws.amazon.com/sagemaker/AWSIronmanApiDoc/integ/npepin-studio-migration-autopilot-to-canvas/latest/dg/autopilot-automate-model-development.html) existe como una función propia en la experiencia Studio Classic. Al migrar a la experiencia de Studio actualizada, utilice la aplicación [Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) para seguir utilizando las mismas capacidades de aprendizaje automático automático (AutomL) a través de una interfaz de usuario (UI). SageMaker Canvas es una aplicación en la que puede entrenar e implementar modelos de aprendizaje automático sin escribir ningún código, y Canvas proporciona una interfaz de usuario para ejecutar sus tareas de AutoML.
La nueva experiencia de Studio no es compatible con la interfaz de usuario clásica de la interfaz de usuario de Piloto automático. Debe crear una aplicación de Canvas si desea seguir utilizando las características de AutoML de Piloto automático mediante una interfaz de usuario.
Sin embargo, debe contar con los permisos necesarios para crear y utilizar aplicaciones de Canvas.
+ Si accede a SageMaker Canvas desde Studio, añada esos permisos a la función de ejecución de su dominio de SageMaker IA o perfil de usuario.
+ Si accede a SageMaker Canvas desde la consola, añada esos permisos a la función de AWS IAM de su usuario.
+ Si accede a SageMaker Canvas a través de una [URL prefirmada](https://docs.aws.amazon.com/sagemaker/latest/dg/setting-up-canvas-sso.html#canvas-optional-access), añada esos permisos a la función de IAM que está utilizando para acceder al SSO de Okta.
Para habilitar las capacidades de AutoML en Canvas, agregue las siguientes políticas a su rol de ejecución o rol de usuario de IAM.
+ AWS [política gestionada:. `CanvasFullAccess`](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)
+ Política insertada:
```
{
"Sid": "AllowAppActionsForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:region:account-id:app/domain-id/user-profile-name/canvas/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
}
```
**Para asociar políticas de IAM a un rol de ejecución**
1.
**Encuentre el rol de ejecución adjunto a su perfil de usuario de SageMaker IA**
1. En la consola de SageMaker IA[https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/), dirígete a **Dominios** y, a continuación, elige tu dominio de SageMaker IA.
1. El ARN del rol de ejecución aparece en la sección *Rol de ejecución* de la página **Detalles del usuario** de su perfil de usuario. Anote el nombre del rol de ejecución que figura en el ARN.
1. En la consola de IAM [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/), selecciona **Roles**.
1. Busque su rol por nombre en el campo de búsqueda.
1. Seleccione el rol.
1. Agregue políticas al rol.
1. **En la consola de IAM [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/), elija Roles.**
1. Busque su rol por nombre en el campo de búsqueda.
1. Seleccione el rol.
1. En la pestaña **Permisos**, vaya al menú desplegable **Agregar permisos**.
1.
+ Para políticas administradas: seleccione **Asociar políticas** y busque el nombre de la política de administración que desea asociar.
Seleccione la política y, a continuación, seleccione **Agregar permisos**.
+ Para las políticas en línea: seleccione **Crear política insertada**, pegue la política en la pestaña JSON, seleccione Siguiente, asigne un nombre a la política y seleccione **Crear**.
Para obtener más información sobre cómo asociar políticas de IAM a un rol, consulte [Adición de permisos de identidad de IAM (consola)](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html#add-policies-console) en la *AWS Guía del usuario de IAM*.
Tras asociar los permisos necesarios, puede crear una aplicación de Canvas e iniciar sesión. Para obtener más información, consulte [Cómo empezar a usar Amazon SageMaker Canvas](canvas-getting-started.md).
## Establecimiento de Studio Classic como experiencia predeterminada
Los administradores pueden volver a la experiencia predeterminada de Studio Classic para un dominio existente. Esta acción puede llevarse a cabo desde la AWS CLI.
**nota**
Cuando Studio Classic se define como la experiencia predeterminada en un dominio, también es la experiencia predeterminada para todos los usuarios del dominio. Sin embargo, la configuración de usuario tiene prioridad sobre la configuración del dominio. Por lo tanto, si un usuario establece su experiencia predeterminada en Studio, la experiencia predeterminada de ese usuario será Studio.
Para volver a Studio Classic como experiencia predeterminada para el dominio existente mediante la llamada AWS CLI[update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html). En el campo `default-user-settings`, debe configurar:
+ el valor `StudioWebPortal` como `DISABLED`.
+ el valor `DefaultLandingUri` como `app:JupyterServer:`.
`StudioWebPortal` indica si la experiencia de Studio es la experiencia predeterminada y `DefaultLandingUri` indica la experiencia predeterminada a la que se dirige al usuario cuando accede al dominio. En este ejemplo, si se establecen estos valores en un nivel de dominio (en `default-user-settings`), Studio Classic se convierte en la experiencia predeterminada para los usuarios del dominio.
Si un usuario del dominio tiene su `StudioWebPortal` establecido en `ENABLED` y `DefaultLandingUri` en `studio::` para el usuario (en `UserSettings`), esta configuración tiene prioridad sobre la del dominio. En otras palabras, la experiencia predeterminada de ese usuario será Studio, independientemente de la configuración del dominio.
En el siguiente ejemplo de código, se muestra cómo configurar Studio Classic como experiencia predeterminada para los usuarios del dominio:
```
aws sagemaker update-domain \
--domain-id existing-domain-id \
--region Región de AWS \
--default-user-settings '
{
"StudioWebPortal": "DISABLED",
"DefaultLandingUri": "app:JupyterServer:"
}
'
```
Para obtener su `existing-domain-id`, siga estas instrucciones:
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio existente.
1. En la página **Detalles del dominio**, elija la pestaña **Configuración del dominio**.
1. Copie el **ID de dominio**.
Para obtener la tuya`Región de AWS`, sigue las siguientes instrucciones para asegurarte de que estás utilizando la correcta Región de AWS para tu dominio.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, expanda **Configuraciones de administración** y elija **Dominios**.
1. Elija el dominio existente.
1. En la página **Detalles del dominio** compruebe que se trata del dominio existente.
1. Amplía la lista Región de AWS desplegable desde la parte superior derecha de la consola de SageMaker IA y usa el Región de AWS ID correspondiente a la derecha de tu Región de AWS nombre. Por ejemplo, `us-west-1`.
# (Opcional) Migración de imágenes personalizadas y configuraciones de ciclo de vida
Debe actualizar las imágenes personalizadas y los scripts de configuración del ciclo de vida (LCC) para que funcionen con el modelo de ejecución local simplificado de Amazon SageMaker Studio. Si no ha creado imágenes personalizadas o configuraciones de ciclo de vida en su dominio, omita esta fase.
Amazon SageMaker Studio Classic funciona en un entorno dividido con:
+ Una aplicación de `JupyterServer` que ejecuta el Jupyter Server.
+ Cuadernos Studio Classic que se ejecutan en una o más aplicaciones de `KernelGateway`.
Studio ha dejado de ser un entorno dividido. Studio ejecuta el editor de código JupyterLab y, basado en aplicaciones Code-OSS y Visual Studio Code y código abierto, en un modelo de tiempo de ejecución local. Para obtener más información sobre el cambio de arquitectura, consulte [Aumentar la productividad en Amazon SageMaker Studio](https://aws.amazon.com/blogs//machine-learning/boost-productivity-on-amazon-sagemaker-studio-introducing-jupyterlab-spaces-and-generative-ai-tools/).
## Migración de imágenes personalizadas
Es posible que las imágenes personalizadas de Studio Classic que ya tenga no funcionen en Studio. Recomendamos crear una nueva imagen personalizada que cumpla los requisitos para su uso en Studio. La versión de Studio simplifica el proceso de creación de imágenes personalizadas al proporcionar[SageMaker Política de soporte de imágenes de Studio](sagemaker-distribution.md). SageMaker Las imágenes de AI Distribution incluyen bibliotecas y paquetes populares para el aprendizaje automático, la ciencia de datos y la visualización del análisis de datos. Para obtener una lista de las imágenes de SageMaker distribución base y la información de la cuenta de Amazon Elastic Container Registry, consulte[SageMaker Imágenes de Amazon disponibles para su uso con las libretas Studio Classic](notebooks-available-images.md).
Para crear una imagen personalizada, lleve a cabo una de las siguientes acciones.
+ Amplíe una imagen de SageMaker distribución con paquetes y módulos personalizados. Estas imágenes vienen preconfiguradas con un JupyterLab editor de código, basado en Code-OSS, Visual Studio Code: Open Source.
+ Siga las instrucciones que se indican en [Bring your own image (BYOI)](studio-updated-byoi.md) para crear un archivo de Dockerfile personalizado. Debe instalar JupyterLab el código abierto de CodeServer la imagen para que sea compatible con Studio.
## Migración de configuraciones de ciclo de vida
Debido al modelo de tiempo de ejecución local simplificado de Studio, te recomendamos migrar la estructura de tu Studio Classic actual. LCCs En Studio Classic, a menudo es preciso crear configuraciones de ciclo de vida independientes para las aplicaciones de KernelGateway y de JupyterServer. Como KernelGateway las aplicaciones JupyterServer y se ejecutan en recursos de cómputo independientes en Studio Classic, Studio Classic LCCs puede ser de uno de los dos tipos:
+ JupyterServerLCC: LCCs En su mayoría, rigen las acciones domésticas del usuario, incluida la configuración del proxy, la creación de variables de entorno y el cierre automático de los recursos.
+ KernelGatewayLCC: LCCs rigen las optimizaciones del entorno de los portátiles Studio Classic. Esto incluye actualizar las versiones de los paquetes numpy en el kernel de `Data Science 3.0` e instalar el paquete de snowflake en el kernel de `Pytorch 2.0 GPU`.
En la arquitectura simplificada de Studio, solo se necesita un script de LCC, que se ejecuta al iniciar la aplicación. Si bien la migración de los scripts de la LCC varía según el entorno de desarrollo, recomendamos combinar JupyterServer y KernelGateway LCCs crear una LCC combinada.
LCCs in Studio se puede asociar a una de las siguientes aplicaciones:
+ JupyterLab
+ Editor de código
Los usuarios pueden seleccionar la LCC para el tipo de aplicación correspondiente al crear un espacio o usar la LCC predeterminada establecida por el administrador.
**nota**
Los scripts de cierre automático de Studio Classic existentes no funcionan con Studio. Para ver un ejemplo de script de apagado automático de Studio, consulta los [ejemplos de configuración del ciclo de vida de SageMaker Studio](https://github.com/aws-samples/sagemaker-studio-apps-lifecycle-config-examples).
### Consideraciones a la hora de refactorizar LCCs
Tenga en cuenta las siguientes diferencias entre Studio Classic y Studio al refactorizar su. LCCs
+ JupyterLab y las aplicaciones del editor de código, una vez creadas, se ejecutan igual que `sagemaker-user` con `UID:1001` y. `GID:101` De forma predeterminada, `sagemaker-user` tiene permisos para asumir sudo/root permisos. KernelGatewaylas aplicaciones se ejecutan de forma `root` predeterminada.
+ SageMaker Las imágenes de distribución que se ejecutan dentro de las aplicaciones JupyterLab y el editor de código utilizan el administrador de paquetes Debian basado,`apt-get`.
+ Las aplicaciones Studio JupyterLab y Code Editor utilizan el administrador de Conda paquetes. SageMaker La IA crea un Python3 Conda entorno base único cuando se lanza una aplicación de Studio. Para obtener información sobre la actualización de paquetes en el entorno base de Conda y crear nuevos entornos de Conda, consulte [JupyterLab guía del usuario](studio-updated-jl-user-guide.md). En cambio, no todas las aplicaciones de KernelGateway utilizan Conda como administrador de paquetes.
+ La JupyterLab aplicación Studio usa`JupyterLab 4.0`, mientras que Studio Classic usa`JupyterLab 3.0`. Compruebe que todas las extensiones de JupyterLab que utilice sean compatibles con `JupyterLab 4.0`. Para obtener más información sobre las extensiones, consulte [Compatibilidad de extensiones con la JupyterLab versión 4.0](https://github.com/jupyterlab/jupyterlab/issues/14590).
# (Opcional) Migración de datos de Studio Classic a Studio
Studio Classic y Studio utilizan dos tipos diferentes de volúmenes de almacenamiento. Studio Classic utiliza un solo volumen de Amazon Elastic File System (Amazon EFS) para almacenar datos de todos los usuarios y espacios compartidos del dominio. En Studio, cada espacio tiene su propio volumen de Amazon Elastic Block Store (Amazon EBS). Al actualizar la experiencia predeterminada de un dominio existente, SageMaker AI monta automáticamente una carpeta en un volumen de Amazon EFS para cada usuario de un dominio. A consecuencia de ello, los usuarios pueden obtener acceso a los archivos de Studio Classic en sus aplicaciones de Studio. Para obtener más información, consulte [Montaje automático de Amazon EFS en Studio](studio-updated-automount.md).
También puede dar de baja el montaje automático de Amazon EFS y migrar los datos manualmente para que los usuarios puedan obtener acceso a los archivos de Studio Classic en las aplicaciones de Studio. Para ello, debe transferir los archivos de los directorios principales de los usuarios a los volúmenes de Amazon EBS asociados a esos espacios. En la siguiente sección se proporciona información sobre este flujo de trabajo. Para obtener más información sobre cómo dar de baja el montaje automático de Amazon EFS, consulte [Exclusión del montaje automático de Amazon EFS](studio-updated-automount-optout.md).
## Migración manual de todos los datos desde Studio Classic
En la siguiente sección se describe cómo migrar todos los datos del volumen de almacenamiento de Studio Classic a la nueva experiencia de Studio.
Al migrar manualmente los datos, el código y los artefactos de un usuario de Studio Classic a Studio, recomendamos uno de los siguientes enfoques:
1. Uso de un volumen personalizado de Amazon EFS
1. Uso de Amazon Simple Storage Service (Amazon S3)
Si utilizó Amazon SageMaker Data Wrangler en Studio Classic y desea migrar los archivos de flujo de datos, elija una de las siguientes opciones de migración:
+ Si desea migrar todos los datos de su volumen de almacenamiento de Studio Classic, incluidos los archivos de flujo de datos, vaya a [Migración manual de todos los datos desde Studio Classic](#studio-updated-migrate-data-all) y lleve a cabo la sección **Uso de Amazon S3 para migrar datos**. Después, vaya directamente a la sección [Importación de los archivos de flujo a Canvas](#studio-updated-migrate-flows-import).
+ Si solo quiere migrar sus archivos de flujo de datos y ningún otro dato de su volumen de almacenamiento de Studio Classic, vaya directamente a la sección [Migración de los flujos de datos desde Data Wrangler](#studio-updated-migrate-flows).
### Requisitos previos
Antes de llevar a cabo estos pasos, debe cumplir los requisitos previos de [Requisitos previos completos para migrar la experiencia de Studio](studio-updated-migrate-prereq.md). También debe realizar los pasos que se indican en [Migración de la interfaz de usuario de Studio Classic a Studio](studio-updated-migrate-ui.md).
### Elección de un enfoque
Tenga en cuenta lo siguiente al elegir un enfoque para migrar los datos de Studio Classic.
**Pros y contras de usar un volumen personalizado de Amazon EFS**
En este enfoque, utiliza una AWS DataSync tarea de Amazon EFS-to-Amazon EFS (una vez o cada vez) para copiar los datos y, a continuación, montar el volumen de Amazon EFS de destino en los espacios de un usuario. Esto permite a los usuarios obtener acceso a los datos de sus entornos de computación de Studio desde Studio Classic.
Ventajas:
+ Solo los datos del directorio principal del usuario están visibles en los espacios del usuario. No se produce polinización cruzada entre los datos.
+ La sincronización desde el volumen de Amazon EFS de origen con un volumen de Amazon EFS de destino es más segura que montar directamente el volumen de Amazon EFS de origen gestionado por la SageMaker IA en espacios. Esto evita la posibilidad de que los archivos de usuario del directorio principal se vean afectados.
+ Los usuarios tienen la flexibilidad de seguir trabajando en las aplicaciones de Studio Classic y Studio, mientras tienen los datos disponibles en ambas aplicaciones si AWS DataSync se ha configurado con una cadencia periódica.
+ No es necesario insertar y extraer los datos repetidamente con Amazon S3.
Desventajas:
+ No se produce ningún acceso de escritura al volumen de Amazon EFS de destino montado en los espacios del usuario. Para obtener acceso de escritura al volumen de Amazon EFS de destino, los clientes deberán montar el volumen de Amazon EFS de destino en una instancia de Amazon Elastic Compute Cloud y proporcionar los permisos adecuados para que los usuarios escriban en el prefijo de Amazon EFS.
+ Es necesario modificar los grupos de seguridad gestionados por la SageMaker IA para permitir el flujo de entrada y salida del sistema de archivos de red (NFS).
+ Es más costoso que usar Amazon S3.
+ Si [migra flujos de datos desde Data Wrangler en Studio Classic](#studio-updated-migrate-flows), debe seguir los pasos para exportar manualmente los archivos de flujo.
**Pros y contras de usar Amazon S3**
En este enfoque, utiliza una AWS DataSync tarea de Amazon EFS-to-Amazon S3 (una vez o cada vez) para copiar los datos y, a continuación, crea una configuración de ciclo de vida para copiar los datos del usuario de Amazon S3 al volumen de Amazon EBS de su espacio privado.
Ventajas:
+ Si la configuración de ciclo de vida está asociada al dominio, los usuarios pueden usarla para copiar los datos en su espacio o administrar el espacio sin un script de configuración de ciclo de vida. Esto les permite copiar los archivos solo en los espacios que necesiten.
+ Si una AWS DataSync tarea se configura de forma continua, los usuarios pueden reiniciar la aplicación Studio para obtener los archivos más recientes.
+ Como los datos se copian en Amazon EBS, los usuarios tienen permisos de escritura en los archivos.
+ El almacenamiento de Amazon S3 es más económico que el de Amazon EFS.
+ Si [migra flujos de datos desde Data Wrangler en Studio Classic](#studio-updated-migrate-flows), puede omitir los pasos de exportación manual e importar directamente los flujos de datos a SageMaker Canvas desde Amazon S3.
Desventajas:
+ Si los administradores necesitan evitar la polinización cruzada, deben crear políticas de AWS Identity and Access Management para usuarios a fin de garantizar que estos solo puedan obtener acceso al prefijo de Amazon S3 que contiene sus propios archivos.
### Uso de un volumen de Amazon EFS personalizado para migrar datos
En este enfoque, se utiliza un Amazon EFS-to-Amazon EFS AWS DataSync para copiar el contenido de un volumen Amazon EFS de Studio Classic a un volumen Amazon EFS de destino una vez o con una cadencia normal y, a continuación, se monta el volumen Amazon EFS de destino en los espacios de un usuario. Esto permite a los usuarios obtener acceso a los datos de sus entornos de computación de Studio desde Studio Classic.
1. Cree un volumen de Amazon EFS de destino. Transferirá los datos a este volumen de Amazon EFS y lo montará en el espacio del usuario correspondiente mediante un montaje por prefijo.
```
export SOURCE_DOMAIN_ID="domain-id"
export AWS_REGION="region"
export TARGET_EFS=$(aws efs create-file-system --performance-mode generalPurpose --throughput-mode bursting --encrypted --region $REGION | jq -r '.FileSystemId')
echo "Target EFS volume Created: $TARGET_EFS"
```
1. Agregue variables para el volumen de Amazon EFS de origen que se encuentra asociado al dominio y que utilizan todos los usuarios. La información de Amazon Virtual Private Cloud del dominio es necesaria para asegurarse de que el volumen de Amazon EFS de destino se cree en la misma subred y VPC de Amazon y con la misma configuración de grupo de seguridad.
```
export SOURCE_EFS=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.HomeEfsFileSystemId')
export VPC_ID=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.VpcId')
echo "EFS managed by SageMaker: $SOURCE_EFS | VPC: $VPC_ID"
```
1. Cree un destino de montaje de Amazon EFS en la misma subred y VPC de Amazon que el volumen de Amazon EFS de origen y con la misma configuración de grupo de seguridad. El destino de montaje tarda unos minutos en estar disponible.
```
export EFS_VPC_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].VpcId")
export EFS_AZ_NAME=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].AvailabilityZoneName")
export EFS_AZ_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].AvailabilityZoneId")
export EFS_SUBNET_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].SubnetId")
export EFS_MOUNT_TARG_ID=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].MountTargetId")
export EFS_SG_IDS=$(aws efs describe-mount-target-security-groups --mount-target-id $EFS_MOUNT_TARG_ID | jq -r '.SecurityGroups[]')
aws efs create-mount-target \
--file-system-id $TARGET_EFS \
--subnet-id $EFS_SUBNET_ID \
--security-groups $EFS_SG_IDS
```
1. Cree las ubicaciones de origen y destino de Amazon EFS para la AWS DataSync tarea.
```
export SOURCE_EFS_ARN=$(aws efs describe-file-systems --file-system-id $SOURCE_EFS | jq -r ".FileSystems[0].FileSystemArn")
export TARGET_EFS_ARN=$(aws efs describe-file-systems --file-system-id $TARGET_EFS | jq -r ".FileSystems[0].FileSystemArn")
export EFS_SUBNET_ID_ARN=$(aws ec2 describe-subnets --subnet-ids $EFS_SUBNET_ID | jq -r ".Subnets[0].SubnetArn")
export ACCOUNT_ID=$(aws ec2 describe-security-groups --group-id $EFS_SG_IDS | jq -r ".SecurityGroups[0].OwnerId")
export EFS_SG_ID_ARN=arn:aws:ec2:$REGION:$ACCOUNT_ID:security-group/$EFS_SG_IDS
export SOURCE_LOCATION_ARN=$(aws datasync create-location-efs --subdirectory "/" --efs-filesystem-arn $SOURCE_EFS_ARN --ec2-config SubnetArn=$EFS_SUBNET_ID_ARN,SecurityGroupArns=$EFS_SG_ID_ARN --region $REGION | jq -r ".LocationArn")
export DESTINATION_LOCATION_ARN=$(aws datasync create-location-efs --subdirectory "/" --efs-filesystem-arn $TARGET_EFS_ARN --ec2-config SubnetArn=$EFS_SUBNET_ID_ARN,SecurityGroupArns=$EFS_SG_ID_ARN --region $REGION | jq -r ".LocationArn")
```
1. Permita el tráfico entre los montajes del sistema de archivos de red (NFS) de origen y de destino. Cuando se crea un dominio nuevo, la SageMaker IA crea 2 grupos de seguridad.
+ Un grupo de seguridad entrante de NFS que solo tiene tráfico entrante.
+ Un grupo de seguridad saliente de NFS que solo tiene tráfico saliente.
Los NFS de origen y de destino se encuentran dentro de los mismos grupos de seguridad. Puede permitir el tráfico entre estos soportes desde el Consola de administración de AWS quirófano AWS CLI.
+ Permita el tráfico procedente del Consola de administración de AWS
1. Inicie sesión en la consola de Amazon VPC Consola de administración de AWS y ábrala en. [https://console.aws.amazon.com/vpc/](https://console.aws.amazon.com/vpc/)
1. Seleccione **Security Groups**.
1. Busque el ID del dominio existente en la página **Grupos de seguridad**.
```
d-xxxxxxx
```
Los resultados deberían devolver dos grupos de seguridad en cuyo nombre se incluya el ID de dominio.
+ `security-group-for-inbound-nfs-domain-id`
+ `security-group-for-outbound-nfs-domain-id`
1. Seleccione el ID del grupo de seguridad entrante. Se abre una nueva página con detalles sobre el grupo de seguridad.
1. Seleccione la pestaña **Reglas de salida**.
1. Seleccione **Editar reglas de salida**.
1. Actualice las reglas de salida existentes o agregue una nueva regla de salida con los siguientes valores:
+ **Type (Tipo)**: NFS
+ **Protocolo**: TCP
+ **Rango de puertos**: 2049
+ **Destino**: security-group-for-outbound -nfs- \$1 *domain-id* *security-group-id*
1. Seleccione **Guardar reglas**.
1. Seleccione la pestaña **Reglas de entrada**.
1. A continuación, seleccione **Editar reglas de entrada**.
1. Actualice las reglas de entrada existentes o agregue una nueva regla de salida con los siguientes valores:
+ **Type (Tipo)**: NFS
+ **Protocolo**: TCP
+ **Rango de puertos**: 2049
+ **Destino**: security-group-for-outbound -nfs- \$1 *domain-id* *security-group-id*
1. Seleccione **Guardar reglas**.
+ Permita el tráfico procedente del AWS CLI
1. Actualice las reglas de entrada y salida de los grupos de seguridad con los valores siguientes:
+ **Protocolo**: TCP
+ **Rango de puertos**: 2049
+ **ID de grupo**: del grupo de seguridad entrante o ID del grupo de seguridad saliente
```
export INBOUND_SG_ID=$(aws ec2 describe-security-groups --filters "Name=group-name,Values=security-group-for-inbound-nfs-$SOURCE_DOMAIN_ID" | jq -r ".SecurityGroups[0].GroupId")
export OUTBOUND_SG_ID=$(aws ec2 describe-security-groups --filters "Name=group-name,Values=security-group-for-outbound-nfs-$SOURCE_DOMAIN_ID" | jq -r ".SecurityGroups[0].GroupId")
echo "Outbound SG ID: $OUTBOUND_SG_ID | Inbound SG ID: $INBOUND_SG_ID"
aws ec2 authorize-security-group-egress \
--group-id $INBOUND_SG_ID \
--protocol tcp --port 2049 \
--source-group $OUTBOUND_SG_ID
aws ec2 authorize-security-group-ingress \
--group-id $OUTBOUND_SG_ID \
--protocol tcp --port 2049 \
--source-group $INBOUND_SG_ID
```
1. Agregue los grupos de seguridad entrantes y salientes a los destinos de montaje de Amazon EFS de origen y destino. Esto permite el tráfico entre los dos montajes de Amazon EFS.
```
export SOURCE_EFS_MOUNT_TARGET=$(aws efs describe-mount-targets --file-system-id $SOURCE_EFS | jq -r ".MountTargets[0].MountTargetId")
export TARGET_EFS_MOUNT_TARGET=$(aws efs describe-mount-targets --file-system-id $TARGET_EFS | jq -r ".MountTargets[0].MountTargetId")
aws efs modify-mount-target-security-groups \
--mount-target-id $SOURCE_EFS_MOUNT_TARGET \
--security-groups $INBOUND_SG_ID $OUTBOUND_SG_ID
aws efs modify-mount-target-security-groups \
--mount-target-id $TARGET_EFS_MOUNT_TARGET \
--security-groups $INBOUND_SG_ID $OUTBOUND_SG_ID
```
1. Crea una AWS DataSync tarea. Esto devuelve un ARN de tarea que se puede usar para ejecutar la tarea bajo demanda o como parte de una cadencia normal.
```
export EXTRA_XFER_OPTIONS='VerifyMode=ONLY_FILES_TRANSFERRED,OverwriteMode=ALWAYS,Atime=NONE,Mtime=NONE,Uid=NONE,Gid=NONE,PreserveDeletedFiles=REMOVE,PreserveDevices=NONE,PosixPermissions=NONE,TaskQueueing=ENABLED,TransferMode=CHANGED,SecurityDescriptorCopyFlags=NONE,ObjectTags=NONE'
export DATASYNC_TASK_ARN=$(aws datasync create-task --source-location-arn $SOURCE_LOCATION_ARN --destination-location-arn $DESTINATION_LOCATION_ARN --name "SMEFS_to_CustomEFS_Sync" --region $REGION --options $EXTRA_XFER_OPTIONS | jq -r ".TaskArn")
```
1. Inicie una AWS DataSync tarea para copiar automáticamente los datos del Amazon EFS de origen al montaje de Amazon EFS de destino. Con esto, no se retienen los permisos de POSIX del archivo, lo que permite a los usuarios leer el montaje de Amazon EFS de destino, pero no escribir en él.
```
aws datasync start-task-execution --task-arn $DATASYNC_TASK_ARN
```
1. Monte el volumen de Amazon EFS de destino en el nivel raíz del dominio.
```
aws sagemaker update-domain --domain-id $SOURCE_DOMAIN_ID \
--default-user-settings '{"CustomFileSystemConfigs": [{"EFSFileSystemConfig": {"FileSystemId": "'"$TARGET_EFS"'", "FileSystemPath": "/"}}]}'
```
1. Sobrescriba todos los perfiles de usuario con un prefijo `FileSystemPath`. El prefijo incluye el UID del usuario, creado por SageMaker AI. Esto garantiza que los usuarios solo tengan acceso a sus datos y evita la polinización cruzada. Cuando se crea un espacio en el dominio y el volumen de Amazon EFS de destino se monta en la aplicación, el prefijo del usuario sobrescribe el prefijo del dominio. Como resultado, SageMaker AI solo monta el `/user-id` directorio en la aplicación del usuario.
```
aws sagemaker list-user-profiles --domain-id $SOURCE_DOMAIN_ID | jq -r '.UserProfiles[] | "\(.UserProfileName)"' | while read user; do
export uid=$(aws sagemaker describe-user-profile --domain-id $SOURCE_DOMAIN_ID --user-profile-name $user | jq -r ".HomeEfsFileSystemUid")
echo "$user $uid"
aws sagemaker update-user-profile --domain-id $SOURCE_DOMAIN_ID --user-profile-name $user --user-settings '{"CustomFileSystemConfigs": [{"EFSFileSystemConfig":{"FileSystemId": "'"$TARGET_EFS"'", "FileSystemPath": "'"/$uid/"'"}}]}'
done
```
1. A continuación, los usuarios pueden seleccionar el sistema de archivos de Amazon EFS personalizado al inicializar una aplicación. Para obtener más información, consulte [JupyterLab guía del usuario](studio-updated-jl-user-guide.md) o [Inicialización de una aplicación de editor de código en Studio](code-editor-use-studio.md).
### Uso de Amazon S3 para migrar datos
En este enfoque, utiliza una AWS DataSync tarea de Amazon EFS-to-Amazon S3 para copiar el contenido de un volumen Amazon EFS de Studio Classic a un bucket de Amazon S3 una vez o siguiendo un ritmo normal y, a continuación, crea una configuración de ciclo de vida para copiar los datos del usuario de Amazon S3 al volumen Amazon EBS de su espacio privado.
**nota**
Este enfoque solo funciona para los dominios que tienen acceso a Internet.
1. Establezca el ID del volumen de Amazon EFS de origen del dominio que contiene los datos que se van a migrar.
```
timestamp=$(date +%Y%m%d%H%M%S)
export SOURCE_DOMAIN_ID="domain-id"
export AWS_REGION="region"
export ACCOUNT_ID=$(aws sts get-caller-identity --query Account --output text)
export EFS_ID=$(aws sagemaker describe-domain --domain-id $SOURCE_DOMAIN_ID | jq -r '.HomeEfsFileSystemId')
```
1. Establezca el nombre del bucket de Amazon S3 de destino. Para obtener información sobre la creación de un bucket de Amazon S3, consulte [Crear un bucket](https://docs.aws.amazon.com/AmazonS3/latest/userguide/create-bucket-overview.html). El bucket utilizado debe tener una política de CORS, tal y como se describe en [(Opcional) Actualización de la política de CORS para obtener acceso a los buckets de Amazon S3](studio-updated-migrate-ui.md#studio-updated-migrate-cors). Los usuarios del dominio también deben tener permisos para obtener acceso al bucket de Amazon S3.
En este ejemplo, copiamos archivos en un prefijo denominado `studio-new`. Si utiliza un único bucket de Amazon S3 para migrar varios dominios, utilice el prefijo `studio-new/` para restringir los permisos sobre los archivos mediante IAM.
```
export BUCKET_NAME=s3-bucket-name
export S3_DESTINATION_PATH=studio-new
```
1. Cree una política de confianza que otorgue AWS DataSync permisos para asumir la función de ejecución de su cuenta.
```
export TRUST_POLICY=$(cat <
Si ha utilizado anteriormente Amazon SageMaker Data Wrangler en Amazon SageMaker Studio Classic para tareas de preparación de datos, puede migrar al nuevo Amazon SageMaker Studio y acceder a la versión más reciente de Data Wrangler en Amazon Canvas. SageMaker Data Wrangler en SageMaker Canvas le proporciona una experiencia de usuario mejorada y acceso a las funciones más recientes, como una interfaz en lenguaje natural y un rendimiento más rápido.
Puede incorporarse a SageMaker Canvas en cualquier momento para empezar a utilizar la nueva experiencia de Data Wrangler. Para obtener más información, consulte [Cómo empezar a usar Amazon SageMaker Canvas](canvas-getting-started.md).
Si tiene archivos de flujo de datos guardados en Studio Classic en los que estaba trabajando anteriormente, puede realizar la incorporación a Studio y, a continuación, importarlos a Canvas. Dispone de las siguientes opciones de migración:
+ Migración con un clic: al iniciar sesión en Canvas, puede usar una opción de importación única que migre todos sus archivos de flujo en su nombre.
+ Migración manual: puede importar manualmente sus archivos de flujo a Canvas. Desde Studio Classic, exporte los archivos a Amazon S3 o descárguelos a su máquina local. A continuación, inicia sesión en la aplicación SageMaker Canvas, importa los archivos de flujo y continúa con las tareas de preparación de datos.
En la siguiente guía se describen los requisitos previos para la migración y cómo migrar los archivos de flujo de datos mediante la opción manual o con un solo clic.
### Requisitos previos
Revise los siguientes requisitos previos antes de comenzar a migrar los archivos de flujo.
**Paso 1. Migre el dominio y conceda permisos**
Antes de migrar los archivos de flujo de datos, debe seguir los pasos específicos de la [Migración desde Amazon SageMaker Studio Classic](studio-updated-migrate.md) guía para asegurarse de que la función de ejecución de AWS IAM de su perfil de usuario tenga los permisos necesarios. Antes de continuar, cumpla los [requisitos previos](studio-updated-migrate-prereq.md) y las instrucciones de [Migración de la interfaz de usuario de Studio Classic a Studio](studio-updated-migrate-ui.md), en los que se describe cómo conceder los permisos necesarios, configurar Studio como nueva experiencia y migrar el dominio existente.
En concreto, debe tener permisos para crear una aplicación de SageMaker Canvas y utilizar las funciones de preparación de datos de SageMaker Canvas. Para obtener estos permisos, puede:
+ Añada la [ AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)política a su función de IAM, o
+ Adjunta una política de permisos mínimos, como se muestra en la sección **Migración (opcional) de Data Wrangler en Studio Classic a SageMaker ** Canvas de la página. [Migración de la interfaz de usuario de Studio Classic a Studio](studio-updated-migrate-ui.md)
Asegúrese de utilizar el mismo perfil de usuario para Studio y Canvas. SageMaker
Tras cumplir los requisitos previos descritos en la guía de migración, debería disponer de un nuevo dominio con los permisos necesarios para acceder a SageMaker Canvas a través de Studio.
**Paso 2. (Opcional) Prepare una ubicación de Amazon S3**
Si va a realizar una migración manual y tiene previsto utilizar Amazon S3 para transferir los archivos de flujo en lugar de utilizar la opción de descarga local, debe tener un bucket de Amazon S3 en la cuenta que desee utilizar para almacenar los archivos de flujo.
### Método de migración con un clic
SageMaker Canvas ofrece una opción de importación única para migrar sus flujos de datos de Data Wrangler en Studio Classic a Data Wrangler en Canvas. SageMaker Siempre y cuando sus aplicaciones de Studio Classic y Canvas compartan el mismo volumen de almacenamiento de Amazon EFS, puede realizar la migración desde Canvas con un solo clic. Con este proceso simplificado, se elimina la necesidad de realizar pasos de exportación e importación manuales, y es posible importar todos los flujos a la vez.
Utilice el siguiente procedimiento para migrar todos los archivos de flujo:
1. Abra la versión más reciente de Studio.
1. En Studio, seleccione el menú desplegable **Datos** en el panel de navegación izquierdo.
1. En las opciones de navegación, elija **Data Wrangler**.
1. En la página **Data Wrangler**, seleccione **Ejecutar en Canvas**. Si ha configurado correctamente los permisos, se creará su aplicación de Canvas. La aplicación de Canvas puede tardar unos minutos en estar lista.
1. Cuando Canvas esté listo, seleccione **Abrir en Canvas**.
1. Canvas se abre en la página **Data Wrangler** y aparece un encabezado en la parte superior de la página que dice Importe sus flujos de datos de Data Wrangler en Studio Classic a Canvas. Esta es una importación que se realiza una sola vez. Más información. En el banner, seleccione **Importar todo**.
**aviso**
Si cierra la notificación del banner, no podrá volver a abrirla ni utilizar el método de migración con un clic.
Aparece una notificación emergente que indica que Canvas está importando los archivos de flujo de Studio Classic. Si la importación se realiza correctamente, recibirá otra notificación que le indicará que `X` archivos de flujo se han importado y podrá ver los archivos de flujo en la página **Data Wrangler** de la aplicación de Canvas. Cualquier archivo de flujo importado que tenga el mismo nombre que los flujos de datos existentes en su aplicación de Canvas se renombrará con un sufijo. Puede abrir un flujo de datos para comprobar que tiene el aspecto esperado.
En caso de que alguno de los archivos de flujo no se importe correctamente, recibirá una notificación en la que se indica que la importación se ha realizado solo parcialmente o no se ha realizado. Seleccione **Ver errores** en el mensaje de notificación para comprobar los mensajes de error individuales y obtener instrucciones sobre cómo reformatear los archivos de flujo cuyo formato sea incorrecto.
Tras importar los archivos de flujo, ahora debería poder seguir utilizando Data Wrangler para preparar los datos en Canvas. SageMaker
### Método de migración manual
En las siguientes secciones se describe cómo importar manualmente los archivos de flujo a Canvas en caso de que el método de migración con un clic no haya funcionado.
#### Exportación de los archivos de flujo desde Studio Classic
**nota**
Si ya ha migrado sus datos de Studio Classic a Amazon S3 siguiendo las instrucciones de [(Opcional) Migración de datos de Studio Classic a Studio](#studio-updated-migrate-data), puede omitir este paso e ir directamente a la sección [Importación de los archivos de flujo a Canvas](#studio-updated-migrate-flows-import) en la que se importan los archivos de flujo desde la ubicación de Amazon S3 en la que están almacenados los datos de Studio Classic.
Para exportar sus archivos de flujo, puede guardarlos en Amazon S3 o descargarlos en su máquina local. Cuando importe sus archivos de flujo a SageMaker Canvas en el siguiente paso, si elige la opción de carga local, solo podrá cargar 20 archivos de flujo a la vez. Si tiene que importar gran cantidad de archivos de flujo, recomendamos utilizar Amazon S3 en su lugar.
Siga las instrucciones que se indican en [Método 1: uso de Amazon S3 para transferir archivos de flujo](#studio-updated-migrate-flows-export-s3) o en [Método 2: uso de su equipo local para transferir los archivos de flujo](#studio-updated-migrate-flows-export-local) para continuar.
##### Método 1: uso de Amazon S3 para transferir archivos de flujo
Con este método, utiliza Amazon S3 como intermediario entre Data Wrangler en Studio Classic y Data Wrangler en SageMaker Canvas (se accede a través de la última versión de Studio). Se exportan los archivos de flujo de Studio Classic a Amazon S3 y, a continuación, en el siguiente paso, se accede a Canvas a través de Studio y se importan los archivos de flujo desde Amazon S3.
Asegúrese de tener un bucket de Amazon S3 preparado como ubicación de almacenamiento para los archivos de flujo.
Utilice el siguiente procedimiento para exportar los archivos de flujo de Studio Classic a Amazon S3:
1. Abra Studio Classic.
1. Abra un nuevo terminal de la siguiente manera:
1. En la barra de navegación, elija **Archivo**.
1. En el menú contextual, sitúe el cursor sobre **Nuevo** y, a continuación, seleccione **Terminal**.
1. De forma predeterminada, el terminal debería abrirse en su directorio principal. Acceda la carpeta que contiene todos los archivos de flujo que desea migrar.
1. Utilice el siguiente comando para sincronizar todos los archivos de flujo con la ubicación de Amazon S3 especificada. Sustituya `{bucket-name}` y `{folder}` por la ruta de la ubicación de Amazon S3 que desee. Para obtener más información sobre el comando y los parámetros, consulte el comando [sync](https://docs.aws.amazon.com/cli/latest/reference/s3/sync.html) en la Referencia de comandos. AWS AWS CLI
```
aws s3 sync . s3://{bucket-name}/{folder}/ --exclude "*.*" --include "*.flow"
```
Si utiliza el suyo propio AWS KMS key, utilice el siguiente comando en su lugar para sincronizar los archivos y especifique su ID de clave de KMS. Asegúrese de que al rol de ejecución de IAM del usuario (que debe ser el mismo que se ha utilizado en **Paso 1. Migre el dominio y conceda permisos** de los [Requisitos previos](#studio-updated-migrate-flows-prereqs) anteriores) se le haya concedido acceso para usar la clave de KMS.
```
aws s3 sync . s3://{bucket-name}/{folder}/ --exclude "*.*" --include "*.flow" --sse-kms-key-id {your-key-id}
```
Sus archivos de flujo deberían exportarse ahora. Puede comprobar su bucket de Amazon S3 para asegurarse de que los archivos de flujo se han sincronizado correctamente.
Para importar estos archivos en la versión más reciente de Data Wrangler, siga los pasos que se indican en [Importación de los archivos de flujo a Canvas](#studio-updated-migrate-flows-import).
##### Método 2: uso de su equipo local para transferir los archivos de flujo
Con este método, se descargan los archivos de flujo de Studio Classic a su equipo local. Puede descargar los archivos directamente o comprimirlos en un archivo zip. A continuación, descomprima el archivo zip localmente (si corresponde), inicie sesión en Canvas y cargue los archivos de flujo desde su máquina local para importarlos.
Utilice el siguiente procedimiento para descargar los archivos desde flujo de Studio Classic:
1. Abra Studio Classic.
1. (Opcional) Si desea comprimir varios archivos de flujo en un archivo zip y descargarlos todos a la vez, haga lo siguiente:
1. En la barra de navegación de Studio Classic, elija **Archivo**.
1. En el menú contextual, sitúe el cursor sobre **Nuevo** y, a continuación, seleccione **Terminal**.
1. De forma predeterminada, el terminal se abre en su directorio principal. Acceda la carpeta que contiene todos los archivos de flujo que desea migrar.
1. Utilice el siguiente comando para comprimir los archivos de flujo del directorio actual en un archivo zip. El comando excluye todos los archivos ocultos:
```
find . -not -path "*/.*" -name "*.flow" -print0 | xargs -0 zip my_archive.zip
```
1. Descargue el archivo zip o los archivos de flujo individuales a su máquina local de la siguiente manera:
1. En el panel de navegación izquierdo de Studio Classic, seleccione **Explorador de archivos**.
1. Busque el archivo que desee descargar en el explorador de archivos.
1. Haga clic con el botón derecho en el archivo y, en el menú contextual, seleccione **Descargar**.
El archivo debería descargarse en el equipo local. Si ha comprimido los archivos en un archivo zip, extráigalos localmente. Después de extraer los archivos, para importarlos en la versión más reciente de Data Wrangler, siga los pasos que se indican en [Importación de los archivos de flujo a Canvas](#studio-updated-migrate-flows-import).
#### Importación de los archivos de flujo a Canvas
Después de exportar los archivos de flujo, obtenga acceso a Canvas a través de Studio e importe los archivos.
Utilice el siguiente procedimiento para importar los archivos de flujo a Canvas:
1. Abra la versión más reciente de Studio.
1. En Studio, seleccione el menú desplegable **Datos** en el panel de navegación izquierdo.
1. En las opciones de navegación, elija **Data Wrangler**.
1. En la página **Data Wrangler**, seleccione **Ejecutar en Canvas**. Si ha configurado correctamente los permisos, se creará su aplicación de Canvas. La aplicación de Canvas puede tardar unos minutos en estar lista.
1. Cuando Canvas esté listo, seleccione **Abrir en Canvas**.
1. Canvas se abre en la página **Data Wrangler**. En el panel superior, seleccione **Importar flujos de datos**.
1. En el menú desplegable **Origen de datos**, seleccione **Amazon S3** o **Carga local**.
1. Seleccione los archivos de flujo de su bucket de Amazon S3 o cargue los archivos desde su equipo local.
**nota**
En la carga local, puede cargar un máximo de 20 archivos de flujo a la vez. Para importaciones mayores, utilice Amazon S3. Si selecciona una carpeta para importarla, también se importarán todos los archivos de flujo de las subcarpetas.
1. Elija **Importar datos**.
Si la importación se ha realizado correctamente, recibirá una notificación en la que se indicará que `X` archivos de flujo se han importado correctamente.
En caso de que sus archivos de flujo no se importen correctamente, recibirá una notificación en la aplicación SageMaker Canvas. Seleccione **Ver errores** en el mensaje de notificación para comprobar los mensajes de error individuales y obtener instrucciones sobre cómo reformatear los archivos de flujo cuyo formato sea incorrecto.
Una vez que los archivos de flujo hayan terminado de importarse, vaya a la página **Data Wrangler** de la aplicación SageMaker Canvas para ver los flujos de datos. Puede intentar abrir un flujo de datos para comprobar que tiene el aspecto esperado.
# Amazon SageMaker Studio Clásico
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos que [migres tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic es un entorno de desarrollo integrado (IDE) basado en la web para el aprendizaje automático (ML). Studio Classic permite crear, entrenar, depurar, implementar y supervisar modelos de ML. Studio Classic incluye todas las herramientas que necesita para llevar sus modelos desde la preparación de datos hasta la experimentación y la producción con mayor productividad. En una interfaz visual única puede realizar las siguientes tareas:
+ Escribir y ejecutar código en cuadernos de Jupyter
+ Preparar datos para el machine learning
+ Crear y entrenar modelos de ML
+ Implementar los modelos y monitorizar el rendimiento de sus predicciones
+ Realizar un seguimiento y depurar experimentos de ML
+ Colaborar con otros usuarios en tiempo real
Para obtener información sobre los pasos de incorporación para Studio Classic, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
Para obtener información sobre cómo colaborar con otros usuarios en tiempo real, consulte [Colaboración con espacios compartidos](domain-space.md).
Para conocer las AWS regiones compatibles con Studio Classic, consulte[Regiones y cuotas admitidas](regions-quotas.md).
## Plan de fases de mantenimiento de Amazon SageMaker Studio Classic
En la siguiente tabla se proporciona información sobre el plazo en el que Amazon SageMaker Studio Classic entró en la fase de mantenimiento ampliado.
| Date | Description (Descripción) |
| --- | --- |
| 31/12/2024 | A partir del 31 de diciembre, finalizará el mantenimiento de Studio Classic. A partir de ese momento, Studio Classic dejará de recibir actualizaciones y correcciones de seguridad. Todos los dominios nuevos se crearán con Amazon SageMaker Studio como predeterminado. |
| 31/1/2025 | A partir del 31 de enero, los usuarios ya no podrán crear JupyterLab tres libretas nuevas en Studio Classic. Los usuarios tampoco podrán reiniciar ni actualizar los cuadernos existentes. Los usuarios solo podrán acceder a las aplicaciones de Studio Classic existentes desde Studio para eliminar o detener los cuadernos existentes. |
**nota**
Su dominio de Studio Classic actual no se migra a Studio de forma automática. Para obtener información sobre la migración, consulte [Migración desde Amazon SageMaker Studio Classic](studio-updated-migrate.md).
**Topics**
+ [Plan de fases de mantenimiento de Amazon SageMaker Studio Classic](#studio-deprecation)
+ [Características clásicas de Amazon SageMaker Studio](#studio-features)
+ [Descripción general de la interfaz de usuario clásica de Amazon SageMaker Studio](studio-ui.md)
+ [Inicie Amazon SageMaker Studio Classic](studio-launch.md)
+ [JupyterLab Control de versiones en Amazon SageMaker Studio Classic](studio-jl.md)
+ [Usa el Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
+ [Usa las libretas clásicas de Amazon SageMaker Studio](notebooks.md)
+ [Personaliza Amazon SageMaker Studio Classic](studio-customize.md)
+ [Realice tareas habituales en Amazon SageMaker Studio Classic](studio-tasks.md)
+ [Precios de Amazon SageMaker Studio Classic](studio-pricing.md)
+ [Solución de problemas de Amazon SageMaker Studio Classic](studio-troubleshooting.md)
## Características clásicas de Amazon SageMaker Studio
Studio Classic incluye las siguientes características:
+ [SageMaker Piloto automático](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development.html)
+ [SageMaker Aclare](https://docs.aws.amazon.com/sagemaker/latest/dg/model-explainability.html)
+ [SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html)
+ [SageMaker Debugger (Depurador)](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-on-studio.html)
+ [SageMaker Experimentos](https://docs.aws.amazon.com/sagemaker/latest/dg/experiments.html)
+ [SageMaker Tienda de funciones](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)
+ [Amazon SageMaker Pipelines](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-studio.html)
+ [SageMaker Registro de modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html)
+ [SageMaker Proyectos](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects.html)
+ [SageMakerCuadernos Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html)
+ [SageMaker Cuaderno universal Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-cluster.html)
# Descripción general de la interfaz de usuario clásica de Amazon SageMaker Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos que [migres tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic amplía las capacidades JupyterLab con recursos personalizados que pueden acelerar el proceso de Machine Learning (ML) al aprovechar la potencia de AWS la computación. Los usuarios anteriores de JupyterLab notarán la similitud de la interfaz de usuario. Las adiciones más destacadas se detallan en las secciones siguientes. Para obtener una descripción general de la JupyterLab interfaz original, consulte [La JupyterLab interfaz](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
La siguiente imagen muestra la vista predeterminada al lanzar Amazon SageMaker Studio Classic. El panel de *navegación izquierdo* muestra todas las categorías de funciones de nivel superior y hay una *[Página de inicio de Amazon SageMaker Studio Classic](#studio-ui-home)* abierta en el *área de trabajo principal*. Para volver a este punto central de orientación, seleccione el icono de **Inicio** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/house.png)) en cualquier momento y, a continuación, seleccione el nodo de **Inicio** en el menú de navegación.
Pruebe el **cuaderno de introducción para obtener** una guía práctica incluida en el producto sobre cómo configurar y familiarizarse con las funciones de Amazon SageMaker Studio Classic. En la sección **Acciones rápidas** de la página de inicio de Studio Classic, seleccione **Abrir el cuaderno de introducción**.
![\[SageMaker Página de inicio de Studio Classic.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-home.png)
**nota**
Este capítulo se basa en la interfaz de usuario (UI) actualizada de Studio Classic, disponible en la versión JupyterLab 3 `v5.38.x` y superiores.
Para recuperar su versión de la interfaz de usuario de Studio Classic, abra un terminal del sistema desde el [lanzador de Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html) y, a continuación
Ejecute `conda activate studio`
Ejecute `jupyter labextension list`
Busque la versión que aparece después de `@amzn/sagemaker-ui version` en el resultado.
Para obtener información sobre la actualización de Amazon SageMaker Studio Classic, consulte[Cierre y actualice Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
**Topics**
+ [Página de inicio de Amazon SageMaker Studio Classic](#studio-ui-home)
+ [Maquetación Amazon SageMaker Studio Classic](#studio-ui-layout)
## Página de inicio de Amazon SageMaker Studio Classic
La página de inicio proporciona acceso a tareas y flujos de trabajo comunes. En concreto, incluye una lista de **acciones rápidas** para tareas habituales, como **Abrir lanzador**, para crear libretas y otros recursos, o **Importar y preparar datos de forma visual** para crear un nuevo flujo en Data Wrangler. La página de **Inicio** también ofrece información sobre herramientas sobre los principales controles de la interfaz de usuario.
Las **soluciones prediseñadas y automatizadas** le ayudan a empezar rápidamente con las soluciones de bajo código de la SageMaker IA, como Amazon SageMaker JumpStart y Autopilot.
En **Flujos de trabajo y tareas**, encontrará una lista de tareas relevantes para cada paso de su flujo de trabajo de machine learning que le llevará a la herramienta adecuada para cada tarea. Por ejemplo, si **selecciona Transformar, analizar y exportar datos**, accede a Amazon SageMaker Data Wrangler y abre el flujo de trabajo para crear un nuevo flujo de datos, o **Ver todos los experimentos** lo lleva a SageMaker Experimentos y abre la vista de lista de experimentos.
Al iniciar Studio Classic, se abre la página de **Inicio** en el área de trabajo principal. Puede personalizar su página de **inicio** de SageMaker IA seleccionando el icono **Personalizar el diseño** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/layout.png)) situado en la parte superior derecha de la pestaña de **inicio**.
## Maquetación Amazon SageMaker Studio Classic
La interfaz de Amazon SageMaker Studio Classic consta de una *barra de menús* en la parte superior, una barra *lateral izquierda* plegable que muestra una variedad de iconos, como el icono de **inicio** y el **explorador de archivos**, una *barra de estado* en la parte inferior de la pantalla y un *área central* dividida horizontalmente en dos paneles. El panel izquierdo es un *panel de navegación* que se puede contraer. El panel derecho, o área de trabajo principal, contiene una o más pestañas para recursos como lanzadores, cuadernos, terminales, métricas y gráficos, y se puede dividir aún más.
**Informe de un error** en Studio Classic o elija el icono de notificación (![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/Notification.png)) para ver las notificaciones de Studio Classic, como las nuevas versiones de Studio Classic y las nuevas funciones de SageMaker IA, en la esquina derecha de la barra de menús. Para actualizar a una nueva versión de Studio Classic, consulte [Cierre y actualice Amazon SageMaker Studio Classic y sus aplicaciones](studio-tasks-update.md).
En las secciones siguientes se describen las áreas principales de la interfaz de usuario de Studio Classic.
### Barra lateral izquierda
La *barra lateral izquierda* incluye los siguientes iconos. Al pasar el cursor sobre un icono, aparece información sobre herramientas con el nombre del icono. Con un solo clic en un icono, se abre el panel de navegación izquierdo con la funcionalidad descrita. Al hacer doble clic, se minimiza el panel de navegación izquierdo.
| Icono | Description (Descripción) |
| --- | --- |
| ![\[El icono de Inicio.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/house@2x.png) | **Inicio** Seleccione el icono de **inicio** para abrir un menú de navegación de nivel superior en el panel de *navegación izquierdo*. Con el menú de navegación de **inicio**, puede descubrir las herramientas adecuadas para cada paso de su flujo de trabajo de machine learning y navegar por ellas. El menú también proporciona atajos a soluciones de inicio rápido y recursos de aprendizaje, como documentación y tutoriales guiados. En las categorías del menú se agrupan las funciones relevantes. Al elegir **Datos**, por ejemplo, se amplían las capacidades de SageMaker IA relevantes para las tareas de preparación de datos. Desde aquí, puede preparar sus datos con Data Wrangler, crear y almacenar funciones de aprendizaje automático con Amazon SageMaker Feature Store y gestionar los clústeres de Amazon EMR para el procesamiento de datos a gran escala. Las categorías se ordenan siguiendo un flujo de trabajo de machine learning típico, desde la preparación de los datos hasta la creación, el entrenamiento y la implementación de modelos de machine learning (datos, canalizaciones, modelos e implementaciones). Al elegir un nodo específico (como Data Wrangler), se abre la página correspondiente en el área de trabajo principal. Seleccione **Inicio** en el menú de navegación para abrir el [Página de inicio de Amazon SageMaker Studio Classic](#studio-ui-home) |
| ![\[El icono del Explorador de archivos.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder@2x.png) | **Explorador de archivos** El **explorador de archivos** muestra listas de los cuadernos, experimentos, pruebas, componentes de prueba, puntos de conexión y soluciones con poco código. El hecho de que se encuentre en un espacio personal o compartido determinará quién tiene acceso a sus archivos. Puede identificar el tipo de espacio en el que se encuentra mirando la esquina superior derecha. **Si está en una aplicación personal, verá un icono de usuario seguido de *[user\$1name]***/Personal Studio** y, si se encuentra en un espacio colaborativo, verá un icono de globo terráqueo seguido de «/» *[user\$1name] *** *[space\$1name].* [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/studio-ui.html) Para las entradas jerárquicas, una ruta de navegación seleccionable en la parte superior del explorador muestra su ubicación en la jerarquía. |
| ![\[El icono del Inspector de propiedades.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/gears@2x.png) | **Inspector de propiedades** El Inspector de propiedades es un inspector de herramientas de celda de cuaderno que, cuando está abierto, muestra la configuración contextual de las propiedades. |
| ![\[El icono de Terminales y kernels en ejecución.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels@2x.png) | **Ejecución de terminales y kernels** Puede consultar la lista de todos los *kernels* y *terminales* que se ejecutan actualmente en todos los cuadernos, consolas de códigos y directorios. Puede cerrar recursos individuales, incluidos portátiles, terminales, kernels, aplicaciones e instancias. También puede cerrar todos los recursos de una de estas categorías al mismo tiempo. Para obtener más información, consulte [Cierre los recursos de Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md). |
| ![\[El icono de Git.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/git@2x.png) | **Git** Puede conectarse a un repositorio Git y luego acceder a una gama completa de herramientas y operaciones de Git. Para obtener más información, consulte [Clonar un repositorio de Git en Amazon SageMaker Studio Classic](studio-tasks-git.md). |
| ![\[El icono de Índice.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/table-of-contents@2x.png) | **Índice**Puede navegar por la estructura de un documento cuando hay un cuaderno o archivos de Python abiertos. Una tabla de contenido se genera automáticamente en el panel de navegación izquierdo al abrir un cuaderno, archivos Markdown o archivos Python. Se puede hacer clic en las entradas y desplazar el documento hasta el encabezado en cuestión. |
| ![\[El icono de Extensiones.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/extensions@2x.png) | **Extensiones** Puedes activar y gestionar extensiones de terceros JupyterLab . Puede comprobar las extensiones ya instaladas y buscarlas escribiendo su nombre en la barra de búsqueda. Cuando haya encontrado la extensión que quiera instalar, seleccione **Instalar**. Tras instalar las nuevas extensiones, asegúrate de reiniciarlas JupyterLab actualizando el navegador. Para obtener más información, consulta la [documentación JupyterLab de extensiones](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html). |
### Panel de navegación izquierdo
El contenido del panel de navegación izquierdo varía según el icono seleccionado en la barra lateral izquierda.
Por ejemplo, al seleccionar el icono de **Inicio** se muestra el menú de navegación. Al seleccionar el **Explorador de archivos**, se muestran todos los archivos y directorios disponibles en su espacio de trabajo (cuadernos, experimentos, flujos de datos, ensayos, componentes de prueba, puntos de conexión o soluciones con poco código).
En el menú de navegación, al seleccionar un nodo, aparecerá la página de la función correspondiente en el área de trabajo principal. Por ejemplo, si selecciona **Data Wrangler** en el menú **Datos**, se abre la pestaña **Data Wrangler** con todos los flujos existentes.
### Área de trabajo principal
El área de trabajo principal consta de varias pestañas que contienen los cuadernos y terminales abiertos, así como información detallada sobre los experimentos y puntos de conexión. En el área de trabajo principal, puede organizar los documentos (como cuadernos y archivos de texto) y otras actividades (como terminales y consolas de códigos) en paneles de pestañas que puede cambiar de tamaño o subdividir. Arrastre una pestaña hasta el centro de un panel de pestañas para moverla al panel. Para subdividir un panel de pestañas, arrastre una pestaña hacia la izquierda, la derecha, la parte superior o la parte inferior del panel. La pestaña de la actividad actual está marcada con un borde superior coloreado (en color azul, de forma predeterminada).
**nota**
Todas las páginas de funciones ofrecen ayuda contextual integrada en el producto. Para acceder a la ayuda, seleccione **Mostrar información**. La interfaz de ayuda proporciona una breve introducción a la herramienta y enlaces a recursos adicionales, como vídeos, tutoriales o blogs.
# Inicie Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Una vez que se haya incorporado a un dominio de Amazon SageMaker AI, puede lanzar una aplicación Amazon SageMaker Studio Classic desde la consola de SageMaker IA o desde. AWS CLI Para obtener más información sobre cómo añadir un dominio, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
**Topics**
+ [Inicie Amazon SageMaker Studio Classic con la consola Amazon SageMaker AI](#studio-launch-console)
+ [Inicie Amazon SageMaker Studio Classic con la AWS CLI](#studio-launch-cli)
## Inicie Amazon SageMaker Studio Classic con la consola Amazon SageMaker AI
El proceso para navegar a Studio Classic desde Amazon SageMaker AI Console varía en función de si Studio Classic o Amazon SageMaker Studio están configuradas como la experiencia predeterminada para tu dominio. Para obtener más información acerca de cómo configurar la experiencia predeterminada para su dominio, consulte [Migración desde Amazon SageMaker Studio Classic](studio-updated-migrate.md).
**Topics**
+ [Requisito previo](#studio-launch-console-prerequisites)
### Requisito previo
Para completar este procedimiento, debes incorporarte a un dominio siguiendo los pasos que se indican en [Incorporar un dominio de Amazon SageMaker AI](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html).
### Inicio de Studio Classic si Studio es su experiencia predeterminada
1. Vaya a Studio siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. En la IU de Studio, busque el panel de aplicaciones en la parte izquierda.
1. En el panel de aplicaciones, seleccione **Studio Classic**.
1. En la página de inicio de Studio Classic, seleccione la instancia de Studio Classic que desee abrir.
1. Elija “Abrir”.
## Inicie Amazon SageMaker Studio Classic con la AWS CLI
Puede usar AWS Command Line Interface (AWS CLI) para lanzar Amazon SageMaker Studio Classic mediante la creación de una URL de dominio prefirmada.
**Requisitos previos**
Antes de comenzar, complete los siguientes requisitos previos:
+ Incorporado al dominio Amazon SageMaker AI. Para obtener más información, consulta [Cómo incorporarse al dominio Amazon SageMaker AI](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html).
+ AWS CLI Actualízalo siguiendo los pasos que se indican en [Instalación de la AWS CLI versión actual](https://docs.aws.amazon.com//cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Desde su máquina local, ejecute `aws configure` y proporcione sus AWS credenciales. Para obtener información sobre AWS las credenciales, consulte [Descripción y obtención de AWS las credenciales](https://docs.aws.amazon.com//general/latest/gr/aws-sec-cred-types.html).
El siguiente fragmento de código muestra cómo lanzar Amazon SageMaker Studio Classic desde una URL de AWS CLI dominio prefirmada. Para obtener más información, consulte [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 Control de versiones en Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
La interfaz Amazon SageMaker Studio Classic se basa en JupyterLab, que es un entorno de desarrollo interactivo basado en la web para cuadernos, código y datos. Studio Classic solo admite el uso de JupyterLab 3.
Si creaste tu dominio y perfil de usuario Consola de administración de AWS antes del 31/08/2022 o antes del 22/02/23, tu instancia de Studio Classic tendrá el AWS Command Line Interface valor predeterminado de 1. JupyterLab Después del 1 de julio de 2024, no podrás crear ninguna aplicación de Studio Classic que ejecute 1. JupyterLab
## JupyterLab 3
JupyterLab 3 incluye las siguientes funciones que no están disponibles en las versiones anteriores. Para obtener más información sobre estas funciones, consulte ¡[Se ha lanzado la JupyterLab versión 3.0\$1](https://blog.jupyter.org/jupyterlab-3-0-is-out-4f58385e25bb) .
+ Depurador visual cuando se utilizan los kernels de Base Python 2.0 y Data Science 2.0.
+ Filtro de explorador de archivos
+ Índice
+ Compatibilidad con varios idiomas
+ Modo simple
+ Modo de interfaz única
### Cambios importantes en JupyterLab 3
Tenga en cuenta lo siguiente cuando utilice JupyterLab 3:
+ Al configurar la JupyterLab versión mediante el AWS CLI, seleccione la imagen correspondiente a su región y JupyterLab versión en la lista de imágenes de[Desde AWS CLI](#studio-jl-set-cli).
+ En JupyterLab 3, debe activar el entorno `studio` conda antes de instalar las extensiones. Para obtener más información, consulte [Instalación JupyterLab y extensiones de Jupyter Server](#studio-jl-install).
+ El depurador solo es compatible si se utilizan las siguientes imágenes:
+ Base Python 2.0
+ Data Science 2.0
+ Base Python 3.0
+ Data Science 3.0
## Restringir JupyterLab la versión predeterminada mediante una clave de condición de política de IAM
Puede utilizar las claves de condición de la política de IAM para restringir la versión JupyterLab que pueden lanzar sus usuarios.
La siguiente política muestra cómo limitar la JupyterLab versión a nivel de dominio.
------
#### [ 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"
}
}
}
]
}
```
------
La siguiente política muestra cómo limitar la JupyterLab versión a nivel del perfil de usuario.
------
#### [ 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"
}
}
}
]
}
```
------
La siguiente política muestra cómo limitar la JupyterLab versión a nivel de aplicación. La solicitud de `CreateApp` debe incluir el ARN de la imagen que deba aplicar esta política.
------
#### [ 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"
}
}
}
]
}
```
------
## Establecer una JupyterLab versión predeterminada
En las siguientes secciones se muestra cómo configurar una JupyterLab versión predeterminada para Studio Classic mediante la consola o el AWS CLI.
### Desde la consola de
Puede seleccionar la JupyterLab versión predeterminada para usarla a nivel de dominio o perfil de usuario durante la creación del recurso. Para configurar la JupyterLab versión predeterminada mediante la consola, consulte[Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
### Desde AWS CLI
Puede seleccionar la JupyterLab versión predeterminada para usarla a nivel de dominio o perfil de usuario mediante el AWS CLI.
Para establecer la JupyterLab versión predeterminada mediante el AWS CLI, debe incluir el ARN de la JupyterLab versión predeterminada deseada como parte de un AWS CLI comando. Este ARN varía según la versión y la región del dominio de SageMaker IA.
En la siguiente tabla se muestran ARNs las JupyterLab versiones disponibles para cada región:
| 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 |
#### Creación o actualización de un dominio
Puede establecer una JupyterServer versión predeterminada a nivel de dominio invocando [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)o [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)pasando el `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn` campo.
A continuación, se muestra cómo crear un dominio con JupyterLab 3 como valor predeterminado mediante: AWS CLI
```
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"
}
}
}'
```
A continuación, se muestra cómo actualizar un dominio para que utilice JupyterLab 3 como predeterminado mediante AWS CLI:
```
aws --region \
sagemaker update-domain \
--domain-id \
--default-user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
#### Creación o actualización del perfil de usuario
Puede establecer una JupyterServer versión predeterminada a nivel de perfil de usuario invocando [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)o [UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html)pasando el `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn` campo.
A continuación se muestra cómo crear un perfil de usuario con JupyterLab 3 como valor predeterminado en un dominio existente, mediante: AWS CLI
```
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"
}
}
}'
```
A continuación, se muestra cómo actualizar un perfil de usuario para usar JupyterLab 3 como predeterminado, mediante 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"
}
}
}'
```
## Vea y actualice la JupyterLab versión de una aplicación desde la consola
A continuación, se muestra cómo ver y actualizar la JupyterLab versión de una aplicación.
1. Navegue a la página de **dominios** de SageMaker IA.
1. Seleccione un dominio para ver sus perfiles de usuario.
1. Seleccione un usuario para ver sus aplicaciones.
1. Para ver la JupyterLab versión de una aplicación, seleccione el nombre de la aplicación.
1. Para actualizar la JupyterLab versión, seleccione **Acción**.
1. En el menú desplegable, selecciona **Cambiar JupyterLab versión**.
1. En la página de **configuración de Studio Classic**, selecciona la JupyterLab versión en el menú desplegable.
1. Una vez que la JupyterLab versión del perfil de usuario se haya actualizado correctamente, reinicie la JupyterServer aplicación para que los cambios de versión se hagan efectivos. Para obtener más información sobre el reinicio de una JupyterServer aplicación, consulte. [Cierre y actualice Amazon SageMaker Studio Classic](studio-tasks-update-studio.md)
## Instalación JupyterLab y extensiones de Jupyter Server
En JupyterLab 3, debe activar el entorno `studio` conda antes de instalar las extensiones. El método para ello varía en función de si se instalan las extensiones desde Studio Classic o si se utiliza un script de configuración del ciclo de vida.
### Instalación de la extensión desde Studio Classic
Para instalar extensiones desde Studio Classic, debe activar el entorno de `studio` antes de instalar las extensiones.
```
# Before installing extensions
conda activate studio
# Install your extensions
pip install
# After installing extensions
conda deactivate
```
### Instalación de extensiones mediante un script de configuración del ciclo de vida
Si está JupyterLab instalando extensiones de Jupyter Server en su script de configuración del ciclo de vida, debe modificar el script para que funcione con 3. JupyterLab En las siguientes secciones se muestra el código necesario para los scripts de configuración del ciclo de vida nuevos y existentes.
#### Script de configuración del ciclo de vida existente
Si va a reutilizar un script de configuración del ciclo de vida existente que debe funcionar con ambas versiones de JupyterLab, utilice el siguiente código en el script:
```
# 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;
```
#### Nuevo script de configuración del ciclo de vida
Si está escribiendo un nuevo script de configuración del ciclo de vida que solo usa JupyterLab 3, puede usar el siguiente código en el script:
```
# Before installing extension
eval "$(conda shell.bash hook)"
conda activate studio
# Install your extensions
pip install
conda deactivate
```
# Usa el Amazon SageMaker Studio Classic Launcher
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Puede usar Amazon SageMaker Studio Classic Launcher para crear blocs de notas y archivos de texto, así como para lanzar terminales y shells de Python interactivos.
Puede abrir el lanzador de Studio Classic de las siguientes maneras.
+ Elige **Amazon SageMaker Studio Classic** en la parte superior izquierda de la interfaz de Studio Classic.
+ Use el método abreviado de teclado `Ctrl + Shift + L`.
+ En el menú Studio Classic, seleccione **Archivo** y luego **Nuevo lanzador**.
+ Si el explorador de archivos SageMaker AI está abierto, seleccione el signo más (**\$1**) en el menú del explorador de archivos de Studio Classic.
+ En la sección **Acciones rápidas** de la pestaña **Inicio**, seleccione **Abrir lanzador**. El lanzador se abre en una nueva pestaña. La sección de **Acciones rápidas** está visible de forma predeterminada, pero se puede desactivar. Seleccione **Personalizar diseño** para volver a activar esta sección.
![\[SageMaker Lanzador de Studio Classic.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-new-launcher.png)
El lanzador consta de las secciones siguientes:
**Topics**
+ [Cuadernos y recursos informáticos](#studio-launcher-launch)
+ [Utilidades y archivos](#studio-launcher-other)
## Cuadernos y recursos informáticos
En esta sección, puede crear un cuaderno, abrir un terminal de imágenes o abrir una consola Python.
Para crear o lanzar uno de estos elementos:
1. Elija **Cambiar entorno** para seleccionar una SageMaker imagen, un núcleo, un tipo de instancia y, si lo desea, añadir un script de configuración del ciclo de vida que se ejecute al iniciar la imagen. Para obtener más información sobre los scripts de configuración del ciclo de vida, consulte [Utilice las configuraciones del ciclo de vida para personalizar Amazon SageMaker Studio Classic](studio-lcc.md). Para obtener más información acerca de las actualizaciones del kernel, consulte [Cambiar la imagen o el núcleo de un bloc de notas Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
1. Seleccione un elemento.
**nota**
Si selecciona un elemento de esta sección, puede incurrir en cargos de uso adicionales. Para obtener más información, consulte [Medición de uso para los portátiles Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Están disponibles los siguientes elementos:
+ **Cuaderno**
Lanza el bloc de notas en una sesión de núcleo con la SageMaker imagen elegida.
Crea el cuaderno en la carpeta que ha seleccionado actualmente en el explorador de archivos. En la barra lateral izquierda de Studio Classic, seleccione el icono del **Explorador de archivos** para mostrar el explorador de archivos.
+ **Consola**
Lanza el shell en una sesión de núcleo en la SageMaker imagen elegida.
Abre el intérprete de comandos de la carpeta que ha seleccionado actualmente en el explorador de archivos.
+ **Terminal de imagen**
Lanza el terminal en una sesión de terminal en la SageMaker imagen elegida.
Abre el terminal en la carpeta raíz del usuario (como lo muestra la carpeta **Inicio** en el explorador de archivos).
**nota**
De forma predeterminada, las instancias de CPU se lanzan en una instancia `ml.t3.medium`, mientras que las instancias de GPU se lanzan en una instancia `ml.g4dn.xlarge`.
## Utilidades y archivos
En esta sección, puede añadir ayuda contextual en un cuaderno, crear archivos de Python, Markdown y texto, y abrir una terminal del sistema.
**nota**
Los artículos de esta sección se publican en el contexto de Amazon SageMaker Studio Classic y no conllevan cargos por uso.
Están disponibles los siguientes elementos:
+ **Mostrar ayuda contextual**
Abre una nueva pestaña que muestra ayuda contextual para las funciones de un cuaderno de Studio Classic. Para mostrar la ayuda, elija una función de un cuaderno activo. Para facilitar la visualización de la ayuda en contexto, arrastre la pestaña de ayuda para que quede adyacente a la pestaña del cuaderno. Para abrir la pestaña de ayuda desde un cuaderno, pulse `Ctrl + I`.
En la siguiente captura de pantalla se muestra la ayuda contextual del método `Experiment.create`.
![\[SageMaker Ayuda contextual de Studio Classic.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-context-help.png)
+ **Terminal del sistema**
Abre un intérprete de comandos `bash` en la carpeta raíz del usuario (como lo muestra la carpeta **Inicio** en el explorador de archivos).
+ **Archivo de texto** y **Archivo Markdown**
Crea un archivo del tipo asociado en la carpeta que ha seleccionado actualmente en el explorador de archivos. En la barra lateral izquierda, seleccione el icono del **Explorador de archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder.png)) para mostrar el explorador de archivos.
# Usa las libretas clásicas de Amazon SageMaker Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Las libretas Amazon SageMaker Studio Classic son libretas colaborativas que puede lanzar rápidamente porque no necesita configurar las instancias de procesamiento ni el almacenamiento de archivos de antemano. Los cuadernos de Studio Classic proporcionan almacenamiento persistente, lo que permite verlos y compartirlos incluso si las instancias en las que se ejecutan están cerradas.
Puede compartir sus cuadernos con otras personas para que puedan reproducir fácilmente sus resultados y colaborar al construir modelos y explorar sus datos. Proporcione acceso a una copia de solo lectura del cuaderno a través de una URL segura. Las dependencias del cuaderno se incluyen en los metadatos de dicho bloc. Cuando sus compañeros copian el cuaderno, se abre en el mismo entorno que el cuaderno original.
Un cuaderno de Studio Classic se ejecuta en un entorno definido por lo siguiente:
+ Tipo de instancia de Amazon EC2: configuración de hardware en la que se ejecuta el cuaderno. La configuración incluye el número y el tipo de procesadores (vCPU y GPU), así como la cantidad y el tipo de memoria. El tipo de instancia determina la tasa de asignación de precios.
+ SageMaker imagen: una imagen contenedora compatible con SageMaker Studio Classic. La imagen consta de los kernels, paquetes de idiomas y otros archivos necesarios para ejecutar un cuaderno en Studio Classic. Puede haber varias imágenes en una instancia. Para obtener más información, consulte [Imágenes personalizadas en Amazon SageMaker Studio Classic](studio-byoi.md).
+ KernelGateway aplicación: una SageMaker imagen se ejecuta como una KernelGateway aplicación. La aplicación proporciona acceso a los kernels de la imagen. Existe una one-to-one correspondencia entre una imagen de SageMaker IA y una KernelGateway aplicación.
+ Kernel: proceso que inspecciona y ejecuta el código contenido en el cuaderno. Un kernel se define mediante una *especificación del kernel* en la imagen. Puede haber varios kernels en una imagen.
Puede cambiar cualquiera de estos recursos desde el cuaderno.
El siguiente diagrama describe cómo funciona el núcleo de un portátil en relación con la KernelGateway aplicación, el usuario y el dominio.
![\[Cómo funciona el núcleo de un portátil en relación con la KernelGateway aplicación, el usuario y el dominio.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-components.png)
[Los cuadernos de muestra de SageMaker Studio Classic están disponibles en la carpeta [aws\$1sagemaker\$1studio](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_sagemaker_studio) del repositorio de ejemplos de Amazon. SageMaker GitHub ](https://github.com/awslabs/amazon-sagemaker-examples) Cada bloc de notas viene con la SageMaker imagen necesaria que abre el bloc de notas con el núcleo correspondiente.
Le recomendamos que se familiarice con la interfaz de SageMaker Studio Classic y la barra de herramientas del bloc de notas de Studio Classic antes de crear o utilizar un bloc de notas de Studio Classic. Para obtener más información, consulte [Descripción general de la interfaz de usuario clásica de Amazon SageMaker Studio](studio-ui.md) y [Uso de la barra de herramientas de cuadernos de Studio Classic](notebooks-menu.md).
**Topics**
+ [¿En qué se diferencian las libretas clásicas de Amazon SageMaker Studio de las instancias de Notebook?](notebooks-comparison.md)
+ [Comience con las libretas clásicas de Amazon SageMaker Studio](notebooks-get-started.md)
+ [Visita clásica a Amazon SageMaker Studio](gs-studio-end-to-end.md)
+ [Crear o abrir un bloc de notas Amazon SageMaker Studio Classic](notebooks-create-open.md)
+ [Uso de la barra de herramientas de cuadernos de Studio Classic](notebooks-menu.md)
+ [Instalación de bibliotecas y núcleos externos en Amazon SageMaker Studio Classic](studio-notebooks-add-external.md)
+ [Compartir y usar un bloc de notas Amazon SageMaker Studio Classic](notebooks-sharing.md)
+ [Obtenga metadatos de aplicaciones y cuadernos clásicos de Amazon SageMaker Studio](notebooks-run-and-manage-metadata.md)
+ [Descubre las diferencias entre los portátiles en Amazon SageMaker Studio Classic](notebooks-diff.md)
+ [Administra los recursos de las libretas clásicas de Amazon SageMaker Studio](notebooks-run-and-manage.md)
+ [Medición de uso para los portátiles Amazon SageMaker Studio Classic](notebooks-usage-metering.md)
+ [Recursos disponibles para los portátiles Amazon SageMaker Studio Classic](notebooks-resources.md)
# ¿En qué se diferencian las libretas clásicas de Amazon SageMaker Studio de las instancias de Notebook?
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Cuando inicie un bloc de notas nuevo, le recomendamos que lo cree en Amazon SageMaker Studio Classic en lugar de lanzar una instancia de bloc de notas desde la consola Amazon SageMaker AI. El uso de un cuaderno de Studio Classic ofrece muchas ventajas, entre las que se incluyen las siguientes:
+ **Más rápido: **iniciar un cuaderno de Studio Classic es más rápido que inicializar un cuaderno basado en instancias. Por lo general, es de 5 a 10 veces más rápido que los cuadernos basados en instancias.
+ **Uso compartido sencillo de cuadernos:** el uso compartido de cuadernos es una característica integrada en Studio Classic. Los usuarios pueden generar un enlace para compartir que reproduzca el código del cuaderno y también la SageMaker imagen necesaria para ejecutarlo, con solo unos pocos clics.
+ **SDK de Python más reciente:** los portátiles Studio Classic vienen preinstalados con el SDK de [ SageMaker Python](https://sagemaker.readthedocs.io/en/stable) más reciente de Amazon.
+ **Acceso a todas las características de Studio Classic: **puede acceder a los cuadernos de Studio Classic desde Studio Classic. Esto le permite construir, entrenar, depurar, rastrear y monitorear sus modelos sin salir de Studio Classic.
+ **Directorios de usuario persistentes:** cada miembro de un equipo de Studio obtiene su propio directorio de inicio para almacenar sus cuadernos y otros archivos. El directorio se monta automáticamente en todas las instancias y kernels a medida que se inician, por lo que sus cuadernos y otros archivos están siempre disponibles. Los directorios principales se almacenan en Amazon Elastic File System (Amazon EFS), por lo que puede acceder a ellos desde otros servicios.
+ **Acceso directo:** al utilizar IAM Identity Center, utiliza sus credenciales de IAM Identity Center a través de una URL única para acceder directamente a Studio Classic. No es necesario que interactúes con él Consola de administración de AWS para ejecutar tus cuadernos.
+ **Imágenes optimizadas: las** libretas Studio Classic están equipadas con un conjunto de ajustes de SageMaker imagen predefinidos para que pueda empezar más rápido.
**nota**
Los cuadernos de Studio Classic no admiten el *modo local*. Sin embargo, puede utilizar una instancia de cuaderno para entrenar localmente una muestra del conjunto de datos y, a continuación, utilizar el mismo código en un cuaderno de Studio Classic para entrenar en el conjunto de datos completo.
Al abrir un bloc de notas en SageMaker Studio Classic, la vista es una extensión de la JupyterLab interfaz. Las funciones principales son las mismas, por lo que encontrarás las características típicas de una libreta Jupyter y. JupyterLab Para obtener más información sobre la interfaz de Studio Classic, consulte [Descripción general de la interfaz de usuario clásica de Amazon SageMaker Studio](studio-ui.md).
# Comience con las libretas clásicas de Amazon SageMaker Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Para empezar, tú o el administrador de tu organización tenéis que completar el proceso de incorporación del dominio de SageMaker IA. Para obtener más información, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
Puede acceder a un cuaderno de Studio Classic de cualquiera de las siguientes maneras:
+ Recibirá una invitación por correo electrónico para acceder a Studio Classic a través del Centro de identidades de IAM de su organización, que incluye un enlace directo para iniciar sesión en Studio Classic sin tener que usar la consola Amazon SageMaker AI. Puede continuar con [Siguientes pasos](#notebooks-get-started-next-steps).
+ Recibirás un enlace a un bloc de notas compartido de Studio Classic, que incluye un enlace directo para iniciar sesión en Studio Classic sin tener que usar la consola SageMaker AI. Puede continuar con [Siguientes pasos](#notebooks-get-started-next-steps).
+ Te incorporas a un dominio y, a continuación, inicias sesión en la consola de SageMaker IA. Para obtener más información, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Lance Amazon SageMaker AI
Complete los pasos de [Inicie Amazon SageMaker Studio Classic](studio-launch.md) para iniciar Studio Classic.
## Siguientes pasos
Ahora que está en Studio Classic, puede probar cualquiera de las siguientes opciones:
+ Para crear un bloc de notas de Studio Classic o explorar los cuadernos end-to-end tutoriales de Studio Classic, consulte [Visita clásica a Amazon SageMaker Studio](gs-studio-end-to-end.md) la siguiente sección.
+ Para familiarizarse con la interfaz de Studio Classic, consulte [Descripción general de la interfaz de usuario clásica de Amazon SageMaker Studio](studio-ui.md) o pruebe el **cuaderno de introducción** seleccionando **Abrir el cuaderno de introducción** en la sección de **Acciones rápidas** de la página de inicio de Studio Classic.
# Visita clásica a Amazon SageMaker Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
[Para ver un recorrido por las principales características de Amazon SageMaker Studio Classic, consulte el cuaderno de muestra [xgboost\$1customer\$1churn\$1studio.ipynb](https://sagemaker-examples.readthedocs.io/en/latest/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.html) del repositorio aws/. amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples) GitHub El código del cuaderno entrena varios modelos y configura el depurador y el monitor de modelos. SageMaker SageMaker En esta explicación se muestra cómo ver las pruebas, comparar los modelos resultantes, mostrar los resultados del depurador e implementar el mejor modelo mediante la interfaz de usuario de Studio Classic. No necesita entender el código para seguir esta explicación.
**Requisitos previos**
Para ejecutar el cuaderno para este recorrido, necesita:
+ Una cuenta de IAM para iniciar sesión en Studio. Para obtener información, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Estar familiarizado con la interfaz de usuario de Studio y los cuadernos de Jupyter. Para obtener información, consulte [Descripción general de la interfaz de usuario clásica de Amazon SageMaker Studio](studio-ui.md).
+ Una copia del amazon-sagemaker-examples repositorio [aws/ de](https://github.com/aws/amazon-sagemaker-examples) su entorno de Studio.
**Para clonar el repositorio**
1. Lance Studio Classic siguiendo los pasos de [Inicie Amazon SageMaker Studio Classic](studio-launch.md). Para los usuarios de IAM Identity Center, inicie sesión con la URL incluida en el correo electrónico de invitación.
1. En el menú superior, seleccione **Archivo** y, a continuación, **Nuevo** y **Terminal**.
1. En la línea de comandos, ejecute el siguiente comando para clonar el repositorio [amazon-sagemaker-examples GitHub aws/](https://github.com/aws/amazon-sagemaker-examples).
```
$ git clone https://github.com/aws/amazon-sagemaker-examples.git
```
**Para navegar hasta el cuaderno de ejemplo**
1. En el **explorador de archivos del** menú de la izquierda, seleccione. **amazon-sagemaker-examples**
1. Navegue hasta el cuaderno de ejemplo con la siguiente ruta.
`~/amazon-sagemaker-examples/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.ipynb`
1. Siga el cuaderno para obtener información sobre las principales características de Studio Classic.
**nota**
Si se produce un error al ejecutar el cuaderno de muestra y ha pasado algún tiempo desde que clonó el repositorio, revise el cuaderno del repositorio remoto para ver si hay actualizaciones.
# Crear o abrir un bloc de notas Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Cuando utilice [Crear un cuaderno desde el menú Archivo](#notebooks-create-file-menu) Amazon SageMaker Studio Classic o [Apertura de un cuaderno en Studio Classic](#notebooks-open) por primera vez, se le pedirá que configure su entorno eligiendo una SageMaker imagen, un núcleo, un tipo de instancia y, opcionalmente, un script de configuración del ciclo de vida que se ejecute al iniciar la imagen. SageMaker La IA lanza el bloc de notas en una instancia del tipo elegido. De forma predeterminada, el tipo de instancia está configurado como `ml.t3.medium` (disponible como parte de la [capa gratuita de AWS](https://aws.amazon.com/free)). Para las imágenes basadas en GPU, el tipo de instancia predeterminado es `ml.g4dn.xlarge`.
Si crea o abre cuadernos adicionales que utilicen el mismo tipo de instancia, independientemente de que los cuadernos utilicen o no el mismo kernel, dichos cuadernos se ejecutan en la misma instancia de ese tipo de instancia.
Tras lanzar un bloc de notas, puede cambiar su tipo de instancia, SageMaker imagen y núcleo desde el bloc de notas. Para obtener más información, consulte [Cambiar el tipo de instancia de un bloc de notas Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md) y [Cambiar la imagen o el núcleo de un bloc de notas Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
**nota**
Solo puede tener una instancia de cada tipo de instancia. Cada instancia puede tener varias SageMaker imágenes ejecutándose en ella. Cada SageMaker imagen puede ejecutar varios núcleos o instancias de terminal.
La facturación se produce por instancia y comienza cuando se lanza la primera instancia de un tipo de instancia determinado. Si desea crear o abrir un cuaderno sin el riesgo de que se apliquen cargos, ábralo desde el menú **Archivo** y elija **Sin kernel** en el cuadro de diálogo **Seleccionar kernel**. Puede leer y editar un cuaderno sin ejecutar un kernel, pero no puede ejecutar celdas.
La facturación finaliza cuando se cierra la SageMaker imagen de la instancia. Para obtener más información, consulte [Medición de uso para los portátiles Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Para obtener información sobre cómo apagar el cuaderno, consulte [Cierre de recursos](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions).
**Topics**
+ [Apertura de un cuaderno en Studio Classic](#notebooks-open)
+ [Crear un cuaderno desde el menú Archivo](#notebooks-create-file-menu)
+ [Crear un cuaderno desde el lanzador](#notebooks-create-launcher)
+ [Lista de los tipos de instancias, imágenes y kernels disponibles](#notebooks-instance-image-kernels)
## Apertura de un cuaderno en Studio Classic
Amazon SageMaker Studio Classic solo puede abrir las libretas incluidas en el explorador de archivos de Studio Classic. Para obtener instrucciones sobre cómo agregar un cuaderno al navegador, consulte [Cargar archivos a Amazon SageMaker Studio Classic](studio-tasks-files.md) o [Clonar un repositorio de Git en Amazon SageMaker Studio Classic](studio-tasks-git.md).
**Para abrir un cuaderno**
1. En la barra lateral izquierda, elija el icono del **Explorador de archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder.png)) para mostrar el explorador de archivos.
1. Busque y haga doble clic en un archivo de cuaderno y haga doble clic en él para abrirlo en una nueva pestaña.
## Crear un cuaderno desde el menú Archivo
**Para crear un cuaderno desde el menú Archivo**
1. En el menú de la parte superior de Studio Classic, elija **Archivo**, seleccione **Nuevo**, y, a continuación, elija **Cuaderno**.
1. En el cuadro de diálogo **Cambiar entorno**, utilice los menús desplegables para seleccionar la **Imagen**, el **Kernel**, el **Tipo de instancia** y el **Script de arranque** y, a continuación, seleccione **Seleccionar**. El cuaderno se inicia y se abre en una nueva pestaña de Studio Classic.
![\[Configuración del entorno de cuaderno de Studio Classic.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-notebook-environment-setup.png)
## Crear un cuaderno desde el lanzador
**Para crear un cuaderno desde el lanzador**
1. Para abrir el Launcher, selecciona **Amazon SageMaker Studio Classic** en la parte superior izquierda de la interfaz de Studio Classic o usa el método abreviado `Ctrl + Shift + L` de teclado.
Para obtener más información sobre todas las formas disponibles de abrir el lanzador, consulte [Usa el Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
1. En el lanzador, en la sección **Cuadernos y recursos informáticos**, seleccione **Cambiar entorno**.
![\[SageMaker Studio Classic establece un entorno de cuaderno.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-launcher-notebook-creation.png)
1. En el cuadro de diálogo **Cambiar entorno**, utilice los menús desplegables para seleccionar la **Imagen**, el **Kernel**, el **Tipo de instancia** y el **Script de arranque** y, a continuación, seleccione **Seleccionar**.
1. En el lanzador, seleccione **Crear cuaderno**. El cuaderno se inicia y se abre en una nueva pestaña de Studio Classic.
Para ver la sesión del kernel del cuaderno, en la barra lateral izquierda, elija el icono de **Terminales y kernels en ejecución** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png)). Puede detener la sesión del kernel del cuaderno desde esta vista.
## Lista de los tipos de instancias, imágenes y kernels disponibles
Para obtener una lista de todos los recursos disponibles, consulte:
+ [Tipos de instancias disponibles para su uso con las libretas clásicas de Amazon SageMaker Studio](notebooks-available-instance-types.md)
+ [SageMaker Imágenes de Amazon disponibles para su uso con las libretas Studio Classic](notebooks-available-images.md)
# Uso de la barra de herramientas de cuadernos de Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Los portátiles Amazon SageMaker Studio Classic amplían la JupyterLab interfaz. Para obtener una descripción general de la JupyterLab interfaz original, consulte [La JupyterLab interfaz](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
La siguiente imagen muestra la barra de herramientas y una celda vacía de un cuaderno de Studio Classic.
![\[SageMaker Menú del bloc de notas Studio Classic.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-notebook-menu.png)
Al hacer una pausa en un icono de barra de herramientas, aparece una información emergente que muestra la función de icono. Los comandos adicionales del cuaderno se encuentran en el menú principal de Studio Classic. La barra de menús incluye los siguientes iconos:
| Icono | Description (Descripción) |
| --- | --- |
| ![\[Icono de Guardar y punto de comprobación\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png) | **Guardar y punto de comprobación** Guarda el cuaderno y actualiza el archivo de punto de comprobación. Para obtener más información, consulte [Obtener la diferencia con el último punto de comprobación](notebooks-diff.md#notebooks-diff-checkpoint). |
| ![\[El icono de Insertar celda.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-insert-cell.png) | **Insertar celda** Inserta una celda de código debajo de la celda actual. La celda actual se identifica con el marcador vertical azul en el margen izquierdo. |
| ![\[Los iconos de Cortar, copiar y pegar celdas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-cut-copy-paste.png) | **Cortar, copiar y pegar celdas** Corta, copia y pega las celdas seleccionadas. |
| ![\[Icono de Ejecutar celdas\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-run.png) | **Ejecutar celdas** Ejecuta las celdas seleccionadas y, a continuación, convierte la celda que sigue a la última celda seleccionada en la nueva celda seleccionada. |
| ![\[El icono de Interrumpir kernel.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-interrupt-kernel.png) | **Interrumpir kernel** Interrumpe el kernel que cancela la operación en ejecución actualmente. El kernel permanece activo. |
| ![\[El icono de Reiniciar kernel.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel.png) | **Reiniciar el kernel** Reinicia el kernel. Las variables se restablecen. La información no guardada no se ve afectada. |
| ![\[El icono de Reiniciar kernel y ejecutar todas las celdas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel-run-all-cells.png) | **Reiniciar el kernel y ejecutar todas las celdas** Reinicia el kernel y, a continuación, ejecuta todas las celdas del cuaderno. |
| ![\[Icono de Tipo de celda\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-cell-type.png) | **Tipo de celda** Muestra o cambia el tipo de celda actual. Los tipos de celdas son: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/notebooks-menu.html) |
| ![\[El icono de Inicializar terminal.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png) | **Lanzar terminar** Abre un terminal en la SageMaker imagen que aloja el bloc de notas. Para ver un ejemplo, consulta [Obtener metadatos de aplicaciones](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app). |
| ![\[Icono de Diferencia de punto de comprobación\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png) | **Diferencia de punto de comprobación** Abre una nueva pestaña que muestra la diferencia entre el cuaderno y el archivo de punto de comprobación. Para obtener más información, consulte [Obtener la diferencia con el último punto de comprobación](notebooks-diff.md#notebooks-diff-checkpoint). |
| ![\[El icono de Diferencia de Git.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png) | **Diferencia de Git** Solo está habilitado si el cuaderno se abre desde un repositorio de Git. Abre una nueva pestaña que muestra la diferencia entre el cuaderno y la última confirmación de Git. Para obtener más información, consulte [Obtener la diferencia con la última confirmación](notebooks-diff.md#notebooks-diff-git). |
| **2 vCPU \$1 4 GiB** | **Tipo de instancia** Muestra o cambia el tipo de instancia en el que se ejecuta el cuaderno. El formato es el siguiente: `number of vCPUs + amount of memory + number of GPUs` `Unknown` indica que el cuaderno se abrió sin especificar un kernel. El portátil se ejecuta en la instancia de SageMaker Studio y no acumula cargos por el tiempo de ejecución. No puede asignar el cuaderno a un tipo de instancia. Debe especificar un kernel y, a continuación, Studio asigna el cuaderno a un tipo predeterminado. Para obtener más información, consulte [Crear o abrir un bloc de notas Amazon SageMaker Studio Classic](notebooks-create-open.md) y [Cambiar el tipo de instancia de un bloc de notas Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md). |
| ![\[El icono de Clúster.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-cluster.png) | **Clúster** Conecte su portátil a un clúster de Amazon EMR y escale sus trabajos de ETL o realice un entrenamiento de modelos a gran escala con Apache Spark, Hive o Presto. Para obtener más información, consulte [Preparación de datos con Amazon EMR](studio-notebooks-emr-cluster.md). |
| **Python 3 (Data Science)** | **Núcleo e imagen SageMaker ** Muestra o cambia el kernel que procesa las celdas del cuaderno. El formato es el siguiente: `Kernel (SageMaker Image)` `No Kernel` indica que el cuaderno se abrió sin especificar un kernel. Podrá editar el cuaderno, pero no podrá ejecutar ninguna celda. Para obtener más información, consulte [Cambiar la imagen o el núcleo de un bloc de notas Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md). |
| ![\[El icono de Estado ocupado del kernel.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-kernel-status.png) | **Estado del kernel ocupado** Muestra el estado ocupado del kernel. Cuando el borde del círculo y su interior son del mismo color, significa que el kernel está ocupado. El kernel está ocupado cuando se está iniciando y cuando está procesando celdas. Los estados adicionales del núcleo se muestran en la barra de estado situada en la esquina inferior izquierda de SageMaker Studio. |
| ![\[El icono de Compartir cuaderno.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-share.png) | **Compartir cuaderno** Comparte el cuaderno. Para obtener más información, consulte [Compartir y usar un bloc de notas Amazon SageMaker Studio Classic](notebooks-sharing.md). |
Para seleccionar varias celdas, haga clic en el margen izquierdo fuera de una celda. Mantenga pulsada la tecla `Shift` y use la tecla `K` o `Up` para seleccionar las celdas anteriores, o use las teclas `J` o `Down` para seleccionar las siguientes celdas.
# Instalación de bibliotecas y núcleos externos en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Los blocs de notas Amazon SageMaker Studio Classic vienen con varias imágenes ya instaladas. Estas imágenes contienen núcleos y paquetes de Python, incluidos scikit-learn, Pandas,,, y NumPy. TensorFlow PyTorch MXNet También puede instalar sus propias imágenes que contienen la opción de los paquetes y kernels. Para obtener más información sobre cómo instalar su propia imagen, consulte [Imágenes personalizadas en Amazon SageMaker Studio Classic](studio-byoi.md).
Los distintos núcleos de Jupyter de las libretas Amazon SageMaker Studio Classic son entornos conda independientes. Para obtener información acerca de los entornos Conda, consulte [Managing environments](https://conda.io/docs/user-guide/tasks/manage-environments.html).
## Herramientas de instalación de paquetes
**importante**
Actualmente, todos los paquetes de las SageMaker libretas de Amazon cuentan con licencia para su uso con Amazon SageMaker AI y no requieren licencias comerciales adicionales. Sin embargo, esto podría estar sujeto a cambios en el futuro, por lo que recomendamos revisar los términos de licencia con regularidad para comprobar las actualizaciones.
El método que se utiliza para instalar los paquetes de Python desde el terminal varía según la imagen. Studio Classic admite las siguientes herramientas de instalación de paquetes:
+ **Cuadernos**: se admiten los siguientes comandos. Si una de las siguientes opciones no funciona en la imagen, pruebe con la otra.
+ `%conda install`
+ `%pip install`
+ **El terminal de Jupyter**: puede instalar paquetes directamente con pip y conda. También se puede utilizar `apt-get install` para instalar paquetes del sistema desde la terminal.
**nota**
No recomendamos usar `pip install -u` o`pip install --user`, ya que esos comandos instalan paquetes en el volumen Amazon EFS del usuario y pueden bloquear el reinicio de las JupyterServer aplicaciones. En lugar de ello, utilice una configuración del ciclo de vida para volver a instalar los paquetes necesarios al reiniciar la aplicación, como se muestra en [Instalación de paquetes mediante las configuraciones del ciclo de vida](#nbi-add-external-lcc).
Recomendamos usar `%pip` y `%conda` para instalar los paquetes desde un cuaderno, ya que tienen en cuenta correctamente el entorno activo o el intérprete que se está utilizando. Para obtener más información, consulte [Añadir las funciones mágicas %pip y %conda](https://github.com/ipython/ipython/pull/11524). También puede usar la sintaxis de comandos del sistema (las líneas comienzan por \$1) para instalar paquetes. Por ejemplo, `!pip install` y `!conda install`.
### Conda
Conda es un sistema de administración de paquetes y un sistema de administración de entornos de código abierto que puede instalar paquetes y sus dependencias. SageMaker AI admite el uso de conda con el canal conda-forge. Para obtener más información, consulte [Conda channels](https://docs.conda.io/projects/conda/en/latest/user-guide/concepts/channels.html). El canal conda-forge es un canal comunitario en el que los colaboradores pueden subir paquetes.
**nota**
La instalación de paquetes desde conda-forge puede tardar hasta 10 minutos. El tiempo está relacionado con la forma en que conda resuelve el gráfico de dependencias.
Todos los entornos proporcionados por la SageMaker IA son funcionales. Es posible que los paquetes instalados por el usuario no funcionen correctamente.
Conda tiene dos métodos para activar entornos: `conda activate`, y `source activate`. Para obtener más información, consulte [Administración del entorno](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html).
**Operaciones conda admitidas**
+ `conda install` de un paquete en un solo entorno
+ `conda install` de un paquete en todos los entornos
+ Instalación de un paquete desde el repositorio principal de conda
+ Instalación de un paquete desde conda-forge
+ Cambio de la ubicación de instalación de conda para usar Amazon EBS
+ Compatible con `conda activate` y `source activate`
### Pip
Pip es la herramienta para instalar y administrar paquetes de Python. De forma predeterminada, Pip busca paquetes en el Índice de paquetes de Python (PyPI). A diferencia de conda, pip no tiene soporte de entorno integrado. Por lo tanto, pip no es tan exhaustivo como conda en relación con los paquetes con dependencias nativas o de bibliotecas del sistema. Pip se puede usar para instalar paquetes en entornos conda. Puede usar repositorios de paquetes alternativos con pip en lugar de PyPI.
**Operaciones pip admitidas**
+ Uso de pip para instalar un paquete sin un entorno conda activo
+ Uso de pip para instalar un paquete en un entorno conda
+ Uso de pip para instalar un paquete en todos los entornos conda
+ Cambio de la ubicación de instalación de pip para usar Amazon EBS
+ Uso de un repositorio alternativo para instalar paquetes con pip
### No se admite
SageMaker La IA tiene como objetivo respaldar tantas operaciones de instalación de paquetes como sea posible. Sin embargo, si los paquetes los ha instalado SageMaker AI y se utilizan las siguientes operaciones en ellos, es posible que el entorno se vuelva inestable:
+ Desinstalación
+ Degradación
+ Mejora
Debido a posibles problemas con las condiciones o configuraciones de la red, o con la disponibilidad de conda o los paquetes PyPi, es posible que no se instalen en un período de tiempo fijo o determinista.
**nota**
Si se intenta instalar un paquete en un entorno con dependencias incompatibles, se puede producir un error. Si se producen problemas, puede ponerse en contacto con el responsable de la biblioteca para actualizar las dependencias del paquete. Al modificar el entorno, por ejemplo, al eliminar o actualizar los paquetes existentes, puede provocar inestabilidad en ese entorno.
## Instalación de paquetes mediante las configuraciones del ciclo de vida
Instala imágenes y núcleos personalizados en el volumen Amazon EBS de la instancia de Studio Classic para que persistan cuando detengas y reinicies el bloc de notas, y para que la IA no actualice las bibliotecas externas que instales. SageMaker Para ello, utilice una configuración del ciclo de vida que incluya un script que se ejecute al crear el cuaderno (`on-create)`) y un script que se ejecute cada vez que se reinicie el cuaderno (`on-start`). Para obtener más información sobre el uso de las configuraciones de ciclo de vida con Studio Classic, consulte [Utilice las configuraciones del ciclo de vida para personalizar Amazon SageMaker Studio Classic](studio-lcc.md). Para ver ejemplos de scripts de configuración del ciclo de vida, consulte los ejemplos de [configuración del ciclo de vida clásico de SageMaker AI Studio](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples).
# Compartir y usar un bloc de notas Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Puede compartir sus blocs de notas Amazon SageMaker Studio Classic con sus compañeros. El cuaderno compartido es una copia. Después de compartir el cuaderno, los cambios que realice en el original no se reflejan en el compartido y los cambios realizados por su compañero en sus copias compartidas del cuaderno no aparecerán en el cuaderno original. Si desea compartir la versión más reciente, debe crear una nueva instantánea y, a continuación, compartirla.
**Topics**
+ [Compartir un cuaderno](#notebooks-sharing-share)
+ [Usar un cuaderno compartido](#notebooks-sharing-using)
+ [Espacios compartidos y colaboración en tiempo real](#notebooks-sharing-rtc)
## Compartir un cuaderno
La siguiente captura de pantalla muestra el menú de un cuaderno de Studio Classic.
![\[La ubicación del icono de Compartir en un cuaderno de Studio Classic.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-notebook-menu-share.png)
**Para compartir un cuaderno**
1. En la esquina superior derecha del cuaderno, elija **Compartir**.
1. (Opcional) En **Crear instantánea compartible**, elija cualquiera de los siguientes elementos:
+ **Incluir información del repositorio de Git**: incluye un enlace al repositorio de Git que contiene el cuaderno. Esto le permite a usted y a su destinatario colaborar y contribuir en el mismo repositorio de Git.
+ **Incluir salida**: incluye toda la salida del cuaderno que se ha guardado.
**nota**
Si es usuario de IAM Identity Center y no ve estas opciones, es probable que el administrador de IAM Identity Center deshabilitara la característica. Póngase en contacto con el administrador.
1. Seleccione **Crear**.
1. Una vez creada la instantánea, elija **Copy link (Copiar enlace)** y, a continuación, elija **Close (Cerrar)**.
1. Comparta el enlace con su colega.
Después de seleccionar las opciones de uso compartido, se le proporcionará una URL. Puedes compartir este enlace con los usuarios que tengan acceso a Amazon SageMaker Studio Classic. Cuando el usuario abre la URL, se le pide que inicie sesión al usar IAM Identity Center o la autenticación de IAM. Este cuaderno compartido se convierte en una copia, por lo que los cambios realizados por el destinatario no se reproducirán en el cuaderno original.
## Usar un cuaderno compartido
Utilice un cuaderno compartido de la misma manera que lo haría con cualquier cuaderno que haya creado usted mismo. Primero debe iniciar sesión en su cuenta y, a continuación, abrir el enlace compartido. Si no tiene una sesión activa, recibirá un mensaje de error.
Al seleccionar un enlace a un cuaderno compartido por primera vez, se abrirá una versión de solo lectura del cuaderno. Para editar el cuaderno compartido, elija **Crear una copia**. Se copiará el cuaderno compartido en su almacenamiento personal.
La libreta copiada se lanza en una instancia del tipo de instancia y la SageMaker imagen que utilizaba la libreta cuando el remitente la compartió. Si actualmente no está ejecutando una instancia del tipo de instancia, se inicia una nueva instancia. La personalización de la SageMaker imagen no se comparte. También puede inspeccionar la instantánea del cuaderno seleccionando **Detalles de la instantánea**.
A continuación se proporcionan consideraciones importantes sobre el uso compartido y la autenticación:
+ Si tiene una sesión activa, verá una vista de solo lectura del cuaderno hasta que elija **Crear una copia**.
+ Si no tiene una sesión activa, debe iniciar sesión.
+ Si utiliza IAM para iniciar sesión, después de iniciar sesión, seleccione su perfil de usuario y, a continuación, elija **Abrir Studio Classic**. A continuación tiene que elegir el enlace que le enviaron.
+ Si usa IAM Identity Center, después de iniciar sesión, el cuaderno compartido se abrirá automáticamente en Studio.
## Espacios compartidos y colaboración en tiempo real
Un espacio compartido consta de una JupyterServer aplicación compartida y un directorio compartido. Una ventaja clave de un espacio compartido es que facilita la colaboración entre los miembros del espacio compartido en tiempo real. Los usuarios que colaboran en un espacio de trabajo obtienen acceso a una aplicación de Studio Classic compartida en la que pueden acceder a sus cuadernos, leerlos y editarlos en tiempo real. La colaboración en tiempo real solo se admite para JupyterServer aplicaciones dentro de un espacio compartido. Los usuarios con acceso a un espacio compartido pueden abrir, ver, editar y ejecutar de forma simultánea los cuadernos de Jupyter en la aplicación de Studio Classic compartida de ese espacio. Para obtener más información sobre los espacios compartidos y la colaboración en tiempo real, consulte [Colaboración con espacios compartidos](domain-space.md).
# Obtenga metadatos de aplicaciones y cuadernos clásicos de Amazon SageMaker Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Puede acceder a los metadatos del bloc de notas y a los metadatos de la aplicación mediante la interfaz de usuario clásica de Amazon SageMaker Studio.
**Topics**
+ [Obtención de metadatos de cuadernos de Studio Classic](#notebooks-run-and-manage-metadata-notebook)
+ [Obtener metadatos de aplicaciones](#notebooks-run-and-manage-metadata-app)
## Obtención de metadatos de cuadernos de Studio Classic
Los cuadernos de Jupyter contienen metadatos opcionales a los que puede acceder a través de la interfaz de usuario clásica de Amazon SageMaker Studio.
**Para ver los metadatos del cuaderno:**
1. En la barra lateral derecha, seleccione el icono del **Inspector de propiedades** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/gears.png)).
1. Abra la sección de **herramientas avanzadas**.
Los metadatos deben tener un aspecto similar a lo siguiente.
```
{
"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"
}
}
```
## Obtener metadatos de aplicaciones
Al crear un bloc de notas en Amazon SageMaker Studio Classic, los metadatos de la aplicación se escriben en un archivo denominado `resource-metadata.json` en la carpeta`/opt/ml/metadata/`. Para obtener los metadatos de la aplicación, abra un terminal de imagen desde el cuaderno. Los metadatos proporcionan la siguiente información, que incluye la SageMaker imagen y el tipo de instancia en los que se ejecuta el bloc de notas:
+ **AppType** – `KernelGateway`
+ **DomainId**— Igual que el Studio ClassicID
+ **UserProfileName**— El nombre de perfil del usuario actual
+ **ResourceArn**— El nombre del recurso de Amazon (ARN) de la aplicación, que incluye el tipo de instancia
+ **ResourceName**— El nombre de la imagen SageMaker
Studio Classic podría incluir metadatos adicionales para uso interno y están sujetos a cambios.
**Para obtener los metadatos de la aplicación**
1. En el centro del menú del cuaderno, elija el icono de **Iniciar terminal** (![\[Dollar sign icon representing currency or financial transactions.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png)). Esto abre un terminal en la SageMaker imagen en la que se ejecuta el portátil.
1. Ejecute los siguientes comandos para mostrar el contenido del archivo `resource-metadata.json`.
```
$ cd /opt/ml/metadata/
cat resource-metadata.json
```
El archivo debe ser similar al siguiente.
```
{
"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":""
}
```
# Descubre las diferencias entre los portátiles en Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Puedes mostrar la diferencia entre el bloc de notas actual y el último punto de control o la última confirmación de Git mediante la interfaz de usuario de Amazon SageMaker AI.
La siguiente captura de pantalla muestra el menú de un cuaderno de Studio Classic.
![\[La ubicación del menú correspondiente en un cuaderno de Studio Classic.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-notebook-menu-diffs.png)
**Topics**
+ [Obtener la diferencia con el último punto de comprobación](#notebooks-diff-checkpoint)
+ [Obtener la diferencia con la última confirmación](#notebooks-diff-git)
## Obtener la diferencia con el último punto de comprobación
Al crear un cuaderno, se crea un archivo de punto de comprobación oculto que coincide con el cuaderno creado. Puede ver los cambios entre el cuaderno y el archivo de punto de comprobación o revertir el cuaderno para que coincida con el archivo de punto de comprobación.
De forma predeterminada, los cuadernos se guardan automáticamente cada 120 segundos y también cuando se cierra el cuaderno. Sin embargo, el archivo de punto de comprobación no se actualiza para que coincida con el cuaderno. Para guardar el cuaderno y actualizar el archivo de punto de comprobación para que coincida, debe elegir el icono **Guardar cuaderno y crear punto de comprobación** (![\[Padlock icon representing security or access control in cloud services.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png)) a la izquierda del menú del cuaderno o usar el método abreviado del teclado `Ctrl + S`.
Para ver los cambios entre el cuaderno y el archivo de punto de comprobación, elija el icono de **Diferencias con punto de comprobación** (![\[Clock icon representing time or duration in a user interface.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png)) en el centro del menú del cuaderno.
Para revertir el cuaderno al archivo de punto de comprobación, en el menú principal de Studio Classic, elija **Archivo** y, a continuación, **Revertir cuaderno al punto de comprobación**.
## Obtener la diferencia con la última confirmación
Si se abre un cuaderno desde un repositorio de Git, puede ver la diferencia entre el cuaderno y la última confirmación de Git.
Para ver los cambios en el cuaderno desde la última confirmación de Git, elija el icono de **Diferencia con Git** (![\[Dark button with white text displaying "git" in lowercase letters.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png)) en el centro del menú del cuaderno.
# Administra los recursos de las libretas clásicas de Amazon SageMaker Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Puedes cambiar el tipo de instancia, la SageMaker imagen y el núcleo desde una libreta Amazon SageMaker Studio Classic. Para crear un kernel personalizado para usarlo con sus cuadernos, consulte [Imágenes personalizadas en Amazon SageMaker Studio Classic](studio-byoi.md).
**Topics**
+ [Cambiar el tipo de instancia de un bloc de notas Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md)
+ [Cambiar la imagen o el núcleo de un bloc de notas Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md)
+ [Cierre los recursos de Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md)
# Cambiar el tipo de instancia de un bloc de notas Amazon SageMaker Studio Classic
Cuando abre un nuevo cuaderno de Studio Classic por primera vez, se le asigna un tipo de instancia predeterminado de Amazon Elastic Compute Cloud (Amazon EC2) para ejecutar el cuaderno. Si abre cuadernos adicionales en el mismo tipo de instancia, dichos blocs se ejecutan en la misma instancia que el primer cuaderno, incluso si los cuadernos utilizan kernels diferentes.
Con los cuadernos de Studio Classic, puede cambiar el tipo de instancia en el que se ejecuta el cuaderno desde dentro del dicho cuaderno.
La siguiente información solo se aplica a los cuadernos de Studio Classic. Para obtener información sobre cómo cambiar el tipo de instancia de una instancia de Amazon SageMaker Notebook, consulte[Actualización de una instancia de cuaderno.](nbi-update.md).
**importante**
Si cambia el tipo de instancia, se pierde la información que no se haya guardado y la configuración actual del cuaderno y es necesario volver a instalar los paquetes instalados.
El tipo de instancia anterior sigue ejecutándose aunque no haya ninguna sesión del kernel o aplicaciones activas. Debe detener explícitamente la instancia para dejar de acumular cargos. Para detener la instancia, consulte [Cierre de recursos](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions).
La siguiente captura de pantalla muestra el menú de un cuaderno de Studio Classic. El procesador y la memoria del tipo de instancia del cuaderno se muestran como **2 vCPU \$1 4 GiB**.
![\[La ubicación del procesador y la memoria del tipo de instancia del cuaderno Studio Classic.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-notebook-menu-instance.png)
**Para cambiar el tipo de instancia**
1. Seleccione el procesador y la memoria del tipo de instancia del cuaderno. Se abrirá una ventana emergente.
1. En la ventana emergente **Configurar el entorno del cuaderno**, seleccione el menú desplegable **Tipo de instancia**.
1. En el menú desplegable **Tipo de instancia**, elija uno de los tipos de instancia que aparecen en la lista.
1. Después de elegir un kernel, elija **Seleccionar**.
1. Espere a que se habilite la nueva instancia y, a continuación, se mostrará la nueva información del tipo de instancia.
Para obtener una lista de los tipos de instancia disponibles, consulte [Tipos de instancias disponibles para su uso con las libretas clásicas de Amazon SageMaker Studio](notebooks-available-instance-types.md).
# Cambiar la imagen o el núcleo de un bloc de notas Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Con las libretas Amazon SageMaker Studio Classic, puedes cambiar la imagen o el núcleo de la libreta desde dentro de la libreta.
La siguiente captura de pantalla muestra el menú de un cuaderno de Studio Classic. El núcleo y la imagen de SageMaker IA actuales se muestran como **Python 3 (Ciencia de datos)**, donde `Python 3` indica el núcleo e `Data Science` indica la imagen de SageMaker IA que contiene el núcleo. El color del círculo a la derecha indica el estado inactivo u ocupado del kernel. Cuando el borde del círculo y su interior son del mismo color, significa que el kernel está ocupado.
![\[La ubicación del kernel y la imagen actuales en la barra de menús de un cuaderno de Studio Classic.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-notebook-menu-kernel.png)
**Para cambiar la imagen o el kernel de un cuaderno**
1. Elija el image/kernel nombre en el menú del bloc de notas.
1. En la ventana emergente **Configurar el entorno del cuaderno**, seleccione el menú desplegable **Imagen** o **Kernel**.
1. En el menú desplegable, elija una de las imágenes o kernels que se muestran.
1. Después de elegir una imagen o kernel, elija **Seleccionar**.
1. Espere a que el estado del kernel se muestre como inactivo, lo que indica que el kernel se ha iniciado.
Para obtener una lista de SageMaker las imágenes y los núcleos disponibles, consulte[SageMaker Imágenes de Amazon disponibles para su uso con las libretas Studio Classic](notebooks-available-images.md).
# Cierre los recursos de Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Puede cerrar recursos individuales de Amazon SageMaker AI, incluidos cuadernos, terminales, núcleos, aplicaciones e instancias de Studio Classic. También puede cerrar todos los recursos de una de estas categorías al mismo tiempo. Amazon SageMaker Studio Classic no admite el cierre de recursos desde un bloc de notas.
**nota**
Al cerrar una instancia de cuaderno de Studio Classic, no se eliminan los recursos adicionales que haya creado en Studio Classic. Por ejemplo, los recursos adicionales pueden incluir puntos de enlace de SageMaker IA, clústeres de Amazon EMR y depósitos de Amazon S3. Para detener la acumulación de cargos, debe eliminar estos recursos manualmente. Para obtener información sobre cómo buscar recursos que acumulen cargos, consulte [Analyzing your costs with AWS Cost Explorer](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html).
En los siguientes temas se muestra cómo eliminar estos SageMaker recursos de IA.
**Topics**
+ [Cierre de un cuaderno abierto](#notebooks-run-and-manage-shut-down-notebook)
+ [Cierre de recursos](#notebooks-run-and-manage-shut-down-sessions)
## Cierre de un cuaderno abierto
Cuando se cierra un cuaderno de Studio Classic, el cuaderno no se elimina. El kernel en el que se ejecuta el cuaderno se cierra y se pierde la información no guardada en el cuaderno. Puede cerrar un cuaderno abierto desde el menú **Archivo** de Studio Classic o desde el panel Terminales y kernels en ejecución. El siguiente procedimiento muestra cómo cerrar un cuaderno abierto desde el menú **Archivo** de Studio Classic.
**Para cerrar un cuaderno abierto desde el menú Archivo**
1. Inicialice Studio Classic siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio Classic](studio-launch.md).
1. (Opcional) Guarde el contenido del cuaderno seleccionando **Archivo** y, a continuación, **Guardar cuaderno**.
1. Seleccione **Archivo**.
1. Elija **Cerrar y desactivar cuaderno**. Se abrirá una ventana emergente.
1. En la ventana emergente, elija **Aceptar**.
## Cierre de recursos
Para acceder al panel **Terminales y núcleos en ejecución** de Amazon SageMaker Studio Classic, seleccione el icono **Terminales y núcleos en ejecución** ()![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png). El panel **Terminales y kernels en ejecución** consta de cuatro secciones. Cada sección muestra todos los recursos de ese tipo. Puede cerrar cada recurso individualmente o cerrar todos los recursos de una sección al mismo tiempo.
Cuando decide cerrar todos los recursos de una sección, se produce lo siguiente:
+ ** INSTANCES/RUNNING APLICACIONES EN EJECUCIÓN**: todas las instancias, aplicaciones, blocs de notas, sesiones del núcleo, consolas/shells y terminales de imagen están apagados. Los terminales del sistema no se cierran.
+ **SESIONES DEL NÚCLEO**: todos los núcleos y cuadernos están apagados. consoles/shells
+ **SESIONES DE TERMINAL**: todos los terminales de imagen y los terminales del sistema están apagados.
**Para cerrar recursos**
1. Inicialice Studio Classic siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio Classic](studio-launch.md).
1. Elija el icono de **Terminales y kernels en ejecución**.
1. Haga una de estas dos operaciones:
+ Para cerrar un recurso específico, elija el icono de **Cerrar** en la misma fila que el recurso.
En el caso de las instancias en ejecución, un cuadro de diálogo de confirmación muestra todos los recursos que la SageMaker IA va a cerrar. Un cuadro de diálogo de confirmación muestra todas las aplicaciones en ejecución. Para continuar, elija **Cerrar todo**.
**nota**
No se muestra un cuadro de diálogo de confirmación para las sesiones del kernel o las sesiones de terminal.
+ Para cerrar todos los recursos de una sección, elija la **X** a la derecha de la etiqueta de sección. Se un cuadro de diálogo de confirmación. Seleccione **Cerrar todo** para continuar.
**nota**
Al cerrar estos recursos de Studio Classic, los recursos adicionales creados desde Studio Classic, como los puntos de enlace de SageMaker IA, los clústeres de Amazon EMR y los buckets de Amazon S3, no se eliminan. Para detener la acumulación de cargos, debe eliminar estos recursos manualmente. [Para obtener información sobre cómo encontrar recursos que estén acumulando cargos, consulte Analizar sus costos con. AWS Cost Explorer](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html)
# Medición de uso para los portátiles Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
El uso de Amazon SageMaker Studio Classic no conlleva ningún coste adicional. Los costes de funcionamiento de los portátiles, consolas y terminales interactivos de Amazon SageMaker Studio Classic se basan en el uso de las instancias de Amazon Elastic Compute Cloud (Amazon EC2).
Al ejecutar los siguientes recursos, debe elegir una SageMaker imagen y un núcleo:
**Desde el lanzador de Studio Classic**
+ Cuaderno
+ Intérprete de comandos interactivo
+ Terminal de imagen
**Desde el menú **Archivo****
+ Cuaderno
+ Consola
Cuando se inicia, el recurso se ejecuta en una instancia Amazon EC2 del tipo de instancia seleccionado. Si anteriormente se había iniciado una instancia de ese tipo y está disponible, el recurso se ejecuta en esa instancia.
Para las imágenes basadas en CPU, el tipo de instancia sugerido predeterminado es `ml.t3.medium`. Para las imágenes basadas en GPU, el tipo de instancia sugerido predeterminado es `ml.g4dn.xlarge`.
Los costes incurridos se basan en el tipo de instancias. Se le facturará por separado por cada instancia.
La medición comienza cuando se crea una instancia. La medición finaliza cuando se cierran todas las aplicaciones de la instancia o cuando se cierra la instancia. Para obtener más información sobre cómo cerrar una instancia, consulte [Cierre los recursos de Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md).
**importante**
Debe cerrar la instancia para dejar de incurrir en cargos. Si cierra el cuaderno que se ejecuta en la instancia pero no cierra la instancia, seguirá incurriendo en cargos. Al cerrar las instancias de bloc de notas de Studio Classic, no se eliminan los recursos adicionales, como los puntos de enlace de SageMaker IA, los clústeres de Amazon EMR y los buckets de Amazon S3 creados a partir de Studio Classic. Elimine esos recursos para detener la acumulación de cargos.
Cuando abre varios cuadernos en el mismo tipo de instancia, dichos blocs se ejecutan en la misma instancia, incluso si utilizan diferentes kernels. Solo se facturará el tiempo durante el que se ejecute una instancia.
Puede cambiar el tipo de instancia desde dentro del cuaderno una vez abierto. Para obtener más información, consulte [Cambiar el tipo de instancia de un bloc de notas Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md).
Para obtener información sobre la facturación junto con ejemplos de precios, consulta [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
# Recursos disponibles para los portátiles Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En las siguientes secciones se enumeran los recursos disponibles para las libretas Amazon SageMaker Studio Classic.
**Topics**
+ [Tipos de instancias disponibles para su uso con las libretas clásicas de Amazon SageMaker Studio](notebooks-available-instance-types.md)
+ [SageMaker Imágenes de Amazon disponibles para su uso con las libretas Studio Classic](notebooks-available-images.md)
# Tipos de instancias disponibles para su uso con las libretas clásicas de Amazon SageMaker Studio
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Los cuadernos Amazon SageMaker Studio Classic se ejecutan en instancias de Amazon Elastic Compute Cloud (Amazon EC2). Los siguientes tipos de instancias de Amazon EC2 están disponibles para su uso con los cuadernos de Studio Classic. Para obtener información detallada sobre qué tipos de instancias se ajustan a su caso de uso y sus capacidades de rendimiento, consulte [Tipos de instancia de Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/). Para obtener información acerca de los precios de estos tipos de instancias, consulte [Precios de Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Para obtener información sobre los tipos de instancias de Amazon SageMaker Notebook disponibles, consulte [CreateNotebookInstance](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html#sagemaker-CreateNotebookInstance-request-InstanceType).
**nota**
Para la mayoría de los casos de uso, debe utilizar un `ml.t3.medium`. Este es el tipo de instancia predeterminado para SageMaker las imágenes basadas en CPU y está disponible como parte de la capa [AWS gratuita](https://aws.amazon.com/free).
**Topics**
+ [Instancias de CPU](#notebooks-resources-no-gpu)
+ [Instancias con 1 o más GPUs](#notebooks-resources-gpu)
## Instancias de CPU
En la siguiente tabla se enumeran los tipos de instancias de CPU de Amazon EC2 disponibles para su uso con los cuadernos de Studio Classic. También incluye información sobre las especificaciones de cada tipo de instancia. Para las imágenes basadas en CPU, el tipo de instancia predeterminado es `ml.t3.medium`.
Para obtener información detallada sobre qué tipos de instancias se ajustan a su caso de uso y sus capacidades de rendimiento, consulte [Tipos de instancia de Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/). Para obtener información acerca de los precios de estos tipos de instancias, consulte [Precios de Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Instancias de CPU
| Instancia | Caso de uso | Inicio rápido | vCPU | Memoria (GiB) | Almacenamiento de la instancia (GB) |
| --- | --- | --- | --- | --- | --- |
| ml.t3.medium | Fin general | Sí | 2 | 4 | Solo Amazon EBS |
| ml.t3.large | Fin general | No | 2 | 8 | Solo Amazon EBS |
| ml.t3.xlarge | Fin general | No | 4 | 16 | Solo Amazon EBS |
| ml.t3.2xlarge | Fin general | No | 8 | 32 | Solo Amazon EBS |
| ml.m5.large | Fin general | Sí | 2 | 8 | Solo Amazon EBS |
| ml.m5.xlarge | Fin general | No | 4 | 16 | Solo Amazon EBS |
| ml.m5.2xlarge | Fin general | No | 8 | 32 | Solo Amazon EBS |
| ml.m5.4xlarge | Fin general | No | 16 | 64 | Solo Amazon EBS |
| ml.m5.8xlarge | Fin general | No | 32 | 128 | Solo Amazon EBS |
| ml.m5.12xlarge | Fin general | No | 48 | 192 | Solo Amazon EBS |
| ml.m5.16xlarge | Fin general | No | 64 | 256 | Solo Amazon EBS |
| ml.m5.24xlarge | Fin general | No | 96 | 384 | Solo Amazon EBS |
| ml.m5d.large | Fin general | No | 2 | 8 | 1 SSD de 75 NVMe |
| ml.m5d.xlarge | Fin general | No | 4 | 16 | 1 x 150 NVMe SSD |
| ml.m5d.2xlarge | Fin general | No | 8 | 32 | 1 x 300 NVMe SSD |
| ml.m5d.4xlarge | Fin general | No | 16 | 64 | 2 x 300 NVMe SSD |
| ml.m5d.8xlarge | Fin general | No | 32 | 128 | 2 x 600 NVMe SSD |
| ml.m5d.12xlarge | Fin general | No | 48 | 192 | 2 x 900 NVMe SSD |
| ml.m5d.16xlarge | Fin general | No | 64 | 256 | 4 x 600 NVMe SSD |
| ml.m5d.24xlarge | Fin general | No | 96 | 384 | 4 x 900 NVMe SSD |
| ml.c5.large | Optimizada para computación | Sí | 2 | 4 | Solo Amazon EBS |
| ml.c5.xlarge | Optimizada para computación | No | 4 | 8 | Solo Amazon EBS |
| ml.c5.2xlarge | Optimizada para computación | No | 8 | 16 | Solo Amazon EBS |
| ml.c5.4xlarge | Optimizada para computación | No | 16 | 32 | Solo Amazon EBS |
| ml.c5.9xlarge | Optimizada para computación | No | 36 | 72 | Solo Amazon EBS |
| ml.c5.12xlarge | Optimizada para computación | No | 48 | 96 | Solo Amazon EBS |
| ml.c5.18xlarge | Optimizada para computación | No | 72 | 144 | Solo Amazon EBS |
| ml.c5.24xlarge | Optimizada para computación | No | 96 | 192 | Solo Amazon EBS |
| ml.r5.large | Optimizada para memoria | No | 2 | 16 | Solo Amazon EBS |
| ml.r5.xlarge | Optimizada para memoria | No | 4 | 32 | Solo Amazon EBS |
| ml.r5.2xlarge | Optimizada para memoria | No | 8 | 64 | Solo Amazon EBS |
| ml.r5.4xlarge | Optimizada para memoria | No | 16 | 128 | Solo Amazon EBS |
| ml.r5.8xlarge | Optimizada para memoria | No | 32 | 256 | Solo Amazon EBS |
| ml.r5.12xlarge | Optimizada para memoria | No | 48 | 384 | Solo Amazon EBS |
| ml.r5.16xlarge | Optimizada para memoria | No | 64 | 512 | Solo Amazon EBS |
| ml.r5.24xlarge | Optimizada para memoria | No | 96 | 768 | Solo Amazon EBS |
## Instancias con 1 o más GPUs
En la siguiente tabla se enumeran los tipos de instancias de Amazon EC2 con 1 o más GPUs adjuntos que están disponibles para su uso con las libretas Studio Classic. También incluye información sobre las especificaciones de cada tipo de instancia. El tipo de instancia predeterminado para las imágenes basadas en GPU es `ml.g4dn.xlarge`.
Para obtener información detallada sobre qué tipos de instancias se ajustan a su caso de uso y sus capacidades de rendimiento, consulte [Tipos de instancia de Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/). Para obtener información acerca de los precios de estos tipos de instancias, consulte [Precios de Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Instancias con 1 o más GPUs
| Instancia | Caso de uso | Inicio rápido | GPUs | vCPU | Memoria (GiB) | Memoria de GPU (GiB) | Almacenamiento de la instancia (GB) |
| --- | --- | --- | --- | --- | --- | --- | --- |
| ml.p3.2xlarge | Computación acelerada | No | 1 | 8 | 61 | 16 | Solo Amazon EBS |
| ml.p3.8xlarge | Computación acelerada | No | 4 | 32 | 244 | 64 | Solo Amazon EBS |
| ml.p3.16xlarge | Computación acelerada | No | 8 | 64 | 488 | 128 | Solo Amazon EBS |
| ml.p3dn.24xlarge | Computación acelerada | No | 8 | 96 | 768 | 256 | 2 unidades de NVMe estado sólido de 900 unidades |
| ml.p4d.24xlarge | Computación acelerada | No | 8 | 96 | 1152 | 320 GB HBM2 | 8 x 1000 NVMe SSD |
| ml.p4de.24xlarge | Computación acelerada | No | 8 | 96 | 1152 | 640 GB HBM2e | 8 x 1000 NVMe SSD |
| ml.g4dn.xlarge | Computación acelerada | Sí | 1 | 4 | 16 | 16 | 1 x 125 NVMe SSD |
| ml.g4dn.2xlarge | Computación acelerada | No | 1 | 8 | 32 | 16 | 1 x 225 NVMe SSD |
| ml.g4dn.4xlarge | Computación acelerada | No | 1 | 16 | 64 | 16 | 1 x 225 NVMe SSD |
| ml.g4dn.8xlarge | Computación acelerada | No | 1 | 32 | 128 | 16 | 1 x 900 NVMe SSD |
| ml.g4dn.12xlarge | Computación acelerada | No | 4 | 48 | 192 | 64 | 1 x 900 NVMe SSD |
| ml.g4dn.16xlarge | Computación acelerada | No | 1 | 64 | 256 | 16 | 1 x 900 NVMe SSD |
| ml.g5.xlarge | Computación acelerada | No | 1 | 4 | 16 | 24 | 1 x 250 NVMe SSD |
| ml.g5.2xlarge | Computación acelerada | No | 1 | 8 | 32 | 24 | 1 x 450 NVMe SSD |
| ml.g5.4xlarge | Computación acelerada | No | 1 | 16 | 64 | 24 | 1 x 600 NVMe SSD |
| ml.g5.8xlarge | Computación acelerada | No | 1 | 32 | 128 | 24 | 1 x 900 NVMe SSD |
| ml.g5.12xlarge | Computación acelerada | No | 4 | 48 | 192 | 96 | 1 x 3800 SSD NVMe |
| ml.g5.16xlarge | Computación acelerada | No | 1 | 64 | 256 | 24 | 1 x SSD 1900 NVMe |
| ml.g5.24xlarge | Computación acelerada | No | 4 | 96 | 384 | 96 | 1 x 3800 SSD NVMe |
| ml.g5.48xlarge | Computación acelerada | No | 8 | 192 | 768 | 192 | 2 unidades SSD 3800 NVMe |
# SageMaker Imágenes de Amazon disponibles para su uso con las libretas Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En esta página se enumeran las SageMaker imágenes y los núcleos asociados que están disponibles en Amazon SageMaker Studio Classic. Esta página también proporciona información sobre el formato necesario para crear el ARN de cada imagen. SageMaker las imágenes contienen el [SDK de Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) más reciente y la última versión del núcleo. Para obtener más información, consulte [Imágenes de contenedores de aprendizaje profundo](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/deep-learning-containers-images.html).
**Topics**
+ [Formato de ARN de imagen](#notebooks-available-images-arn)
+ [Etiquetas de URI compatibles](#notebooks-available-uri-tag)
+ [Imágenes compatibles](#notebooks-available-images-supported)
+ [Imágenes programadas para su obsolescencia](#notebooks-available-images-deprecation)
+ [Imágenes obsoletas](#notebooks-available-images-deprecated)
## Formato de ARN de imagen
En la siguiente tabla se muestran los formatos de URI y ARN de imagen para cada región. Para crear el ARN completo de una imagen, sustituya el *resource-identifier* marcador de posición por el identificador de recurso correspondiente a la imagen. El identificador de recursos se encuentra en la tabla de SageMaker imágenes y núcleos. Para crear el URI completo de una imagen, sustituya el *tag* marcador de posición por la etiqueta cpu o gpu correspondiente. Para ver la lista de etiquetas que puede usar, consulte [Etiquetas de URI compatibles](#notebooks-available-uri-tag).
**nota**
SageMaker Las imágenes de distribución utilizan un conjunto de imágenes distinto ARNs, que se muestran en la siguiente tabla.
| Region | Formato de ARN de imagen | SageMaker Formato ARN de imagen de distribución | SageMaker Formato URI de imagen de distribución |
| --- | --- | --- | --- |
| 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 |
## Etiquetas de URI compatibles
La siguiente lista muestra las etiquetas que puede incluir en el URI de su imagen.
+ 1-cpu
+ 1-gpu
+ 0-cpu
+ 0-gpu
**Los siguientes ejemplos se muestran con varios formatos de etiquetas: 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
## Imágenes compatibles
En la siguiente tabla se proporciona información sobre las SageMaker imágenes y los núcleos asociados que están disponibles en Amazon SageMaker Studio Classic. También proporciona información acerca del identificador de recursos y la versión de Python incluidos en la imagen.
SageMaker imágenes y núcleos
| SageMaker Imagen | Description (Descripción) | Identificador de recursos | Kernels (e identificador) | Versión de Python |
| --- | --- | --- | --- | --- |
| Python 4.3 básico | Imagen oficial de Python 3.11 tomada DockerHub con boto3 e incluida. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Python 4.2 básico | Imagen oficial de Python 3.11 tomada DockerHub con boto3 e incluida. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Python 4.1 básico | Imagen oficial de Python 3.11 tomada DockerHub con boto3 e incluida. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Python 4.0 básico | Imagen oficial de Python 3.11 tomada DockerHub con boto3 e incluida. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Base Python 3.0 | Imagen oficial de Python 3.10 DockerHub con boto3 e incluida. AWS CLI | sagemaker-base-python-310-v1 | Python 3 (python3) | Python 3.10 |
| Data Science 5.3 | Data Science 5.3 es una imagen [conda](https://docs.conda.io/projects/conda/en/latest/index.html) de Python 3.11 basada en la versión jammy-20240212 de Ubuntu. Incluye los paquetes y bibliotecas de Python más utilizados, como NumPy SciKit Learn. | sagemaker-data-science-v5. | Python 3 (python3) | Python 3.11 |
| Data Science 5.2 | Data Science 5.2 es una imagen [conda](https://docs.conda.io/projects/conda/en/latest/index.html) de Python 3.11 basada en la versión jammy-20240212 de Ubuntu. Incluye los paquetes y bibliotecas de Python más utilizados, como NumPy SciKit Learn. | sagemaker-data-science-v5. | Python 3 (python3) | Python 3.11 |
| Data Science 5.1 | Data Science 5.1 es una imagen [conda](https://docs.conda.io/projects/conda/en/latest/index.html) de Python 3.11 basada en la versión jammy-20240212 de Ubuntu. Incluye los paquetes y bibliotecas de Python más utilizados, como NumPy SciKit Learn. | sagemaker-data-science-v5. | Python 3 (python3) | Python 3.11 |
| Data Science 5.0 | Data Science 5.0 es una imagen [conda](https://docs.conda.io/projects/conda/en/latest/index.html) de Python 3.11 basada en la versión jammy-20240212 de Ubuntu. Incluye los paquetes y bibliotecas de Python más utilizados, como NumPy SciKit Learn. | sagemaker-data-science-v5. | Python 3 (python3) | Python 3.11 |
| Data Science 4.0 | Data Science 4.0 es una imagen [conda](https://docs.conda.io/projects/conda/en/latest/index.html) de Python 3.11 basada en Ubuntu versión 22.04. Incluye los paquetes y bibliotecas de Python más utilizados, como NumPy SciKit Learn. | sagemaker-data-science-311-v1 | Python 3 (python3) | Python 3.11 |
| Data Science 3.0 | Data Science 3.0 es una imagen [conda](https://docs.conda.io/projects/conda/en/latest/index.html) de Python 3.10 basada en Ubuntu versión 22.04. Incluye los paquetes y bibliotecas de Python más utilizados, como NumPy SciKit Learn. | sagemaker-data-science-310-v1 | Python 3 (python3) | Python 3.10 |
| Geospatial 1.0 | Amazon SageMaker geospatial es una imagen de Python que consta de bibliotecas geoespaciales de uso común, como GDAL, Fiona GeoPandas, Shapley y Rasterio. Le permite visualizar datos geoespaciales dentro de la IA. SageMaker Para obtener más información, consulte [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 | La imagen SparkAnalytics 4.3 proporciona opciones de PySpark kernel y Spark en Amazon SageMaker Studio Classic, incluidas SparkMagic Spark SparkMagic PySpark, Glue Spark y Glue PySpark, lo que permite un procesamiento de datos distribuido y flexible. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.2 | La imagen SparkAnalytics 4.2 proporciona opciones de PySpark kernel y Spark en Amazon SageMaker Studio Classic, incluidas SparkMagic Spark SparkMagic PySpark, Glue Spark y Glue PySpark, lo que permite un procesamiento de datos distribuido y flexible. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.1 | La imagen SparkAnalytics 4.1 proporciona opciones de PySpark kernel y Spark en Amazon SageMaker Studio Classic, incluidas SparkMagic Spark SparkMagic PySpark, Glue Spark y Glue PySpark, lo que permite un procesamiento de datos distribuido y flexible. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.0 | La imagen SparkAnalytics 4.0 proporciona opciones de PySpark kernel y Spark en Amazon SageMaker Studio Classic, incluidas SparkMagic Spark SparkMagic PySpark, Glue Spark y Glue PySpark, lo que permite un procesamiento de datos distribuido y flexible. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 3.0 | La imagen SparkAnalytics 3.0 proporciona opciones de PySpark kernel y Spark en Amazon SageMaker Studio Classic, incluidas SparkMagic Spark SparkMagic PySpark, Glue Spark y Glue PySpark, lo que permite un procesamiento de datos distribuido y flexible. | sagemaker-sparkanalytics-311-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 2.0 | Edición individual de Anaconda con núcleos PySpark Spark. Para obtener más información, consulte [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkanalytics-310-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.10 |
| PyTorch 2.4.0 Python 3.11 Optimizado para CPU | Los AWS Deep Learning Containers para PyTorch 2.4.0 con CUDA 12.4 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 Optimizado para GPU | Los AWS Deep Learning Containers para PyTorch 2.4.0 con CUDA 12.4 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 Optimizado para CPU | Los AWS Deep Learning Containers para PyTorch 2.3.0 con CUDA 12.1 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 Optimizado para GPU | Los AWS Deep Learning Containers para PyTorch 2.3.0 con CUDA 12.1 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 Optimizado para CPU | Los AWS Deep Learning Containers para PyTorch 2.2 con CUDA 12.1 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para GPU | Los AWS Deep Learning Containers para PyTorch 2.2 con CUDA 12.1 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 Optimizado para CPU | Los AWS Deep Learning Containers para PyTorch 2.1 con CUDA 12.1 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para GPU | Los AWS Deep Learning Containers para PyTorch 2.1 con CUDA 12.1 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 Optimizado para neuronas | PyTorch Imagen 1.13 con paquetes Neuron instalados para el entrenamiento en instancias de Trainium optimizadas para mejorar el rendimiento HuggingFace y la escalabilidad. AWS | hf-neuron-pypytorch-1.13- 310 | Python 3 (python3) | Python 3.10 |
| PyTorch 1.13 Python 3.10 Optimizado para neuronas | PyTorch Imagen de la versión 1.13 con los paquetes Neuron instalados para el entrenamiento en instancias de Trainium optimizadas para mejorar el rendimiento y la escalabilidad. AWS | pytorch-1.13-neuron-py310 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.14.0 Python 3.10 Optimizado para CPU | Los AWS Deep Learning Containers para TensorFlow 2.14 con CUDA 11.8 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para GPU | Los AWS Deep Learning Containers para TensorFlow 2.14 con CUDA 11.8 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 |
## Imágenes programadas para su obsolescencia
SageMaker La IA deja de dar soporte a las imágenes el día siguiente al final de su vida útil por parte del editor de alguno de los paquetes de la imagen. Está previsto que las siguientes SageMaker imágenes queden en desuso.
Imágenes basadas en Python 3.8 publicadas [end-of-life](https://endoflife.date/python)el 31 de octubre de 2024. A partir del 1 de noviembre de 2024, la SageMaker IA dejará de admitir estas imágenes y no se podrán seleccionar desde la interfaz de usuario de Studio Classic. Para evitar problemas de disconformidad normativa, si utiliza alguna de estas imágenes, le recomendamos que cambie a una imagen con una versión posterior.
SageMaker imágenes cuya obsolescencia está prevista
| SageMaker Imagen | Fecha de baja | Description (Descripción) | Identificador de recursos | Kernels | Versión de Python |
| --- | --- | --- | --- | --- | --- |
| SageMaker CPU de distribución v0.12 | 1 de noviembre de 2024 | SageMaker Distribution v0 CPU es una imagen de Python 3.8 que incluye marcos populares para el machine learning, la ciencia de datos y la visualización en la CPU. Esto incluye marcos de aprendizaje profundo como PyTorch TensorFlow y Keras; paquetes populares de Python como numpy, scikit-learn y pandas; y como Jupyter Lab. IDEs Para obtener más información, consulta el repositorio de [Amazon SageMaker AI Distribution](https://github.com/aws/sagemaker-distribution). | 0 sagemaker-distribution-cpu-v | Python 3 (python3) | Python 3.8 |
| SageMaker GPU Distribution v0.12 | 1 de noviembre de 2024 | SageMaker Distribution v0 GPU es una imagen de Python 3.8 que incluye marcos populares para el machine learning, la ciencia de datos y la visualización en la GPU. Esto incluye marcos de aprendizaje profundo como PyTorch TensorFlow y Keras; paquetes populares de Python como numpy, scikit-learn y pandas; y como Jupyter Lab. IDEs Para obtener más información, consulta el repositorio de [Amazon SageMaker AI Distribution](https://github.com/aws/sagemaker-distribution). | 0 sagemaker-distribution-gpu-v | Python 3 (python3) | Python 3.8 |
| Base Python 2.0 | 1 de noviembre de 2024 | Imagen oficial de Python 3.8 DockerHub con boto3 e AWS CLI incluida. | sagemaker-base-python-38 | Python 3 (python3) | Python 3.8 |
| Data Science 2.0 | 1 de noviembre de 2024 | Data Science 2.0 es una imagen [conda](https://docs.conda.io/projects/conda/en/latest/index.html) de Python 3.8 basada en Ubuntu versión 22.04. Incluye los paquetes y bibliotecas de Python más utilizados, como NumPy SciKit Learn. | sagemaker-data-science-38 | Python 3 (python3) | Python 3.8 |
| PyTorch 1.13 Python 3.9 optimizado para CPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para la PyTorch versión 1.13 con CUDA 11.3 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para GPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para la PyTorch versión 1.13 con CUDA 11.7 incluyen contenedores para el entrenamiento en la GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para CPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para la PyTorch versión 1.12 con CUDA 11.3 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [AWS Deep Learning Containers para 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 optimizado para GPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para la PyTorch versión 1.12 con CUDA 11.3 incluyen contenedores para el entrenamiento en la GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [AWS Deep Learning Containers para 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 optimizado para CPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para la PyTorch versión 1.10 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la AWS escalabilidad. Para obtener más información, consulte [AWS Deep Learning Containers para la PyTorch versión 1.10.2 sobre SageMaker IA](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 optimizado para GPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para la PyTorch versión 1.10 con CUDA 11.3 incluyen contenedores para el entrenamiento en la GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [AWS Deep Learning Containers para la PyTorch versión 1.10.2 sobre SageMaker IA](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 de noviembre de 2024 | Edición individual de Anaconda con núcleos PySpark Spark. Para obtener más información, consulte [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkanalytics-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.8 |
| TensorFlow 2.13.0 Python 3.10 Optimizado para CPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para TensorFlow 2.13 con CUDA 11.8 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de la versión para contenedores de aprendizaje profundo](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 optimizado para GPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para TensorFlow 2.13 con CUDA 11.8 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para CPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para TensorFlow 2.6 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad AWS. Para obtener más información, consulte [AWS Deep Learning Containers para 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 optimizado para GPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para TensorFlow 2.6 con CUDA 11.2 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [AWS Deep Learning Containers para 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 Optimizado para CPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para PyTorch 2.0.1 con CUDA 12.1 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para GPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para PyTorch 2.0.1 con CUDA 12.1 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 Optimizado para CPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para PyTorch 2.0.0 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para GPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para PyTorch 2.0.0 con CUDA 11.8 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 Optimizado para CPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para TensorFlow 2.12.0 con CUDA 11.2 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para GPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para TensorFlow 2.12.0 con CUDA 11.8 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 Optimizado para CPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para TensorFlow 2.11.0 con CUDA 11.2 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para GPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para TensorFlow 2.11.0 con CUDA 11.2 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para CPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para TensorFlow 2.10 con CUDA 11.2 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 optimizado para GPU | 1 de noviembre de 2024 | Los AWS Deep Learning Containers para TensorFlow 2.10 con CUDA 11.2 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [Notas de versión para contenedores de aprendizaje profundo](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 |
## Imágenes obsoletas
SageMaker La IA ha dejado de dar soporte a las siguientes imágenes. La obsolescencia se produce el día después de que alguno de los paquetes de la imagen llegue al final de su vida útil determinado por su publicador.
SageMaker imágenes cuya obsolescencia está prevista
| SageMaker Imagen | Fecha de baja | Description (Descripción) | Identificador de recursos | Kernels | Versión de Python |
| --- | --- | --- | --- | --- | --- |
| Data Science | 30 de octubre de 2023 | Data Science es una imagen [conda](https://docs.conda.io/projects/conda/en/latest/index.html) de Python 3.7 con los paquetes y bibliotecas de Python más utilizados, como NumPy SciKit Learn. | datascience-1.0 | Python 3 | Python 3.7 |
| SageMaker JumpStart Ciencia de datos 1.0 | 30 de octubre de 2023 | SageMaker JumpStart Data Science 1.0 es una JumpStart imagen que incluye paquetes y bibliotecas de uso común. | sagemaker-jumpstart-data-science-1.0 | Python 3 | Python 3.7 |
| SageMaker JumpStart MXNet 1,0 | 30 de octubre de 2023 | SageMaker JumpStart MXNet 1.0 es una JumpStart imagen que incluye MXNet. | sagemaker-jumpstart-mxnet-1.0 | Python 3 | Python 3.7 |
| SageMaker JumpStart PyTorch 1,0 | 30 de octubre de 2023 | SageMaker JumpStart PyTorch 1.0 es una JumpStart imagen que incluye PyTorch. | sagemaker-jumpstart-pytorch-1.0 | Python 3 | Python 3.7 |
| SageMaker JumpStart TensorFlow 1,0 | 30 de octubre de 2023 | SageMaker JumpStart TensorFlow 1.0 es una JumpStart imagen que incluye TensorFlow. | sagemaker-jumpstart-tensorflow-1.0 | Python 3 | Python 3.7 |
| SparkMagic | 30 de octubre de 2023 | Edición individual de Anaconda con PySpark núcleos Spark. Para obtener más información, consulte [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkmagic | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.7 |
| TensorFlow 2.3 Python 3.7 Optimizado para CPU | 30 de octubre de 2023 | Los AWS Deep Learning Containers para TensorFlow 2.3 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la escalabilidad AWS. Para obtener más información, consulte [AWS Deep Learning Containers con 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 Optimizado para GPU | 30 de octubre de 2023 | Los AWS Deep Learning Containers para TensorFlow 2.3 con CUDA 11.0 incluyen contenedores para el entrenamiento en GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [AWS Deep Learning Containers para TensorFlow 2.3.1 con CUDA 11.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-3-1-with-cuda-11-0/). | tensorflow-2.3-gpu-py37-cu110-ubuntu18.04-v3 | Python 3 | Python 3.7 |
| TensorFlow 1.15 Python 3.7 Optimizado para CPU | 30 de octubre de 2023 | Los AWS Deep Learning Containers para la TensorFlow versión 1.15 incluyen contenedores para el entrenamiento en la CPU, optimizados para el rendimiento y la AWS escalabilidad. Para obtener más información, consulte [AWS Deep Learning Containers v7.0 para 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 optimizado para GPU | 30 de octubre de 2023 | Los AWS Deep Learning Containers para la TensorFlow versión 1.15 con CUDA 11.0 incluyen contenedores para el entrenamiento en la GPU, optimizados para el rendimiento y la escalabilidad. AWS Para obtener más información, consulte [AWS Deep Learning Containers v7.0 para 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 |
# Personaliza Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Existen cuatro opciones para personalizar el entorno de Amazon SageMaker Studio Classic. Aporta su propia SageMaker imagen, utiliza un script de configuración del ciclo de vida, adjunta los repositorios de Git sugeridos a Studio Classic o crea núcleos mediante entornos Conda persistentes en Amazon EFS. Utilice cada opción de forma individual o conjunta.
+ **Traiga su propia SageMaker imagen:** una SageMaker imagen es un archivo que identifica los núcleos, los paquetes de idioma y otras dependencias necesarias para ejecutar un cuaderno de Jupyter en Amazon Studio Classic. SageMaker Amazon SageMaker AI proporciona muchas imágenes integradas para que las utilices. Si necesita una funcionalidad diferente, puede llevar sus propias imágenes personalizadas a Studio Classic.
+ **Utilice las configuraciones del ciclo de vida con Amazon SageMaker Studio Classic:** las configuraciones del ciclo de vida son scripts de shell activados por eventos del ciclo de vida de Amazon SageMaker Studio Classic, como iniciar un nuevo bloc de notas de Studio Classic. Puede utilizar las configuraciones del ciclo de vida para automatizar la personalización de su entorno de Studio Classic. Por ejemplo, puede instalar paquetes personalizados, configurar extensiones de notebook, cargar previamente conjuntos de datos y configurar repositorios de código fuente.
+ **Adjunta los repositorios de Git sugeridos a Studio Classic:** puedes adjuntar el repositorio de Git sugerido URLs a nivel de dominio de Amazon SageMaker AI o perfil de usuario. A continuación, puede seleccionar la URL del repositorio de la lista de sugerencias y clonarla en su entorno mediante la extensión de Git en Studio Classic.
+ **Mantener los entornos de Conda en el volumen de Amazon EFS de Studio Classic:** Studio Classic utiliza un volumen de Amazon EFS como capa de almacenamiento persistente. Puede guardar su entorno de Conda en este volumen de Amazon EFS y, a continuación, utilizar el entorno guardado para crear kernels. Studio Classic recoge automáticamente todos los entornos válidos guardados en Amazon EFS como KernelGateway núcleos. Estos kernels persisten hasta que se reinicia el kernel, la aplicación y Studio Classic. Para obtener más información, consulte la sección **Persistir los entornos de Conda en el volumen EFS de Studio Classic** en [Cuatro enfoques para administrar paquetes de Python en los cuadernos de Amazon SageMaker Studio Classic](https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/).
En los temas siguientes se muestra cómo utilizar estas tres opciones para personalizar el entorno de Amazon SageMaker Studio Classic.
**Topics**
+ [Imágenes personalizadas en Amazon SageMaker Studio Classic](studio-byoi.md)
+ [Utilice las configuraciones del ciclo de vida para personalizar Amazon SageMaker Studio Classic](studio-lcc.md)
+ [Adjunta los repositorios de Git sugeridos a Amazon SageMaker Studio Classic](studio-git-attach.md)
# Imágenes personalizadas en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Una SageMaker imagen es un archivo que identifica los núcleos, los paquetes de idioma y otras dependencias necesarias para ejecutar un cuaderno de Jupyter en Amazon Studio Classic. SageMaker Estas imágenes se utilizan para crear un entorno desde el que se ejecutan los cuadernos de Jupyter. Amazon SageMaker AI proporciona muchas imágenes integradas para que las utilices. Para ver la lista de imágenes integradas, consulte [SageMaker Imágenes de Amazon disponibles para su uso con las libretas Studio Classic](notebooks-available-images.md).
Si necesita una funcionalidad diferente, puede llevar sus propias imágenes personalizadas a Studio Classic. Puede crear imágenes y versiones de imágenes y adjuntar versiones de imágenes a su dominio o espacio compartido mediante el panel de control de SageMaker IA [AWS SDK para Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html), y [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/). También puedes crear imágenes y versiones de imágenes con la consola de SageMaker IA, incluso si no te has incorporado a un dominio de SageMaker IA. SageMaker AI proporciona archivos Dockerfiles de muestra para usarlos como punto de partida para tus SageMaker imágenes personalizadas en el repositorio de muestras de imágenes [personalizadas de SageMaker Studio Classic](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/).
En los siguientes temas se explica cómo crear tu propia imagen mediante la consola de SageMaker IA o AWS CLI, a continuación, lanzar la imagen en Studio Classic. Para ver un artículo de blog similar, consulte [Cómo incorporar su propio entorno R a Amazon SageMaker Studio Classic](https://aws.amazon.com/blogs/machine-learning/bringing-your-own-r-environment-to-amazon-sagemaker-studio/). Para ver cuadernos que muestran cómo crear su propia imagen para utilizarla en el entrenamiento y la inferencia, consulte la [CLI de compilación de contenedores clásicos de Amazon SageMaker Studio](https://github.com/aws/amazon-sagemaker-examples/tree/main/aws_sagemaker_studio/sagemaker_studio_image_build).
## Terminología clave
En la siguiente sección se definen los términos clave para llevar su propia imagen para su uso con Studio Classic.
+ **Dockerfile:** un Dockerfile es un archivo que identifica los paquetes de idioma y otras dependencias de la imagen de Docker.
+ **Imagen de Docker:** la imagen de Docker es un Dockerfile compilado. Esta imagen está registrada en Amazon ECR y sirve de base para la imagen de SageMaker IA.
+ **SageMaker imagen:** una SageMaker imagen es el soporte para un conjunto de versiones de imágenes de SageMaker IA basadas en imágenes de Docker. Cada versión de imagen es inmutable.
+ **Versión de imagen:** una versión de imagen de una SageMaker imagen representa una imagen de Docker y se almacena en un repositorio de Amazon ECR. Cada versión de imagen es inmutable. Estas versiones de imágenes se pueden asociar a un dominio o espacio compartido y usarse con Studio Classic.
**Topics**
+ [Terminología clave](#studio-byoi-basics)
+ [Especificaciones SageMaker de imagen personalizadas para Amazon SageMaker Studio Classic](studio-byoi-specs.md)
+ [Requisitos previos para imágenes personalizadas en Amazon SageMaker Studio Classic](studio-byoi-prereq.md)
+ [Añadir una imagen de Docker compatible con Amazon SageMaker Studio Classic a Amazon ECR](studio-byoi-sdk-add-container-image.md)
+ [Creación de una SageMaker imagen personalizada para Amazon SageMaker Studio Classic](studio-byoi-create.md)
+ [Adjunta una SageMaker imagen personalizada en Amazon SageMaker Studio Classic](studio-byoi-attach.md)
+ [Lanzamiento de una SageMaker imagen personalizada en Amazon SageMaker Studio Classic](studio-byoi-launch.md)
+ [Limpie los recursos para imágenes personalizadas en Amazon SageMaker Studio Classic](studio-byoi-cleanup.md)
# Especificaciones SageMaker de imagen personalizadas para Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Las siguientes especificaciones se aplican a la imagen del contenedor que se representa mediante una versión de imagen de SageMaker IA.
**Ejecutar la imagen**
`ENTRYPOINT`y se anulan `CMD` las instrucciones para permitir que la imagen se ejecute como una KernelGateway aplicación.
El puerto 8888 de la imagen está reservado para ejecutar el servidor KernelGateway web.
**Detener la imagen**
La API `DeleteApp` emite el equivalente de un comando `docker stop`. Los demás procesos del contenedor no recibirán las SIGKILL/SIGTERM señales.
**Descubrimiento de kernel**
SageMaker [La IA reconoce los núcleos tal y como los definen las especificaciones del núcleo de Jupyter.](https://jupyter-client.readthedocs.io/en/latest/kernels.html#kernelspecs)
Puede especificar una lista de kernels que se van a mostrar antes de ejecutar la imagen. Si no se especifica, se muestra python3. Utilice la [DescribeAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAppImageConfig.html)API para ver la lista de núcleos.
Los entornos Conda se reconocen como especificaciones del kernel de forma predeterminada.
**Sistema de archivos**
Los directorios `/opt/.sagemakerinternal` y `/opt/ml` están reservados. Es posible que los datos de estos directorios no estén visibles en tiempo de ejecución.
**Datos de usuario**
Cada usuario de un dominio obtiene un directorio de usuarios en un volumen compartido de Amazon Elastic File System de la imagen. La ubicación del directorio del usuario actual en el volumen de Amazon EFS se puede configurar. El directorio `/home/sagemaker-user` es la ubicación predeterminada del archivo.
SageMaker La IA configura los UID/GID mapeos POSIX entre la imagen y el host. De forma predeterminada, mapea las del usuario raíz UID/GID (0/0) con las del host. UID/GID
Puede especificar estos valores mediante la [CreateAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html)API.
**Límites de GID/UID**
Amazon SageMaker Studio Classic solo admite lo siguiente `DefaultUID` y `DefaultGID` combinaciones:
+ DefaultUID: 1000 y DefaultGID: 100, que corresponde a un usuario sin privilegios.
+ DefaultUID: 0 y DefaultGID: 0, que corresponde al acceso raíz.
**Metadatos**
Hay un archivo de metadatos en `/opt/ml/metadata/resource-metadata.json`. No se añaden variables de entorno adicionales a las variables definidas en la imagen. Para obtener más información, consulte [Obtener metadatos de aplicaciones](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app).
**GPU**
En una instancia de GPU, la imagen se ejecuta con la opción `--gpus`. Solo debe incluirse el kit de herramientas CUDA en la imagen, no en los controladores NVIDIA. Para obtener más información, consulte la [Guía del usuario de NVIDIA](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/user-guide.html).
**Métricas y registro**
Los registros del KernelGateway proceso se envían a Amazon CloudWatch en la cuenta del cliente. El nombre del grupo de registro es `/aws/sagemaker/studio`. El nombre del flujo de registro. es `$domainID/$userProfileName/KernelGateway/$appName`.
**Tamaño de imagen**
Limitado a 35 GB. Para ver el tamaño de la imagen, ejecute `docker image ls`.
## Ejemplo de Dockerfile
El siguiente ejemplo de Dockerfile crea un Amazon Linux 2 basado en imágenes, instala paquetes de terceros y el kernel `python3`, y establece el ámbito para el usuario sin privilegios.
```
FROM public.ecr.aws/amazonlinux/amazonlinux:2
ARG NB_USER="sagemaker-user"
ARG NB_UID="1000"
ARG NB_GID="100"
RUN \
yum install --assumeyes python3 shadow-utils && \
useradd --create-home --shell /bin/bash --gid "${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}
```
# Requisitos previos para imágenes personalizadas en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Debe cumplir los siguientes requisitos previos para traer su propio contenedor para usarlo con Amazon SageMaker Studio Classic.
+ La aplicación Docker. Para obtener información sobre cómo configurar Docker, consulte [Orientación y configuración](https://docs.docker.com/get-started/).
+ Instálelo AWS CLI siguiendo los pasos que se indican en [Introducción al AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html).
+ Una copia local de cualquier Dockerfile para crear una imagen compatible con Studio Classic. Para ver ejemplos de imágenes personalizadas, consulta el repositorio de [ejemplos de imágenes personalizadas de SageMaker AI Studio Classic](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/).
+ Permisos para acceder al servicio Amazon Elastic Container Registry (Amazon ECR). Para obtener más información, consulte [Políticas administradas de Amazon ECR](https://docs.aws.amazon.com/AmazonECR/latest/userguide/ecr_managed_policies.html).
+ Un rol AWS Identity and Access Management de ejecución al que se adjunta la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política. Si te has incorporado al dominio de Amazon SageMaker AI, puedes obtener el puesto en la sección **Resumen del dominio** del panel de control de SageMaker IA.
+ Instale la CLI de compilación de imágenes de Studio Classic siguiendo los pasos de [SageMaker Docker Build](https://github.com/aws-samples/sagemaker-studio-image-build-cli). Esta CLI le permite crear un Dockerfile utilizando. AWS CodeBuild
# Añadir una imagen de Docker compatible con Amazon SageMaker Studio Classic a Amazon ECR
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Lleve a cabo los siguientes pasos para agregar una imagen de contenedor a Amazon ECR:
+ Cree un repositorio de Amazon ECR.
+ Autentíquese en Amazon ECR.
+ Cree una imagen de Docker compatible con Studio Classic.
+ Cargue la imagen en el repositorio de Amazon ECR.
**nota**
El repositorio de Amazon ECR debe estar en el mismo lugar que el Región de AWS de Studio Classic.
**Para crear y añadir una imagen de contenedor a Amazon ECR**
1. Cree un repositorio de Amazon ECR usando AWS CLI. Para crear el repositorio mediante la consola de Amazon ECR, consulte [Crear un repositorio](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--repository-name smstudio-custom \
--image-scanning-configuration scanOnPush=true
```
El resultado debería ser similar al siguiente.
```
{
"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. Genere el `Dockerfile` con la CLI de compilación de imágenes de Studio Classic. El punto (.) especifica que Dockerfile debe estar en el contexto del comando de compilación. Este comando crea la imagen y carga la imagen compilada en el repositorio ECR. A continuación, emite el URI de la imagen.
```
sm-docker build . --repository smstudio-custom:custom
```
El resultado debería ser similar al siguiente.
```
Image URI: .dkr.ecr..amazonaws.com/
```
# Creación de una SageMaker imagen personalizada para Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En este tema se describe cómo crear una SageMaker imagen personalizada mediante la consola SageMaker AI o AWS CLI.
Al crear una imagen desde la consola, la SageMaker IA también crea una versión inicial de la imagen. La versión de la imagen representa una imagen de contenedor en [Amazon Elastic Container Registry (ECR)](https://console.aws.amazon.com/ecr/). La imagen del contenedor debe cumplir los requisitos para su uso en Amazon SageMaker Studio Classic. Para obtener más información, consulte [Especificaciones SageMaker de imagen personalizadas para Amazon SageMaker Studio Classic](studio-byoi-specs.md). Para obtener información sobre cómo probar la imagen localmente y resolver problemas comunes, consulte el [repositorio de muestras de imágenes personalizadas de SageMaker Studio Classic](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md).
Una vez que haya creado SageMaker la imagen personalizada, debe adjuntarla a su dominio o espacio compartido para usarla con Studio Classic. Para obtener más información, consulte [Adjunta una SageMaker imagen personalizada en Amazon SageMaker Studio Classic](studio-byoi-attach.md).
## Cree una SageMaker imagen desde la consola
En la siguiente sección se muestra cómo crear una SageMaker imagen personalizada desde la consola de SageMaker IA.
**Para crear una imagen**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administrador**, elija **Imágenes**.
1. En la página **Imágenes personalizadas**, elija **Crear imagen**.
1. Para **Fuente de imagen**, introduzca la ruta de registro de la imagen de contenedor en Amazon ECR. La ruta tiene el siguiente formato:
` acct-id.dkr.ecr.region.amazonaws.com/repo-name[:tag] or [@digest] `
1. Seleccione **Siguiente**.
1. En **Propiedades de imagen**, introduzca lo siguiente:
+ Nombre de imagen: el nombre debe ser exclusivo de su cuenta en la Región de AWS actual.
+ (Opcional) Nombre para mostrar: nombre que se muestra en la interfaz de usuario de Studio Classic. Cuando no se proporciona, se muestra `Image name`.
+ (Opcional) Descripción: descripción de la imagen.
+ Función de IAM: la función debe tener la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política adjunta. Utilice el menú desplegable para elegir una de las opciones siguientes:
+ Crear un nuevo rol: especifique cualquier bucket adicional de Amazon Simple Storage Service (Amazon S3) al que desee que los usuarios de sus cuadernos tengan acceso. Si no desea permitir el acceso a buckets adicionales, elija **Ninguno**.
SageMaker La IA vincula la `AmazonSageMakerFullAccess` política a la función. El rol permite a los usuarios de sus cuadernos acceder a los buckets de S3 que aparecen junto a las marcas de verificación.
+ Introducir un ARN de rol de IAM personalizado: introduzca el nombre de recurso de Amazon (ARN) de su rol de IAM.
+ Usar rol existente: elija uno de los roles existentes de la lista.
+ (Opcional) Etiquetas de imagen: elija **Añadir nueva etiqueta**. Puede añadir hasta 50 etiquetas. Las etiquetas se pueden buscar mediante la interfaz de usuario de Studio Classic, la consola de SageMaker IA o la `Search` API de SageMaker IA.
1. Elija **Enviar**.
La nueva imagen se muestra en la lista **Imágenes personalizadas** y se resalta brevemente. Una vez creada correctamente la imagen, puede elegir el nombre de la imagen para ver sus propiedades o elegir **Crear versión** para crear otra versión.
**Para crear otra versión de la imagen**
1. Elija **Crear versión** en la misma fila que la imagen.
1. Para **Fuente de imagen**, introduzca la ruta de registro de la imagen de contenedor de Amazon ECR. La imagen del contenedor no debe ser la misma imagen que se usó en una versión anterior de la SageMaker imagen.
## Cree una SageMaker imagen a partir de AWS CLI
Realice los siguientes pasos para crear una SageMaker imagen a partir de la imagen del contenedor mediante el AWS CLI.
+ Cree una `Image`.
+ Cree una `ImageVersion`.
+ Cree un archivo de configuración.
+ Cree una `AppImageConfig`.
**Para crear las entidades SageMaker de imagen**
1. Cree una SageMaker imagen.
```
aws sagemaker create-image \
--image-name custom-image \
--role-arn arn:aws:iam:::role/service-role/
```
El resultado debería ser similar al siguiente.
```
{
"ImageArn": "arn:aws:sagemaker:us-east-2:acct-id:image/custom-image"
}
```
1. Cree una versión SageMaker de imagen a partir de la imagen del contenedor.
```
aws sagemaker create-image-version \
--image-name custom-image \
--base-image .dkr.ecr..amazonaws.com/smstudio-custom:custom-image
```
El resultado debería ser similar al siguiente.
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1"
}
```
1. Compruebe que la versión de la imagen se haya creado correctamente.
```
aws sagemaker describe-image-version \
--image-name custom-image \
--version-number 1
```
El resultado debería ser similar al siguiente.
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1",
"ImageVersionStatus": "CREATED"
}
```
**nota**
Si la respuesta es `"ImageVersionStatus": "CREATED_FAILED"`, también incluye el motivo del error. Un problema de permisos es una causa común de error. También puedes comprobar tus CloudWatch registros de Amazon si se produce un error al iniciar o ejecutar la KernelGateway aplicación para obtener una imagen personalizada. El nombre del grupo de registro es `/aws/sagemaker/studio`. El nombre del flujo de registro es `$domainID/$userProfileName/KernelGateway/$appName`.
1. Cree un archivo de configuración llamado `app-image-config-input.json`. El valor `Name` de `KernelSpecs` debe coincidir con el nombre de kernelSpec disponible en la imagen asociada a esta `AppImageConfig`. Este valor distingue entre mayúsculas y minúsculas. Puede encontrar las kernelSpecs disponibles en una imagen ejecutando `jupyter-kernelspec list` desde un intérprete de comandos dentro del contenedor. `MountPath` es la ruta dentro de la imagen para montar el directorio principal de Amazon Elastic File System (Amazon EFS). Debe ser diferente de la ruta que utiliza dentro del contenedor porque esa ruta se anulará cuando se monte el directorio principal de Amazon EFS.
**nota**
Las siguientes combinaciones de `DefaultUID` y `DefaultGID` son los únicos valores aceptables:
DefaultUID: 1000 y DefaultGID: 100
DefaultUID: 0 y DefaultGID: 0
```
{
"AppImageConfigName": "custom-image-config",
"KernelGatewayImageConfig": {
"KernelSpecs": [
{
"Name": "python3",
"DisplayName": "Python 3 (ipykernel)"
}
],
"FileSystemConfig": {
"MountPath": "/home/sagemaker-user",
"DefaultUid": 1000,
"DefaultGid": 100
}
}
}
```
1. Crea el archivo AppImageConfig con el archivo creado en el paso anterior.
```
aws sagemaker create-app-image-config \
--cli-input-json file://app-image-config-input.json
```
El resultado debería ser similar al siguiente.
```
{
"AppImageConfigArn": "arn:aws:sagemaker:us-east-2:acct-id:app-image-config/custom-image-config"
}
```
# Adjunta una SageMaker imagen personalizada en Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Para usar una SageMaker imagen personalizada, debes adjuntar una versión de la imagen a tu dominio o espacio compartido. Al adjuntar una versión de imagen, aparece en el iniciador de SageMaker Studio Classic y está disponible en la lista desplegable **Seleccionar imagen**, que los usuarios utilizan para iniciar una actividad o cambiar la imagen utilizada en un bloc de notas.
Para que una SageMaker imagen personalizada esté disponible para todos los usuarios de un dominio, debe adjuntarla al dominio. Para que una imagen esté disponible para todos los usuarios de un espacio compartido, puede asociarla al espacio compartido. Para que una imagen esté disponible para un solo usuario, asocie la imagen al perfil del usuario. Al adjuntar una imagen, SageMaker AI utiliza la versión más reciente de la imagen de forma predeterminada. También puede asociar una versión de imagen específica. Después de adjuntar la versión, puedes elegirla en el SageMaker AI Launcher o en el selector de imágenes al abrir un bloc de notas.
Existe un límite en el número de versiones de imágenes que se pueden asociar en cualquier momento. Una vez alcanzado el límite, debe desasociar una versión para asociar otra versión de la imagen.
En las siguientes secciones se muestra cómo adjuntar una SageMaker imagen personalizada a tu dominio mediante la consola SageMaker AI o el AWS CLI. Solo puede asociar una imagen personalizada a un espacio compartido mediante la AWS CLI.
## Adjunta la SageMaker imagen a un dominio
### Adjunte la SageMaker imagen mediante la consola
En este tema se describe cómo puedes adjuntar una versión de SageMaker imagen personalizada existente a tu dominio mediante el panel de control de SageMaker IA. También puedes crear una imagen y una versión de SageMaker imagen personalizadas y, a continuación, adjuntar esa versión a tu dominio. Para obtener información sobre el procedimiento para crear una imagen y una versión de imagen, consulte [Creación de una SageMaker imagen personalizada para Amazon SageMaker Studio Classic](studio-byoi-create.md).
**Para asociar una imagen existente**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la página **Dominios**, seleccione el dominio al que quiera asociar la imagen.
1. En la página **Detalles del dominio**, seleccione la pestaña **Entorno**.
1. En la pestaña **Entorno**, en **Imágenes personalizadas de SageMaker Studio Classic adjuntas al dominio**, selecciona **Adjuntar imagen**.
1. Para **Fuente de imagen**, seleccione **Imagen existente**.
1. Elija en la lista una imagen existente.
1. Elija una versión de la imagen en la lista.
1. Elija **Siguiente**.
1. Compruebe los valores para **Nombre de la imagen**, **Nombre para mostrar de la imagen** y **Descripción**.
1. Elija el rol de IAM. Para obtener más información, consulte [Creación de una SageMaker imagen personalizada para Amazon SageMaker Studio Classic](studio-byoi-create.md).
1. (Opcional) Agregar etiquetas para la imagen.
1. Especifique la ruta de montaje de EFS. Esta es la ruta dentro de la imagen para montar el directorio principal de Amazon Elastic File System (EFS) del usuario.
1. En **Tipo de imagen**, selecciona **Imagen de SageMaker estudio**
1. Para **Nombre del kernel**, introduzca el nombre de un kernel existente en la imagen. Para obtener información sobre cómo obtener la información del núcleo a partir de la imagen, consulte [DESARROLLO](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md) en el repositorio de muestras de imágenes personalizadas de SageMaker Studio Classic. Para obtener más información, consulte las secciones **Descubrimiento de kernel** y **Datos de usuario** de [Especificaciones SageMaker de imagen personalizadas para Amazon SageMaker Studio Classic](studio-byoi-specs.md).
1. (Opcional) Para **Nombre de visualización del kernel**, introduzca el nombre para mostrar del kernel.
1. Seleccione **Añadir kernel**.
1. Elija **Enviar**.
1. Espere a que la versión de la imagen se asocie al dominio. Cuando se asocia, la versión se muestra en la lista **Imágenes personalizadas** y aparece resaltada brevemente.
### Adjunte la SageMaker imagen mediante el AWS CLI
En las siguientes secciones se muestra cómo adjuntar una SageMaker imagen personalizada al crear un nuevo dominio o actualizar el dominio existente mediante el AWS CLI.
#### Adjunta la SageMaker imagen a un dominio nuevo
En la siguiente sección se muestra cómo crear un nuevo dominio con la versión asociada. Estos pasos requieren que especifique la información y el rol de ejecución de Amazon Virtual Private Cloud (VPC) necesarios para crear el dominio. Debe realizar los siguientes pasos para crear el dominio y adjuntar la SageMaker imagen personalizada:
+ Obtenga su ID de VPC y su subred predeterminados. IDs
+ Cree el archivo de configuración para el dominio, que especifica la imagen.
+ Creación del dominio con el archivo de configuración.
**Para añadir la SageMaker imagen personalizada a tu dominio**
1. Obtenga su ID de VPC predeterminado.
```
aws ec2 describe-vpcs \
--filters Name=isDefault,Values=true \
--query "Vpcs[0].VpcId" --output text
```
El resultado debería ser similar al siguiente.
```
vpc-xxxxxxxx
```
1. Obtenga su subred predeterminada IDs con el ID de VPC del paso anterior.
```
aws ec2 describe-subnets \
--filters Name=vpc-id,Values= \
--query "Subnets[*].SubnetId" --output json
```
El resultado debería ser similar al siguiente.
```
[
"subnet-b55171dd",
"subnet-8a5f99c6",
"subnet-e88d1392"
]
```
1. Cree un archivo de configuración llamado `create-domain-input.json`. Inserte el ID de VPC, la subred y IDs uno `ImageName` `AppImageConfigName` de los pasos anteriores. Dado que no se especifica `ImageVersionNumber`, se utiliza la versión más reciente de la imagen, que es la única versión en este caso.
```
{
"DomainName": "domain-with-custom-image",
"VpcId": "",
"SubnetIds": [
""
],
"DefaultUserSettings": {
"ExecutionRole": "",
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "custom-image",
"AppImageConfigName": "custom-image-config"
}
]
}
},
"AuthMode": "IAM"
}
```
1. Cree el dominio con la imagen personalizada SageMaker adjunta.
```
aws sagemaker create-domain \
--cli-input-json file://create-domain-input.json
```
El resultado debería ser similar al siguiente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx",
"Url": "https://d-xxxxxxxxxxxx.studio.us-east-2.sagemaker.aws/..."
}
```
#### Adjunta la SageMaker imagen a tu dominio actual
Si te has incorporado a un dominio de SageMaker IA, puedes adjuntar la imagen personalizada a tu dominio actual. Para obtener más información sobre la incorporación a un dominio de SageMaker IA, consulte. [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md) No tiene que especificar la información de VPC y el rol de ejecución al asociar una imagen personalizada a su dominio actual. Después de asociar la versión, debe eliminar todas las aplicaciones de su dominio y volver a abrir Studio Classic. Para obtener información acerca de cómo eliminar un volumen, consulte [Eliminar un dominio de Amazon SageMaker AI](gs-studio-delete-domain.md).
Realiza los siguientes pasos para añadir la SageMaker imagen a tu dominio actual.
+ Obtén la tuya `DomainID` desde el panel de control de SageMaker AI.
+ Utilice el `DomainID` para obtener el `DefaultUserSettings` para el dominio.
+ Agregue el `ImageName` y la `AppImageConfig` como una `CustomImage` a la `DefaultUserSettings`.
+ Actualice el dominio para incluir la imagen personalizada.
**Para añadir la SageMaker imagen personalizada a tu dominio**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la página **Dominios**, seleccione el dominio al que quiera asociar la imagen.
1. En la página de **Detalles del dominio**, seleccione la pestaña **Configuración del dominio**.
1. En la pestaña **Configuración del dominio**, en **Configuración general**, busque el `DomainId`. El ID tendrá el siguiente formato: `d-xxxxxxxxxxxx`.
1. Utilice el ID de dominio para obtener la descripción del dominio.
```
aws sagemaker describe-domain \
--domain-id
```
El resultado debería ser similar al siguiente.
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Guarde la sección de configuración de usuario predeterminada de la respuesta en un archivo denominado `default-user-settings.json`.
1. Inserte el `ImageName` y la `AppImageConfigName` de los pasos anteriores como imagen personalizada. Dado que no se especifica `ImageVersionNumber`, se utiliza la versión más reciente de la imagen, que es la única versión en este caso.
```
{
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "string",
"AppImageConfigName": "string"
}
],
...
}
}
}
```
1. Utilice el ID de dominio y el archivo de configuración de usuario predeterminado para actualizar el dominio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-user-settings.json
```
El resultado debería ser similar al siguiente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
## Adjunta la SageMaker imagen a un espacio compartido
Solo puede adjuntar la SageMaker imagen a un espacio compartido mediante AWS CLI. Después de asociar la versión, debe eliminar todas las aplicaciones de su espacio compartido y volver a abrir Studio Classic. Para obtener información acerca de cómo eliminar un volumen, consulte [Eliminar un dominio de Amazon SageMaker AI](gs-studio-delete-domain.md).
Realice los siguientes pasos para añadir la SageMaker imagen a un espacio compartido.
+ Consíguelo `DomainID` desde el panel de control de SageMaker AI.
+ Utilice el `DomainID` para obtener el `DefaultSpaceSettings` para el dominio.
+ Agregue el `ImageName` y la `AppImageConfig` como una `CustomImage` a la `DefaultSpaceSettings`.
+ Actualice su dominio para incluir la imagen personalizada para el espacio compartido.
**Para añadir la SageMaker imagen personalizada a tu espacio compartido**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la página **Dominios**, seleccione el dominio al que quiera asociar la imagen.
1. En la página de **Detalles del dominio**, seleccione la pestaña **Configuración del dominio**.
1. En la pestaña **Configuración del dominio**, en **Configuración general**, busque el `DomainId`. El ID tendrá el siguiente formato: `d-xxxxxxxxxxxx`.
1. Utilice el ID de dominio para obtener la descripción del dominio.
```
aws sagemaker describe-domain \
--domain-id
```
El resultado debería ser similar al siguiente.
```
{
"DomainId": "d-xxxxxxxxxxxx",
...
"DefaultSpaceSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Guarde la sección de configuración de espacio predeterminada de la respuesta en un archivo denominado `default-space-settings.json`.
1. Inserte el `ImageName` y la `AppImageConfigName` de los pasos anteriores como imagen personalizada. Dado que no se especifica `ImageVersionNumber`, se utiliza la versión más reciente de la imagen, que es la única versión en este caso.
```
{
"DefaultSpaceSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "string",
"AppImageConfigName": "string"
}
],
...
}
}
}
```
1. Utilice el ID de dominio y el archivo de configuración de espacio predeterminado para actualizar el dominio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-space-settings.json
```
El resultado debería ser similar al siguiente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
## Vea la imagen adjunta en SageMaker AI
Tras crear la SageMaker imagen personalizada y adjuntarla a tu dominio, la imagen aparecerá en la pestaña **Entorno** del dominio. Solo puede ver las imágenes adjuntas de los espacios compartidos AWS CLI mediante el siguiente comando.
```
aws sagemaker describe-domain \
--domain-id
```
# Lanzamiento de una SageMaker imagen personalizada en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Tras crear la SageMaker imagen personalizada y adjuntarla a su dominio o espacio compartido, la imagen personalizada y el núcleo aparecen en los selectores del cuadro de diálogo **Cambiar entorno** del lanzador clásico de Studio.
**Para iniciar y seleccionar la imagen personalizada y el kernel**
1. En Amazon SageMaker Studio Classic, abre el lanzador. Para abrir el Launcher, selecciona **Amazon SageMaker Studio Classic** en la parte superior izquierda de la interfaz de Studio Classic o usa el método abreviado `Ctrl + Shift + L` de teclado.
Para obtener más información sobre todas las formas disponibles de abrir el lanzador, consulte [Usa el Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
![\[SageMaker Lanzador de Studio Classic.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-new-launcher.png)
1. En el lanzador, en la sección **Cuadernos y recursos informáticos**, seleccione **Cambiar entorno**.
1. En el cuadro de diálogo **Cambiar entorno**, utilice los menús desplegables para seleccionar su **Imagen** en la sección **Imagen personalizada**, y también su **Kernel** y, a continuación, seleccione **Seleccionar**.
1. En el lanzador, seleccione **Crear cuaderno** o **Abrir terminal de imágenes**. El cuaderno o el terminal se inician en la imagen personalizada y el kernel seleccionados.
Para cambiar la imagen o el kernel en un cuaderno abierto, consulte [Cambiar la imagen o el núcleo de un bloc de notas Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
**nota**
Si encuentras un error al lanzar la imagen, comprueba tus CloudWatch registros de Amazon. El nombre del grupo de registro es `/aws/sagemaker/studio`. El nombre del flujo de registro es `$domainID/$userProfileName/KernelGateway/$appName`.
# Limpie los recursos para imágenes personalizadas en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En las siguientes secciones se muestra cómo limpiar los recursos que creaste en las secciones anteriores desde la consola de SageMaker IA o AWS CLI. Lleve a cabo los siguientes pasos para limpiar los recursos:
+ Desasocie la imagen y las versiones de imagen de su dominio.
+ Elimine la imagen, la versión de la imagen y la configuración de imágenes de la aplicación.
+ Elimine la imagen del contenedor y el repositorio de Amazon ECR. Para obtener más información, consulte [Eliminación de un repositorio](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-delete.html).
## Limpia los recursos de la consola de SageMaker IA
En la siguiente sección, se muestra cómo limpiar los recursos de la consola de SageMaker IA.
Al desasociar una imagen de un dominio, se desasocian todas las versiones de la imagen. Cuando se desasocia una imagen, todos los usuarios del dominio pierden el acceso a las versiones de imagen. Un cuaderno en ejecución que tenga una sesión de kernel en una versión de imagen cuando la versión se desasocie seguirá ejecutándose. Cuando se detiene el cuaderno o se cierra el kernel, la versión de la imagen deja de estar disponible.
**Para eliminar una imagen**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administrador**, elija **Imágenes**.
1. En **Imágenes de Custom SageMaker Studio Classic adjuntas al dominio**, selecciona la imagen y, a continuación, selecciona **Separar**.
1. (Opcional) Para eliminar la imagen y todas las versiones de SageMaker AI, selecciona **Eliminar también las imágenes seleccionadas...** . Esto no elimina las imágenes de contenedor asociadas de Amazon ECR.
1. Elija **Desasociar**.
## Limpie los recursos del AWS CLI
En la siguiente sección se muestra cómo limpiar recursos desde la AWS CLI.
**Cómo limpiar los recursos**
1. Desasocie la imagen y las versiones de imagen del dominio pasando una lista de imágenes personalizadas vacía al dominio. Abra el archivo `default-user-settings.json` que creó en [Adjunta la SageMaker imagen a tu dominio actual](studio-byoi-attach.md#studio-byoi-sdk-attach-current-domain). Para desasociar la imagen y la versión de la imagen de un espacio compartido, abra el archivo `default-space-settings.json`.
1. Elimine las imágenes personalizadas y guarde el archivo.
```
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
},
...
}
```
1. Utilice el ID de dominio y el archivo de configuración de usuario predeterminado para actualizar el dominio. Para actualizar su espacio compartido, use el archivo de configuración de espacio predeterminado.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-user-settings.json
```
El resultado debería ser similar al siguiente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
1. Elimine la configuración de imágenes de la aplicación.
```
aws sagemaker delete-app-image-config \
--app-image-config-name custom-image-config
```
1. Elimine la SageMaker imagen, lo que también eliminará todas las versiones de la imagen. Las imágenes de contenedores de ECR representadas por las versiones de la imagen no se eliminan.
```
aws sagemaker delete-image \
--image-name custom-image
```
# Utilice las configuraciones del ciclo de vida para personalizar Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic activa los scripts de shell de configuración del ciclo de vida durante eventos importantes del ciclo de vida, como iniciar un nuevo bloc de notas de Studio Classic. Puede utilizar las configuraciones del ciclo de vida para automatizar la personalización de su entorno de Studio Classic. Esta personalización incluye la instalación de paquetes personalizados, la configuración de extensiones de cuadernos, la precarga de conjuntos de datos y la configuración de repositorios de código fuente.
El uso de configuraciones del ciclo de vida le proporciona flexibilidad y control para configurar Studio Classic para satisfacer sus necesidades específicas. Por ejemplo, puede utilizar imágenes de contenedor personalizadas con scripts de configuración del ciclo de vida para modificar el entorno. En primer lugar, cree un conjunto mínimo de imágenes de contenedor base y, a continuación, instale los paquetes y las bibliotecas más utilizados en esas imágenes. Una vez que haya completado las imágenes, utilice las configuraciones del ciclo de vida para instalar paquetes adicionales para casos de uso específicos. Esto le brinda flexibilidad para modificar el entorno en todos sus equipos de ciencia de datos y machine learning en función de sus necesidades.
Los usuarios solo pueden seleccionar los scripts de configuración del ciclo de vida a los que tienen acceso. Si bien puede dar acceso a varios scripts de configuración del ciclo de vida, también puede establecer scripts de configuración del ciclo de vida predeterminados para recursos. Según el recurso para el que esté establecida la configuración del ciclo de vida predeterminada, la configuración predeterminada se ejecuta automáticamente o es la primera opción que se muestra.
Para ver ejemplos de scripts de configuración del ciclo de vida, consulte el [ GitHub repositorio de ejemplos de configuración del ciclo de vida de Studio Classic](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples). Para ver un blog sobre la implementación de la configuración del ciclo de vida, consulte [Personalización de Amazon SageMaker Studio Classic mediante configuraciones del ciclo](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/) de vida.
**nota**
Cada script tiene un límite de **16 384 caracteres**.
**Topics**
+ [Creación y asociación de una configuración de ciclo de vida con Amazon SageMaker Studio Classic](studio-lcc-create.md)
+ [Establecer las configuraciones de ciclo de vida predeterminadas para Amazon SageMaker Studio Classic](studio-lcc-defaults.md)
+ [Depuración de configuraciones del ciclo de vida en Amazon SageMaker Studio Classic](studio-lcc-debug.md)
+ [Actualice y separe las configuraciones del ciclo de vida en Amazon SageMaker Studio Classic](studio-lcc-delete.md)
# Creación y asociación de una configuración de ciclo de vida con Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Amazon SageMaker AI proporciona aplicaciones interactivas que permiten la interfaz visual, la creación de código y la experiencia de ejecución de Studio Classic. Esta serie muestra cómo crear una configuración de ciclo de vida y asociarla a un dominio de SageMaker IA.
Los tipos de aplicación pueden ser de `JupyterServer` o de `KernelGateway`.
+ **Aplicaciones de `JupyterServer`:** este tipo de aplicación permite el acceso a la interfaz visual de Studio Classic. Cada usuario y espacio compartido de Studio Classic tiene su propia JupyterServer aplicación.
+ **Aplicaciones de `KernelGateway`:** este tipo de aplicación permite el acceso al entorno de ejecución de código y a los kernels de sus cuadernos y terminales de Studio Classic. Para obtener más información, consulte [Puerta de enlace del kernel de Jupyter](https://jupyter-kernel-gateway.readthedocs.io/en/latest/).
Para obtener más información sobre la arquitectura de Studio Classic y las aplicaciones de Studio Classic, consulte [Uso de los cuadernos Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html).
**Topics**
+ [Cree una configuración de ciclo de AWS CLI vida desde Amazon SageMaker Studio Classic](studio-lcc-create-cli.md)
+ [Cree una configuración de ciclo de vida desde la consola de SageMaker IA para Amazon SageMaker Studio Classic](studio-lcc-create-console.md)
# Cree una configuración de ciclo de AWS CLI vida desde Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En el siguiente tema, se muestra cómo crear una configuración de ciclo de vida mediante la AWS CLI automatización de la personalización de su entorno de Studio Classic.
## Requisitos previos
Antes de comenzar, complete los siguientes requisitos previos:
+ AWS CLI Actualízala siguiendo los pasos que se indican en [Instalación de la AWS CLI versión actual](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ En el equipo local, ejecute `aws configure` y proporcione sus credenciales de AWS . Para obtener información sobre AWS las credenciales, consulte [Descripción y obtención de AWS las credenciales](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Inscríbase en un dominio de SageMaker IA siguiendo los pasos que se indican a continuación[Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Paso 1: creación de una configuración del ciclo de vida
En el siguiente procedimiento se muestra cómo crear un script de configuración del ciclo de vida que presente el mensaje `Hello World`.
**nota**
Cada script puede tener hasta **16 384 caracteres**.
1. En su equipo local, cree un archivo con el nombre `my-script.sh` que contenga lo siguiente.
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Convierta su archivo `my-script.sh` al formato base64. Este requisito evita errores debidos a la codificación del espaciado y los saltos de línea.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Cree una configuración del ciclo de vida para usar en Studio Classic. El siguiente comando crea una configuración del ciclo de vida que se ejecuta al iniciar una aplicación de `KernelGateway` asociada.
```
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
```
Tenga en cuenta el ARN de la configuración del ciclo de vida recién creada que se devuelve. Este ARN es necesario para asociar la configuración del ciclo de vida a la aplicación.
## Paso 2: Asociar la configuración del ciclo de vida a su dominio, perfil de usuario o espacio compartido
Para asociar la configuración del ciclo de vida, debe actualizar la `UserSettings` de su dominio o perfil de usuario, o la `SpaceSettings` de un espacio compartido. Todos los usuarios heredan los scripts de configuración del ciclo de vida que estén asociados a nivel de dominio. Sin embargo, los scripts asociados en el nivel de perfil de usuario se refieren a un usuario específico, mientras que los scripts asociados en el nivel de espacio compartido se limitan al espacio compartido.
En el siguiente ejemplo se muestra cómo crear un perfil de usuario con la configuración del ciclo de vida asociada. También puede crear un nuevo dominio o espacio con una configuración del ciclo de vida asociada mediante los comandos [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) y [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html), respectivamente.
Agregue el ARN de configuración del ciclo de vida del paso anterior a la configuración del tipo de aplicación correspondiente. Por ejemplo, colóquelo en la `JupyterServerAppSettings` del usuario. Puede agregar varias configuraciones de ciclo de vida al mismo tiempo pasando una lista de configuraciones de ciclo de vida. Cuando un usuario lanza una JupyterServer aplicación con el AWS CLI, puede pasar una configuración de ciclo de vida para utilizarla en lugar de la configuración predeterminada. La configuración del ciclo de vida que pase el usuario debe pertenecer a la lista de configuraciones del ciclo de vida incluida en la `JupyterServerAppSettings`.
```
# 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]
}
}'
```
En el siguiente ejemplo se muestra cómo actualizar un espacio compartido existente para asociar la configuración del ciclo de vida. También puede actualizar un dominio o perfil de usuario existente con una configuración de ciclo de vida adjunta mediante el comando [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html). [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html) Al actualizar la lista de configuraciones del ciclo de vida asociadas, debe incluir todas las configuraciones del ciclo de vida como parte de la lista. Si una configuración del ciclo de vida no forma parte de esta lista, no se asociará a la aplicación.
```
aws sagemaker update-space --domain-id domain-id \
--space-name space-name \
--region region \
--space-settings '{
"JupyterServerAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
Para obtener información sobre cómo establecer una configuración del ciclo de vida predeterminada para un recurso, consulte [Establecer las configuraciones de ciclo de vida predeterminadas para Amazon SageMaker Studio Classic](studio-lcc-defaults.md).
## Paso 3: Lanzar la aplicación con la configuración del ciclo de vida
Tras asociar una configuración del ciclo de vida a un dominio, perfil de usuario o espacio, el usuario puede seleccionarla al iniciar una aplicación con la AWS CLI. En esta sección, se describe cómo iniciar una aplicación con una configuración del ciclo de vida asociada. Para obtener información sobre cómo cambiar la configuración del ciclo de vida predeterminada después de lanzar una JupyterServer aplicación, consulte. [Establecer las configuraciones de ciclo de vida predeterminadas para Amazon SageMaker Studio Classic](studio-lcc-defaults.md)
Inicie el tipo de aplicación deseado mediante el `create-app` comando y especifique el ARN de la configuración del ciclo de vida en el `resource-spec` argumento.
+ En el siguiente ejemplo se muestra cómo crear una aplicación de `JupyterServer` con una configuración del ciclo de vida asociada. Al crear el `JupyterServer`, el `app-name` debe ser `default`. El ARN de configuración del ciclo de vida que se pasa como parte del `resource-spec` parámetro debe formar parte de la lista de configuraciones del ciclo de vida ARNs especificada `UserSettings` para su dominio o perfil de usuario, o `SpaceSettings` para un espacio compartido.
```
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
```
+ En el siguiente ejemplo se muestra cómo crear una aplicación de `KernelGateway` con una configuración del ciclo de vida asociada.
```
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
```
# Cree una configuración de ciclo de vida desde la consola de SageMaker IA para Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En el siguiente tema se muestra cómo crear una configuración de ciclo de vida desde la consola Amazon SageMaker AI para automatizar la personalización de su entorno de Studio Classic.
## Requisitos previos
Antes de comenzar este tutorial, complete el siguiente requisito previo:
+ A bordo de Amazon SageMaker Studio Classic. Para obtener más información, consulte [Incorporar Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html).
## Paso 2: Crear una nueva configuración del ciclo de vida
Puede crear una configuración de ciclo de vida introduciendo un script desde la consola de Amazon SageMaker AI.
**nota**
Cada script puede tener hasta **16 384 caracteres**.
En el siguiente procedimiento se muestra cómo crear un script de configuración del ciclo de vida que presente el mensaje `Hello World`.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, seleccione **Configuraciones de ciclo de vida**.
1. Seleccione la pestaña **Studio**.
1. Seleccione **Crear configuración**.
1. En **Seleccionar tipo de configuración**, seleccione el tipo de aplicación al que se debe asociar la configuración del ciclo de vida. Para obtener más información sobre cómo seleccionar a qué aplicación asociar la configuración del ciclo de vida, consulte [Establecer las configuraciones de ciclo de vida predeterminadas para Amazon SageMaker Studio Classic](studio-lcc-defaults.md).
1. Elija **Siguiente**.
1. En la sección denominada **Ajustes de configuración**, escriba un nombre para la configuración del ciclo de vida.
1. En la sección **Scripts**, introduzca el siguiente contenido.
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. (Opcional) Cree una etiqueta para la configuración de su ciclo de vida.
1. Seleccione **Enviar**.
## Paso 2: Asociar la configuración del ciclo de vida a su dominio o perfil de usuario
Todos los usuarios heredan los scripts de configuración del ciclo de vida asociados en el nivel de dominio. Sin embargo, los scripts que están asociados en el nivel de perfil de usuario están dirigidos a un usuario específico.
Puede adjuntar múltiples configuraciones de ciclo de vida a un dominio o perfil de usuario tanto para las aplicaciones como para JupyterServer las KernelGateway aplicaciones.
**nota**
Para asociar una configuración del ciclo de vida a un espacio compartido, debe usar la AWS CLI. Para obtener más información, consulte [Cree una configuración de ciclo de AWS CLI vida desde Amazon SageMaker Studio Classic](studio-lcc-create-cli.md).
En las secciones siguientes se muestra cómo asociar una configuración del ciclo de vida a su dominio o perfil de usuario.
### Asociación a un dominio
A continuación, se muestra cómo adjuntar una configuración de ciclo de vida a tu dominio existente desde la consola de SageMaker IA.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio al que quiera asociar la configuración de ciclo de vida.
1. En **Detalles del dominio**, elija la pestaña **Entorno**.
1. En **Configuraciones de ciclo de vida para aplicaciones de Studio personales**, elija **Asociar**.
1. En **Fuente**, seleccione **Configuración existente**.
1. En **Configuraciones del ciclo de vida de Studio**, seleccione la configuración del ciclo de vida que ha creado en el paso anterior.
1. Seleccione **Asociar al dominio**.
### Asociación a su perfil de usuario
A continuación, se muestra cómo asociar una configuración del ciclo de vida a su perfil de usuario existente.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio que contenga el perfil de usuario al que desee asociar la configuración de ciclo de vida.
1. En **Perfiles de usuario**, seleccione el perfil de usuario.
1. En la página **Detalles del usuario**, elija **Editar**.
1. En el menú de navegación izquierdo, seleccione **Configuración de Studio**.
1. En **Configuraciones del ciclo de vida asociadas al usuario**, seleccione **Asociar**.
1. En **Fuente**, seleccione **Configuración existente**.
1. En **Configuraciones del ciclo de vida de Studio**, seleccione la configuración del ciclo de vida que ha creado en el paso anterior.
1. Seleccione **Adjuntar a perfil de usuario**.
## Paso 3: Iniciar una aplicación con la configuración del ciclo de vida
Después de asociar una configuración del ciclo de vida a un dominio o perfil de usuario, puede lanzar una aplicación con esa configuración del ciclo de vida asociada. La elección de la configuración del ciclo de vida con la que se va a iniciar depende del tipo de aplicación.
+ **JupyterServer**: Al lanzar una JupyterServer aplicación desde la consola, la SageMaker IA siempre utiliza la configuración de ciclo de vida predeterminada. No puede utilizar una configuración del ciclo de vida diferente al iniciarla desde la consola. Para obtener información sobre cómo cambiar la configuración del ciclo de vida predeterminada después de lanzar una JupyterServer aplicación, consulte[Establecer las configuraciones de ciclo de vida predeterminadas para Amazon SageMaker Studio Classic](studio-lcc-defaults.md).
Para seleccionar una configuración del ciclo de vida asociada diferente, debe iniciarla con la AWS CLI. Para obtener más información sobre el lanzamiento de una JupyterServer aplicación con una configuración de ciclo de vida adjunta desde AWS CLI, consulte[Cree una configuración de ciclo de AWS CLI vida desde Amazon SageMaker Studio Classic](studio-lcc-create-cli.md).
+ **KernelGateway**: Puede seleccionar cualquiera de las configuraciones de ciclo de vida adjuntas al lanzar una KernelGateway aplicación con Studio Classic Launcher.
El siguiente procedimiento describe cómo lanzar una KernelGateway aplicación con una configuración de ciclo de vida adjunta desde la consola de SageMaker IA.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Inicialice Studio Classic. Para obtener más información, consulte [Inicie Amazon SageMaker Studio Classic](studio-launch.md).
1. En la interfaz de usuario de Studio Classic, abra el lanzador de Studio Classic. Para obtener más información, consulte [Usa el Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. En el lanzador de Studio Classic, diríjase a la sección **Cuadernos y recursos de computación**.
1. Haga clic en el botón **Cambiar entorno.**
1. En el cuadro de diálogo **Cambiar entorno**, utilice los menús desplegables para seleccionar la **Imagen**, el **Kernel**, el **Tipo de instancia** y el **Script de inicio**. Si no hay una configuración del ciclo de vida predeterminada, el valor predeterminado del **Script de inicio** es. `No script` De lo contrario, el valor del **Script de inicio** es la configuración del ciclo de vida predeterminada. Después de seleccionar una configuración del ciclo de vida, puede ver el script completo.
1. Haga clic en **Seleccionar**.
1. De vuelta al lanzador, haga clic en **Crear cuaderno** para iniciar un nuevo kernel de cuaderno con la imagen y la configuración del ciclo de vida que haya seleccionado.
## Paso 4: Ver los registros de una configuración del ciclo de vida
Puede ver los registros de la configuración del ciclo de vida después de que se haya asociado a un dominio o a un perfil de usuario.
1. En primer lugar, proporciona acceso CloudWatch a tu función AWS Identity and Access Management (de IAM). Agregue permisos de lectura para los siguientes grupos de registros y flujos de registros.
+ **Grupo de registros:**`/aws/sagemaker/studio`
+ **Flujo de registros:**`domain/user-profile/app-type/app-name/LifecycleConfigOnStart`
Para obtener información sobre cómo añadir permisos, consulte [Habilitar el registro desde determinados AWS servicios](https://docs.aws.amazon.com/AmazonCloudWatch/latest/logs/AWS-logs-and-resource-policy.html).
1. Desde Studio Classic, navegue hasta el icono de **Terminales y kernels en ejecución** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png)) para supervisar la configuración de su ciclo de vida.
1. Seleccione una aplicación de la lista de aplicaciones en ejecución. Las aplicaciones con configuraciones del ciclo de vida asociadas tienen un icono de indicador de asociación ![\[Code brackets symbol representing programming or markup languages.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/studio-lcc-indicator-icon.png).
1. Seleccione el icono del indicador de su aplicación. Se abre un nuevo panel que enumera las configuraciones del ciclo de vida.
1. En el nuevo panel, seleccione `View logs`. Se abre una nueva pestaña que muestra los registros.
# Establecer las configuraciones de ciclo de vida predeterminadas para Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Aunque puedes adjuntar varios scripts de configuración del ciclo de vida a un único recurso, solo puedes establecer una configuración de ciclo de vida predeterminada para cada JupyterServer KernelGateway aplicación. El comportamiento de la configuración del ciclo de vida predeterminada depende de si está configurada para JupyterServer o para KernelGateway aplicaciones.
+ **JupyterServer aplicaciones:** si se establece como el script de configuración del ciclo de vida predeterminado de JupyterServer las aplicaciones, el script de configuración del ciclo de vida se ejecuta automáticamente cuando el usuario inicia sesión en Studio Classic por primera vez o reinicia Studio Classic. Usa esta configuración de ciclo de vida predeterminada para automatizar acciones de configuración únicas para el entorno de desarrolladores de Studio Classic, como la instalación de extensiones de bloc de notas o la configuración de un GitHub repositorio. Para ver un ejemplo de ello, consulte [Personalización de Amazon SageMaker Studio mediante configuraciones de ciclo](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/) de vida.
+ **KernelGateway aplicaciones:** si se establece como el script de configuración del ciclo de vida predeterminado de KernelGateway las aplicaciones, la configuración del ciclo de vida se selecciona de forma predeterminada en el lanzador de Studio Classic. Los usuarios pueden iniciar un cuaderno o terminal con el script predeterminado seleccionado o seleccionar otro de la lista de configuraciones del ciclo de vida.
SageMaker La IA permite establecer una configuración de ciclo de vida predeterminada para los siguientes recursos:
+ Dominios
+ Perfiles de usuario
+ Espacios compartidos
Si bien los dominios y los perfiles de usuario permiten establecer una configuración de ciclo de vida predeterminada tanto desde la consola Amazon SageMaker AI como AWS Command Line Interface, los espacios compartidos solo permiten establecer una configuración de ciclo de vida predeterminada desde AWS CLI.
Puede establecer una configuración del ciclo de vida como predeterminada al crear un nuevo recurso o al actualizar un recurso existente. En los siguientes temas se muestra cómo establecer una configuración de ciclo de vida predeterminada mediante la consola SageMaker AI y AWS CLI.
## Herencia de la configuración del ciclo de vida predeterminada
Todos los usuarios y los espacios compartidos heredan las configuraciones del ciclo de vida predeterminadas establecidas en el nivel de *dominio*. Las configuraciones del ciclo de vida predeterminadas establecidas en el nivel de *usuario* y *espacio compartido* se aplican únicamente a ese usuario o espacio compartido. Los valores predeterminados de nivel de usuario y espacio invalidan los valores predeterminados configurados en el nivel de dominio.
Un conjunto de configuraciones de KernelGateway ciclo de vida predeterminado para un dominio se aplica a todas KernelGateway las aplicaciones lanzadas en el dominio. A menos que el usuario seleccione una configuración del ciclo de vida diferente en la lista que se presenta en el lanzador de Studio Classic, se utilizará la configuración del ciclo de vida predeterminada. El script predeterminado también se ejecuta si el usuario selecciona `No Script`. Para obtener más información sobre cómo seleccionar un script, consulte [Paso 3: Iniciar una aplicación con la configuración del ciclo de vida](studio-lcc-create-console.md#studio-lcc-create-console-step3).
**Topics**
+ [Herencia de la configuración del ciclo de vida predeterminada](#studio-lcc-defaults-inheritance)
+ [Defina los valores predeterminados desde Amazon SageMaker Studio Classic AWS CLI](studio-lcc-defaults-cli.md)
+ [Establezca los valores predeterminados desde la consola de SageMaker IA para Amazon SageMaker Studio Classic](studio-lcc-defaults-console.md)
# Defina los valores predeterminados desde Amazon SageMaker Studio Classic AWS CLI
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Puedes configurar los scripts de configuración del ciclo de vida predeterminados en AWS CLI los siguientes recursos:
+ Dominios
+ Perfiles de usuario
+ Espacios compartidos
En las siguientes secciones se describe cómo configurar scripts de configuración del ciclo de vida predeterminados desde la AWS CLI.
**Topics**
+ [Requisitos previos](#studio-lcc-defaults-cli-prereq)
+ [Establecimiento de una configuración del ciclo de vida predeterminada al crear un nuevo recurso](#studio-lcc-defaults-cli-new)
+ [Establecimiento de una configuración del ciclo de vida predeterminada para un recurso existente](#studio-lcc-defaults-cli-existing)
## Requisitos previos
Antes de comenzar, complete los siguientes requisitos previos:
+ AWS CLI Actualícelo siguiendo los pasos que se indican en [Instalación de la AWS CLI versión actual](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ En el equipo local, ejecute `aws configure` y proporcione sus credenciales de AWS . Para obtener información sobre AWS las credenciales, consulte [Descripción y obtención de AWS las credenciales](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Inscríbase en un dominio de SageMaker IA siguiendo los pasos que se indican a continuación[Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Cree una configuración del ciclo de vida siguiendo los pasos que se indican en [Creación y asociación de una configuración de ciclo de vida con Amazon SageMaker Studio Classic](studio-lcc-create.md).
## Establecimiento de una configuración del ciclo de vida predeterminada al crear un nuevo recurso
Para establecer una configuración de ciclo de vida predeterminada al crear un nuevo dominio, perfil de usuario o espacio, transfiera el ARN de la configuración de ciclo de vida creada anteriormente como parte de uno de los siguientes comandos: AWS CLI
+ [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)
Debe pasar el ARN de configuración del ciclo de vida para los siguientes valores en la configuración JupyterServer predeterminada KernelGateway o predeterminada:
+ `DefaultResourceSpec`:`LifecycleConfigArn` - Especifica la configuración del ciclo de vida predeterminada para el tipo de aplicación.
+ `LifecycleConfigArns` - Esta es la lista de todas las configuraciones del ciclo de vida asociadas al tipo de aplicación. La configuración del ciclo de vida predeterminada también debe formar parte de esta lista.
Por ejemplo, la siguiente llamada a la API crea un nuevo perfil de usuario con una configuración del ciclo de vida predeterminada.
```
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]
}
}'
```
## Establecimiento de una configuración del ciclo de vida predeterminada para un recurso existente
Para establecer o actualizar la configuración del ciclo de vida predeterminada de un recurso existente, transfiera el ARN de la configuración de ciclo de vida creada anteriormente como parte de uno de los siguientes comandos: AWS CLI
+ [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)
Debe pasar el ARN de configuración del ciclo de vida para los siguientes valores en la configuración JupyterServer predeterminada KernelGateway o predeterminada:
+ `DefaultResourceSpec`:`LifecycleConfigArn` - Especifica la configuración del ciclo de vida predeterminada para el tipo de aplicación.
+ `LifecycleConfigArns` - Esta es la lista de todas las configuraciones del ciclo de vida asociadas al tipo de aplicación. La configuración del ciclo de vida predeterminada también debe formar parte de esta lista.
Por ejemplo, la siguiente llamada a la API actualiza un perfil de usuario con una configuración del ciclo de vida predeterminada.
```
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]
}
}'
```
La siguiente llamada a la API actualiza un dominio para establecer una nueva configuración del ciclo de vida predeterminada.
```
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]
}
}'
```
# Establezca los valores predeterminados desde la consola de SageMaker IA para Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Puedes configurar los scripts de configuración del ciclo de vida predeterminados desde la consola de SageMaker IA para los siguientes recursos.
+ Dominios
+ Perfiles de usuario
No puedes configurar los scripts de configuración del ciclo de vida predeterminados para los espacios compartidos desde la consola de SageMaker IA. Para obtener información sobre cómo configurar los valores predeterminados de los espacios compartidos, consulte [Defina los valores predeterminados desde Amazon SageMaker Studio Classic AWS CLI](studio-lcc-defaults-cli.md).
En las siguientes secciones, se describe cómo configurar los scripts de configuración del ciclo de vida predeterminados desde la consola de SageMaker IA.
**Topics**
+ [Requisitos previos](#studio-lcc-defaults-cli-prerequisites)
+ [Establecimiento de una configuración del ciclo de vida predeterminada para un dominio](#studio-lcc-defaults-cli-domain)
+ [Establecimiento de una configuración del ciclo de vida predeterminada para un perfil de usuario](#studio-lcc-defaults-cli-user-profile)
## Requisitos previos
Antes de comenzar, complete los siguientes requisitos previos:
+ Inscríbase en el dominio de la SageMaker IA siguiendo los pasos que se indican en[Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Cree una configuración del ciclo de vida siguiendo los pasos que se indican en [Creación y asociación de una configuración de ciclo de vida con Amazon SageMaker Studio Classic](studio-lcc-create.md).
## Establecimiento de una configuración del ciclo de vida predeterminada para un dominio
El siguiente procedimiento muestra cómo establecer una configuración de ciclo de vida predeterminada para un dominio desde la consola de SageMaker IA.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En la lista de dominios, seleccione el nombre del dominio al que quiera asociar la configuración del ciclo de vida.
1. En la página **Detalles del dominio**, seleccione la pestaña **Entorno**.
1. En **Configuraciones del ciclo de vida para aplicaciones de Studio personales**, seleccione la configuración del ciclo de vida que quiera establecer como predeterminada para el dominio. Puede establecer distintos valores predeterminados para JupyterServer y KernelGateway aplicaciones.
1. Elija **Establecer como predeterminado**. Esto abre una ventana emergente en la que se muestran los valores predeterminados actuales para JupyterServer y KernelGateway las aplicaciones.
1. Seleccione **Establecer como predeterminado** para establecer la configuración del ciclo de vida como predeterminada para el tipo de aplicación respectivo.
## Establecimiento de una configuración del ciclo de vida predeterminada para un perfil de usuario
El siguiente procedimiento muestra cómo establecer una configuración de ciclo de vida predeterminada para un perfil de usuario desde la consola de SageMaker IA.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En la lista de dominios, seleccione el nombre del dominio que contenga el perfil de usuario para el que desee establecer la configuración del ciclo de vida predeterminada.
1. En la página **Detalles del dominio**, elija la pestaña **Perfiles de usuario**.
1. Seleccione el nombre del perfil de usuario para el que desee establecer la configuración del ciclo de vida predeterminada. Esto abre una página de **Detalles del usuario**.
1. En la página **Detalles del usuario**, seleccione **Editar**. Se abrirá la página de **Editar perfil de usuario**.
1. En la página **Editar perfil de usuario**, seleccione la **Paso 2 Configuración de Studio**.
1. En **Configuraciones de ciclo de vida asociadas al usuario**, seleccione la configuración del ciclo de vida que desee establecer como predeterminada para el perfil de usuario. Puede establecer distintos valores predeterminados para JupyterServer y KernelGateway aplicaciones.
1. Elija **Establecer como predeterminado**. Esto abre una ventana emergente en la que se muestran los valores predeterminados actuales para JupyterServer y KernelGateway las aplicaciones.
1. Seleccione **Establecer como predeterminado** para establecer la configuración del ciclo de vida como predeterminada para el tipo de aplicación respectivo.
# Depuración de configuraciones del ciclo de vida en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En los siguientes temas se muestra cómo obtener información y depurar las configuraciones del ciclo de vida.
**Topics**
+ [Verifica el proceso de configuración del ciclo de vida desde CloudWatch los registros](#studio-lcc-debug-logs)
+ [JupyterServer error de la aplicación](#studio-lcc-debug-jupyterserver)
+ [KernelGateway fallo de la aplicación](#studio-lcc-debug-kernel)
+ [Tiempo de espera de configuración del ciclo de vida](#studio-lcc-debug-timeout)
## Verifica el proceso de configuración del ciclo de vida desde CloudWatch los registros
Las configuraciones del ciclo de vida solo registran `STDOUT` y `STDERR`.
`STDOUT` es el resultado predeterminado para los scripts bash. Se puede escribir en `STDERR` añadiendo `>&2` al final de un comando bash. Por ejemplo, `echo 'hello'>&2`.
Los registros de las configuraciones de tu ciclo de vida se publican en Amazon CloudWatch. Cuenta de AWS Estos registros se encuentran en el flujo de `/aws/sagemaker/studio` registros de la CloudWatch consola.
1. Abra la CloudWatch consola en [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Seleccione **Registros** en el lado izquierdo. En el menú desplegable, seleccione **Grupos de registros**.
1. En la página **Grupos de registros**, busque `aws/sagemaker/studio`.
1. Seleccione el grupo de registro.
1. En la página de **Detalles del grupo de registro**, seleccione la pestaña **Flujos de registro**.
1. Para buscar los registros de una aplicación específica, busque en los flujos de registro utilizando el siguiente formato:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Por ejemplo, para buscar los registros de configuración del ciclo de vida del dominio `d-m85lcu8vbqmz`, nombre del espacio `i-sonic-js` y tipo de aplicación de `JupyterLab`, utilice la siguiente cadena de búsqueda:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
## JupyterServer error de la aplicación
Si JupyterServer la aplicación se bloquea debido a un problema con la configuración del ciclo de vida adjunta, Studio Classic mostrará el siguiente mensaje de error en la pantalla de inicio de Studio Classic.
```
Failed to create SageMaker Studio due to start-up script failure
```
Selecciona el `View script logs` enlace para ver los CloudWatch registros de tu JupyterServer aplicación.
En el caso de que se especifique la configuración del ciclo de vida defectuosa en el `DefaultResourceSpec` de su dominio, perfil de usuario o espacio compartido, Studio Classic sigue utilizando la configuración del ciclo de vida incluso después de reiniciar Studio Classic.
Para resolver este error, siga los pasos de [Establecer las configuraciones de ciclo de vida predeterminadas para Amazon SageMaker Studio Classic](studio-lcc-defaults.md) para quitar el script de configuración del ciclo de vida de la `DefaultResourceSpec` o seleccione otro script como predeterminado. A continuación, inicia una nueva JupyterServer aplicación.
## KernelGateway fallo de la aplicación
Si KernelGateway la aplicación se bloquea debido a un problema con la configuración del ciclo de vida adjunta, Studio Classic mostrará el mensaje de error en el bloc de notas de Studio Classic.
Elige `View script logs` ver los CloudWatch registros de tu KernelGateway aplicación.
En este caso, la configuración del ciclo de vida se especifica en el lanzador de Studio Classic al inicializar un nuevo cuaderno de Studio Classic.
Para resolver este error, utilice el lanzador de Studio Classic para seleccionar una configuración del ciclo de vida diferente o seleccione `No script`.
**nota**
La configuración de KernelGateway ciclo de vida predeterminada especificada en `DefaultResourceSpec` se aplica a todas KernelGateway las imágenes del dominio, el perfil de usuario o el espacio compartido, a menos que el usuario seleccione un script diferente de la lista que se presenta en el lanzador de Studio Classic. El script predeterminado también se ejecuta si el usuario selecciona `No Script`. Para obtener más información sobre cómo seleccionar un script, consulte [Paso 3: Iniciar una aplicación con la configuración del ciclo de vida](studio-lcc-create-console.md#studio-lcc-create-console-step3).
## Tiempo de espera de configuración del ciclo de vida
Existe una limitación de tiempo de espera de configuración del ciclo de vida de 5 minutos. Si un script de configuración del ciclo de vida tarda más de 5 minutos en ejecutarse, Studio Classic emite un error.
Para resolver este error, asegúrese de que el script de configuración del ciclo de vida se complete en menos de 5 minutos.
Para ayudar a reducir el tiempo de ejecución de los scripts, pruebe lo siguiente:
+ Reduzca el número de pasos necesarios. Por ejemplo, limite los entornos de conda donde se instalarán paquetes de gran tamaño.
+ Ejecute tareas en procesos paralelos.
+ Utilice el comando `nohup` del script para asegurarse de que las señales de bloqueo se omitan y no detengan la ejecución del script.
# Actualice y separe las configuraciones del ciclo de vida en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Un script de configuración del ciclo de vida no se puede cambiar después de crearlo. Para actualizar el script, debe crear un nuevo script de configuración del ciclo de vida y asociarlo al dominio, perfil de usuario o espacio compartido correspondiente. Para obtener más información acerca de la creación y asociación de un configuración de ciclo de vida, consulte [Creación y asociación de una configuración de ciclo de vida con Amazon SageMaker Studio Classic](studio-lcc-create.md).
En el siguiente tema, se muestra cómo separar una configuración de ciclo de vida mediante AWS CLI la consola SageMaker AI.
**Topics**
+ [Requisitos previos](#studio-lcc-delete-pre)
+ [Desconéctelo mediante el AWS CLI](#studio-lcc-delete-cli)
## Requisitos previos
Antes de desasociar una configuración del ciclo de vida, debe completar el siguiente requisito previo.
+ Para desasociar correctamente una configuración del ciclo de vida, ninguna aplicación en ejecución puede utilizar la configuración del ciclo de vida. Primero debe cerrar las aplicaciones en ejecución, tal y como se muestra en [Cierre y actualice Amazon SageMaker Studio Classic y sus aplicaciones](studio-tasks-update.md).
## Desconéctelo mediante el AWS CLI
Para separar una configuración de ciclo de vida mediante el AWS CLI, elimine la configuración de ciclo de vida deseada de la lista de configuraciones de ciclo de vida adjunta al recurso y pase la lista como parte del comando correspondiente:
+ [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)
Por ejemplo, el siguiente comando elimina todas las configuraciones del ciclo de vida KernelGateways asociadas al dominio.
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"KernelGatewayAppSettings": {
"LifecycleConfigArns":
[]
}
}'
```
# Adjunta los repositorios de Git sugeridos a Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic ofrece una extensión de Git para que pueda introducir la URL de un repositorio de Git (repositorio), clonarlo en su entorno, insertar cambios y ver el historial de confirmaciones. Además de esta extensión de Git, también puedes adjuntar un repositorio de Git sugerido URLs a nivel de dominio o perfil de usuario de Amazon SageMaker AI. A continuación, puede seleccionar la URL del repositorio de la lista de sugerencias y clonarla en su entorno mediante la extensión de Git en Studio Classic.
En los siguientes temas se muestra cómo adjuntar un repositorio de Git URLs a un dominio o perfil de usuario desde la AWS CLI consola SageMaker AI. También aprenderás a separar estos repositorios. URLs
**Topics**
+ [Adjunte un repositorio de AWS CLI Git desde Amazon SageMaker Studio Classic](studio-git-attach-cli.md)
+ [Adjunte un repositorio de Git desde la consola de SageMaker IA para Amazon SageMaker Studio Classic](studio-git-attach-console.md)
+ [Separar Git Repos de Amazon Studio Classic SageMaker](studio-git-detach.md)
# Adjunte un repositorio de AWS CLI Git desde Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En el siguiente tema se muestra cómo adjuntar la URL de un repositorio de Git mediante el AWS CLI, de modo que Amazon SageMaker Studio Classic sugiera automáticamente su clonación. Después de asociar la URL del repositorio de Git, puede clonarla siguiendo los pasos que se indican en [Clonar un repositorio de Git en Amazon SageMaker Studio Classic](studio-tasks-git.md).
## Requisitos previos
Antes de comenzar, complete los siguientes requisitos previos:
+ AWS CLI Actualícela siguiendo los pasos que se indican en [Instalación de la versión AWS CLI actual](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ En el equipo local, ejecute `aws configure` y proporcione sus credenciales de AWS . Para obtener información sobre AWS las credenciales, consulte [Descripción y obtención de AWS las credenciales](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Incorporado al dominio Amazon SageMaker AI. Para obtener más información, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Asociación del repositorio de Git a un dominio o perfil de usuario
Todos los usuarios heredan los repositorios de Git URLs asociados a nivel de dominio. Sin embargo, los repositorios de Git URLs que están asociados a nivel de perfil de usuario están dirigidos a un usuario específico. Puedes adjuntar varios repositorios de Git URLs a un dominio o perfil de usuario pasando una lista de repositorios URLs.
En las siguientes secciones se muestra cómo asociar una URL de repositorio de Git a su dominio y perfil de usuario.
### Asociación a un dominio
El siguiente comando asocia una URL de repositorio de Git a un dominio existente.
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
### Asociación a un perfil de usuario
A continuación se muestra cómo asociar una URL de repositorio de Git a un perfil de usuario existente.
```
aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\
--user-settings JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
# Adjunte un repositorio de Git desde la consola de SageMaker IA para Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En el siguiente tema se muestra cómo asociar una URL de repositorio de Git desde la consola Amazon SageMaker AI para clonarla en su entorno de Studio Classic. Después de asociar la URL del repositorio de Git, puede clonarla siguiendo los pasos que se indican en [Clonar un repositorio de Git en Amazon SageMaker Studio Classic](studio-tasks-git.md).
## Requisitos previos
Antes de empezar este tutorial, debes incorporarte al dominio Amazon SageMaker AI. Para obtener más información, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Asociación del repositorio de Git a un dominio o perfil de usuario
Todos los usuarios heredan los repositorios de Git URLs asociados a nivel de dominio. Sin embargo, las URL de repositorios de Git que están asociadas al nivel de perfil de usuario están dirigidas a un usuario específico.
En las siguientes secciones se muestra cómo asociar una URL de repositorio de Git a un dominio y perfil de usuario.
### Asociación a un dominio
**Asociación de una URL de repositorio de Git a un dominio existente**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. Seleccione el dominio al que quiera asociar el repositorio de Git.
1. En la página **Detalles del dominio**, seleccione la pestaña **Entorno**.
1. En la pestaña **Repositorios de código sugeridos para el dominio**, seleccione **Asociar**.
1. En **Fuente**, introduzca la URL del repositorio de Git.
1. Seleccione **Asociar al dominio**.
### Asociación a un perfil de usuario
A continuación se muestra cómo asociar una URL de repositorio de Git a un perfil de usuario existente.
**Para asociar una URL de repositorio de Git a un perfil de usuario**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. Seleccione el dominio que incluya el perfil de usuario al que desee asociar el repositorio de Git.
1. En la página **Detalles del dominio**, elija la pestaña **Perfiles de usuario**.
1. Seleccione el perfil de usuario al que quiera asociar la URL del repositorio de Git.
1. En la página **Detalles del usuario**, elija **Editar**.
1. En la página **Configuración de Studio**, seleccione **Asociar** en la sección **Repositorios de código sugeridos para el usuario**.
1. En **Fuente**, introduzca la URL del repositorio de Git.
1. Seleccione **Asociar al usuario**.
# Separar Git Repos de Amazon Studio Classic SageMaker
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Esta guía muestra cómo separar el repositorio URLs de Git de un dominio o perfil de usuario de Amazon SageMaker AI mediante la consola AWS CLI o Amazon SageMaker AI.
**Topics**
+ [Separe un repositorio de Git mediante el AWS CLI](#studio-git-detach-cli)
+ [Separe el repositorio de Git mediante la consola de IA SageMaker](#studio-git-detach-console)
## Separe un repositorio de Git mediante el AWS CLI
Para separar todos los repositorios de Git URLs de un dominio o perfil de usuario, debes pasar una lista vacía de repositorios de código. Esta lista se pasa como parte del parámetro `JupyterServerAppSettings` de un comando `update-domain` o `update-user-profile`. Para desasociar solo una URL del repositorio de Git, pase la lista de repositorios de código sin la URL del repositorio de Git deseada. En esta sección se muestra cómo separar todos los repositorios de Git URLs de tu dominio o perfil de usuario mediante AWS Command Line Interface ()AWS CLI.
### Desasociación de un dominio
El siguiente comando separa todos los repositorios de Git URLs de un dominio.
```
aws sagemaker update-domain --region region --domain-name domain-name \
--domain-settings JupyterServerAppSettings={CodeRepositories=[]}
```
### Desasociación de un perfil de usuario
El siguiente comando separa todos los repositorios de Git URLs de un perfil de usuario.
```
aws sagemaker update-user-profile --domain-name domain-name --user-profile-name user-name\
--user-settings JupyterServerAppSettings={CodeRepositories=[]}
```
## Separe el repositorio de Git mediante la consola de IA SageMaker
En las siguientes secciones, se muestra cómo separar una URL de repositorio de Git de un dominio o perfil de usuario mediante la consola SageMaker AI.
### Desasociación de un dominio
Siga estos pasos para desasociar la URL de un repositorio de Git de un dominio existente.
**Desasociación de una URL de repositorio de Git de un dominio existente**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. Seleccione el dominio con la URL del repositorio de Git que quiera desasociar.
1. En la página **Detalles del dominio**, seleccione la pestaña **Entorno**.
1. En la pestaña **Repositorios de código sugeridos para el dominio**, seleccione la URL del repositorio de Git que quiera desasociar.
1. Elija **Desasociar**.
1. En la nueva ventana, seleccione **Desasociar**.
### Desasociación de un perfil de usuario
Siga estos pasos para desasociar la URL de un repositorio de Git de un perfil de usuario.
**Para desasociar la URL de un repositorio de Git de un perfil de usuario**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. Seleccione el dominio que incluya el perfil de usuario con la URL del repositorio de Git que quiera desasociar.
1. En la página **Detalles del dominio**, elija la pestaña **Perfiles de usuario**.
1. Seleccione el perfil de usuario con la URL del repositorio de Git que quiera desasociar.
1. En la página **Detalles del usuario**, elija **Editar**.
1. En la página de **Configuración de Studio**, seleccione la URL del repositorio de Git para desasociarla de la pestaña **Repositorios de código sugeridos para el usuario**.
1. Elija **Desasociar**.
1. En la nueva ventana, seleccione **Desasociar**.
# Realice tareas habituales en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En las siguientes secciones se describe cómo realizar tareas habituales en Amazon SageMaker Studio Classic. Para obtener información general de la interfaz de Studio Classic, consulte [Descripción general de la interfaz de usuario clásica de Amazon SageMaker Studio](studio-ui.md).
**Topics**
+ [Cargar archivos a Amazon SageMaker Studio Classic](studio-tasks-files.md)
+ [Clonar un repositorio de Git en Amazon SageMaker Studio Classic](studio-tasks-git.md)
+ [Stop a Training Job en Amazon SageMaker Studio Classic](studio-tasks-stop-training-job.md)
+ [Uso TensorBoard en Amazon SageMaker Studio Classic](studio-tensorboard.md)
+ [Utilice Amazon Q Developer con Amazon SageMaker Studio Classic](sm-q.md)
+ [Administre su volumen de almacenamiento de Amazon EFS en Amazon SageMaker Studio Classic](studio-tasks-manage-storage.md)
+ [Enviar comentarios sobre Amazon SageMaker Studio Classic](studio-tasks-provide-feedback.md)
+ [Cierre y actualice Amazon SageMaker Studio Classic y sus aplicaciones](studio-tasks-update.md)
# Cargar archivos a Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Cuando se incorpora a Amazon SageMaker Studio Classic, se crea un directorio principal para usted en el volumen Amazon Elastic File System (Amazon EFS) que se creó para su equipo. Studio Classic solo puede abrir los archivos que se han cargado en su directorio. El explorador de archivos de Studio Classic se asigna al directorio principal.
**nota**
Studio Classic no admite la carga de carpetas. Si bien solo puede cargar archivos individuales, puede cargar varios al mismo tiempo.
**Para cargar archivos en el directorio de inicio**
1. En la barra lateral izquierda, elija el icono **Explorador de archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder.png)).
1. En el explorador de archivos, elija el icono de **Cargar archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/File_upload_squid.png)).
1. Seleccione el archivo que quiera cargar y, a continuación, elija **Abrir**.
1. Haga doble clic en un archivo para abrirlo en una nueva pestaña de Studio Classic.
# Clonar un repositorio de Git en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic solo se puede conectar a un repositorio de Git local (repo). Esto significa que debe clonar el repositorio de Git desde Studio Classic para acceder a los archivos del repositorio. Studio Classic ofrece una extensión Git para introducir la URL de un repositorio de Git, clonarlo en su entorno, insertar cambios y ver el historial de confirmaciones. Si el repositorio es privado y requiere credenciales para acceder, se le solicitará que introduzca sus credenciales de usuario. Eso incluye su nombre de usuario y su token de acceso personal. Para más información sobre los tokens de acceso personal, consulte [Administración de sus tokens de acceso personal](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
Los administradores también pueden adjuntar el repositorio Git sugerido URLs a nivel de dominio o perfil de usuario de Amazon SageMaker AI. Los usuarios pueden seleccionar la URL del repositorio de la lista de sugerencias y clonarla en Studio Classic. Para obtener más información acerca de cómo asociar los repositorios sugeridos, consulte [Adjunta los repositorios de Git sugeridos a Amazon SageMaker Studio Classic](studio-git-attach.md).
El siguiente procedimiento muestra cómo clonar un GitHub repositorio de Studio Classic.
**Para clonar el repositorio**
1. En la barra lateral izquierda, elija el icono de **Git** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/git.png)).
1. Seleccione **Clonar un repositorio**. Se abre una nueva ventana.
1. En la ventana **Clonar repositorio de Git**, introduzca la URL del repositorio de Git que desee clonar en el siguiente formato o seleccione un repositorio de la lista de **Repositorios sugeridos**.
```
https://github.com/path-to-git-repo/repo.git
```
1. Si has introducido la URL del repositorio de Git manualmente, selecciona **Clonar *git-url* "»** en el menú desplegable.
1. En el **Directorio del proyecto en el que se va a clonar**, introduzca la ruta al directorio local en el que quiera clonar el repositorio de Git. Si este valor se deja vacío, Studio Classic clona el repositorio en JupyterLab su directorio raíz.
1. Elija **Clonar**. Esto abre una nueva ventana de terminal.
1. Si el repositorio requiere credenciales, se le pedirá que introduzca su nombre de usuario y token de acceso personal. Esta solicitud no acepta contraseñas, debe usar un token de acceso personal. Para más información sobre los tokens de acceso personal, consulte [Administración de sus tokens de acceso personal](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
1. Espere a que finalice la descarga. Una vez que se haya clonado el repositorio, el **Explorador de archivos** se abre para mostrar el repositorio clonado.
1. Haga doble clic en el repositorio para abrirlo.
1. Elija el icono de **Git** para ver la interfaz de usuario de Git que ahora rastrea el repositorio.
1. Para rastrear un repositorio diferente, abra el repositorio en el explorador de archivos y seleccione el icono de **Git**.
# Stop a Training Job en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Puedes detener un trabajo de formación con la interfaz de usuario clásica de Amazon SageMaker Studio. Cuando se detiene un trabajo de entrenamiento, su estado cambia a `Stopping`, momento en el que cesa la facturación. Un algoritmo puede retrasar la terminación para guardar artefactos del modelo después de lo cual cambia el estado del trabajo a `Stopped`. Para obtener más información, consulte el método [stop\$1training\$1job](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.stop_training_job) en AWS SDK para Python (Boto3).
**Para detener un trabajo de entrenamiento**
1. Siga el procedimiento [Ver experimentos y ejecuciones](experiments-view-compare.md) de esta página hasta que abra la pestaña **Describe Trial Component (Describir componente de prueba)**.
1. En la parte superior derecha de la pestaña, elija **Detener trabajo de entrenamiento**. **Status (Estado)** en la esquina superior izquierda de la pestaña cambia a **Stopped (Detenido)**.
1. Para ver el tiempo de entrenamiento y el tiempo de facturación, elija **Configuración de AWS **.
# Uso TensorBoard en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En el siguiente documento se describe cómo instalar y ejecutar TensorBoard Amazon SageMaker Studio Classic.
**nota**
Esta guía muestra cómo abrir la TensorBoard aplicación a través de un servidor portátil SageMaker Studio Classic de un perfil de usuario de un dominio de SageMaker IA individual. Para obtener una TensorBoard experiencia más completa integrada con la SageMaker formación y las funcionalidades de control de acceso del dominio de SageMaker IA, consulte[TensorBoard en Amazon SageMaker AI](tensorboard-on-sagemaker.md).
## Requisitos previos
Este tutorial requiere un dominio de SageMaker IA. Para obtener más información, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md)
## Configuración de `TensorBoardCallback`
1. Inicialice Studio Classic y abra el lanzador. Para obtener más información, consulte [Usa el Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
1. En Amazon SageMaker Studio Classic Launcher, en`Notebooks and compute resources`, selecciona el botón **Cambiar entorno**.
1. En el cuadro de diálogo **Cambiar entorno**, utilice los menús desplegables para seleccionar la **Imagen** `TensorFlow 2.6 Python 3.8 CPU Optimized` de Studio Classic.
1. De vuelta al lanzador, haga clic en el icono **Crear cuaderno**. El cuaderno se inicia y se abre en una nueva pestaña de Studio Classic.
1. Ejecute este código desde las celdas de su cuaderno.
1. Importe los paquetes necesarios:
```
import os
import datetime
import tensorflow as tf
```
1. Cree un modelo Keras.
```
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. Cree un directorio para sus registros TensorBoard
```
LOG_DIR = os.path.join(os.getcwd(), "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
```
1. Ejecute el entrenamiento con 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. Genere la ruta EFS para los TensorBoard registros. Esta ruta se utiliza para configurar los registros desde la terminal.
```
EFS_PATH_LOG_DIR = "/".join(LOG_DIR.strip("/").split('/')[1:-1])
print (EFS_PATH_LOG_DIR)
```
Obtenga el valor de `EFS_PATH_LOG_DIR`. La necesitará en la sección TensorBoard de instalación.
## Instalar TensorBoard
1. Haz clic en el `Amazon SageMaker Studio Classic` botón de la esquina superior izquierda de Studio Classic para abrir Amazon SageMaker Studio Classic Launcher. Este lanzador debe abrirse desde el directorio raíz. Para obtener más información, consulte [Usa el Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
1. En el lanzador, bajo `Utilities and files`, haga clic en `System terminal`.
1. Ejecute los siguientes comandos desde el terminal. Copie `EFS_PATH_LOG_DIR` desde el cuaderno de Jupyter. Debe ejecutar esto desde desde el directorio raíz `/home/sagemaker-user`.
```
pip install tensorboard
tensorboard --logdir
```
## Lanzamiento TensorBoard
1. Para iniciarlo TensorBoard, copia la URL de Studio Classic y `lab?` sustitúyela por la `proxy/6006/` siguiente. Debe incluir el carácter final `/`.
```
https://.studio.region.sagemaker.aws/jupyter/default/proxy/6006/
```
1. Vaya a la URL para examinar los resultados.
# Utilice Amazon Q Developer con Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Amazon SageMaker Studio Classic es un entorno de aprendizaje automático integrado en el que puede crear, entrenar, implementar y analizar sus modelos en la misma aplicación. Puede generar recomendaciones de código y sugerir mejoras relacionadas con problemas de código mediante Amazon Q Developer con Amazon SageMaker AI.
Amazon Q Developer es un asistente conversacional basado en inteligencia artificial (IA) generativa que puede ayudarlo a comprender, crear, ampliar y operar AWS aplicaciones. En el contexto de un entorno de AWS codificación integrado, Amazon Q puede generar recomendaciones de código basadas en el código de los desarrolladores, así como en sus comentarios en lenguaje natural.
Amazon Q es el que más admite Java, Python,, C\$1 JavaScript TypeScript, Go, PHP, Rust, Kotlin y SQL, así como los lenguajes de infraestructura como código (IaC) JSON (), YAML (CloudFormation), HCL (Terraform CloudFormation) y CDK (Typescript, Python). También admite la generación de código para Ruby, C\$1\$1, C, Shell y Scala. Para ver ejemplos de cómo Amazon Q se integra con Amazon SageMaker AI y muestra sugerencias de código en el IDE de Amazon SageMaker Studio Classic, consulte los [ejemplos de código](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/inline-suggestions-code-examples.html) en la *Guía del usuario para desarrolladores de Amazon Q.*
Para obtener más información sobre el uso de Amazon Q con Amazon SageMaker Studio Classic, consulte la [Guía del usuario para desarrolladores de Amazon Q.](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/sagemaker-setup.html)
# Administre su volumen de almacenamiento de Amazon EFS en Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
La primera vez que un usuario de su equipo se incorpora a Amazon SageMaker Studio Classic, Amazon SageMaker AI crea un volumen de Amazon Elastic File System (Amazon EFS) para el equipo. Se crea un directorio personal en el volumen para cada usuario que incorpora a Studio Classic como parte de su equipo. Los archivos de cuaderno y los archivos de datos se almacenarán en esos directorios. Los usuarios no tienen acceso a los directorios de inicio de otros miembros del equipo. El dominio Amazon SageMaker AI no admite el montaje de volúmenes Amazon EFS personalizados o adicionales.
**importante**
No elimine el volumen de Amazon EFS. Si lo elimina, el dominio dejará de funcionar y todos sus usuarios perderán su trabajo.
**Para encontrar el volumen de Amazon EFS**
1. Abra la [consola SageMaker AI](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la página **Dominios**, seleccione el dominio del que quiera buscar el ID.
1. En la página de **Detalles del dominio**, seleccione la pestaña **Configuración del dominio**.
1. En **Configuración general**, busque el **ID del dominio**. El ID tendrá el siguiente formato: `d-xxxxxxxxxxxx`.
1. Pase el `Domain ID`, como `DomainId`, al método [describe\$1domain](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.describe_domain).
1. En la respuesta de `describe_domain`, observe el valor de la clave `HomeEfsFileSystemId`. Este es el ID del sistema de archivos de Amazon EFS.
1. Abra la [consola de Amazon EFS](https://console.aws.amazon.com/efs#/file-systems/). Asegúrese de que la AWS región es la misma que utiliza Studio Classic.
1. Bajo **Sistemas de archivos**, elija el ID del sistema de archivos del paso anterior.
1. Para comprobar que ha elegido el sistema de archivos correcto, seleccione el encabezado **Etiquetas**. El valor correspondiente a la clave `ManagedByAmazonSageMakerResource` debe coincidir con el `Studio Classic ID`.
Para obtener información sobre cómo acceder al volumen de Amazon EFS, consulte [Uso de sistemas de archivos en Amazon EFS](https://docs.aws.amazon.com/efs/latest/ug/using-fs.html).
Para eliminar el volumen de Amazon EFS, consulte [Eliminación de un sistema de archivos de Amazon EFS](https://docs.aws.amazon.com/efs/latest/ug/delete-efs-fs.html).
# Enviar comentarios sobre Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Amazon SageMaker AI se toma muy en serio tus comentarios. Le animamos a que nos envíe sus comentarios.
**Cómo proporcionar comentarios**
1. A la derecha de SageMaker Studio Classic, busca el icono de **comentarios** (![\[Speech bubble icon representing messaging or communication functionality.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/feedback.png)).
1. Elige un emoticono sonriente para hacernos saber tu grado de satisfacción con SageMaker Studio Classic y añade cualquier comentario que quieras compartir con nosotros.
1. Decida si desea compartir su identidad con nosotros y, a continuación, elija **Enviar**.
# Cierre y actualice Amazon SageMaker Studio Classic y sus aplicaciones
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
En los siguientes temas se muestra cómo cerrar y actualizar las aplicaciones de SageMaker Studio Classic y Studio Classic.
Studio Classic proporciona un icono de notificación (![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/Notification.png)) en la esquina superior derecha de la interfaz de Studio Classic. Este icono de notificación muestra el número de avisos no leídos. Para leer los avisos, seleccione el icono.
Studio Classic ofrece dos tipos de notificaciones:
+ Actualización: se muestra cuando hay una nueva versión publicada para Studio Classic o una de las aplicaciones de Studio Classic. Para actualizar Studio Classic, consulte [Cierre y actualice Amazon SageMaker Studio Classic](studio-tasks-update-studio.md). Para actualizar las aplicaciones de Studio Classic, consulte [Cierre y actualice las aplicaciones clásicas de Amazon SageMaker Studio](studio-tasks-update-apps.md).
+ Información: se muestra para nuevas características y otra información.
Para restablecer el icono de notificación, debe seleccionar el enlace en cada aviso. Es posible que las notificaciones de lectura sigan apareciendo en el icono. Esto no indica que se sigan necesitando actualizaciones una vez que haya actualizado Studio Classic y las aplicaciones de Studio Classic.
Para obtener información sobre cómo actualizar [Amazon SageMaker Data Wrangler, consulte](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html). [Cierre y actualice las aplicaciones clásicas de Amazon SageMaker Studio](studio-tasks-update-apps.md)
Para asegurarse de que dispone de las actualizaciones de software más recientes, actualice Amazon SageMaker Studio Classic y sus aplicaciones de Studio Classic mediante los métodos que se describen en los temas siguientes.
**Topics**
+ [Cierre y actualice Amazon SageMaker Studio Classic](studio-tasks-update-studio.md)
+ [Cierre y actualice las aplicaciones clásicas de Amazon SageMaker Studio](studio-tasks-update-apps.md)
# Cierre y actualice Amazon SageMaker Studio Classic
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Para actualizar Amazon SageMaker Studio Classic a la última versión, debe cerrar la JupyterServer aplicación. Puedes cerrar la JupyterServer aplicación desde la consola de SageMaker IA, desde Amazon SageMaker Studio o desde Studio Classic. Una vez cerrada la JupyterServer aplicación, debes volver a abrir Studio Classic a través de la consola de SageMaker IA o desde Studio, que creará una nueva versión de la JupyterServer aplicación.
No puedes eliminar la JupyterServer aplicación mientras la interfaz de usuario de Studio Classic esté abierta en el navegador. Si eliminas la JupyterServer aplicación mientras la interfaz de usuario de Studio Classic sigue abierta en el navegador, SageMaker AI vuelve a crear la JupyterServer aplicación automáticamente.
Se perderá la información del cuaderno que no se haya guardado. Los datos de usuario del volumen de Amazon EFS no se ven afectados.
Algunos de los servicios de Studio Classic, como Data Wrangler, se ejecutan en su propia aplicación. Para actualizar estos servicios, debe eliminar la aplicación de ese servicio. Para obtener más información, consulte [Cierre y actualice las aplicaciones clásicas de Amazon SageMaker Studio](studio-tasks-update-apps.md).
**nota**
Una JupyterServer aplicación está asociada a un único usuario de Studio Classic. Cuando actualiza la aplicación para un usuario, no afecta a otros usuarios.
En la siguiente página, se muestra cómo actualizar la JupyterServer aplicación desde la consola SageMaker AI, desde Studio o desde Studio Classic.
## Apaga y actualiza desde la consola de SageMaker IA
1. Vaya a [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. Seleccione el dominio que incluya la aplicación de Studio Classic que quiera actualizar.
1. En **Perfiles de usuario**, seleccione su nombre de usuario.
1. En **Aplicaciones**, en la fila que aparece **JupyterServer**, selecciona **Acción** y, a continuación, selecciona **Eliminar**.
1. Elija **Sí, eliminar aplicación**.
1. Escriba **delete** en el cuadro de confirmación.
1. Elija **Eliminar**.
1. Una vez eliminada la aplicación, inicie una nueva aplicación de Studio Classic para obtener la versión más reciente.
## Cierre y actualización desde Studio
1. Vaya a Studio siguiendo los pasos que se indican en [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. En la IU de Studio, busque el panel de aplicaciones en la parte izquierda.
1. En el panel de aplicaciones, seleccione **Studio Classic**.
1. En la página de inicio de Studio Classic, seleccione la instancia de Studio Classic que desee detener.
1. Elija **Detener**.
1. Una vez detenida la aplicación, seleccione **Ejecutar** para usar la versión más reciente.
## Cierre y actualización desde Studio Classic
1. Inicialice Studio Classic.
1. En el menú superior, elija **File (Archivo)** y, a continuación, **Shut Down (Apagar)**.
1. Elija una de las siguientes opciones:
+ **Apagar el servidor**: cierra la JupyterServer aplicación. Las sesiones de terminal, las sesiones del núcleo, SageMaker las imágenes y las instancias no se cierran. Estos recursos siguen acumulando cargos.
+ **Apagar todo**: cierra todas las aplicaciones, sesiones de terminal, sesiones del núcleo, SageMaker imágenes e instancias. Estos recursos ya no acumulan cargos.
1. Cierre la ventana.
1. Una vez eliminada la aplicación, inicie una nueva aplicación de Studio Classic para usar la versión más reciente.
# Cierre y actualice las aplicaciones clásicas de Amazon SageMaker Studio
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Para actualizar una aplicación Amazon SageMaker Studio Classic a la última versión, primero debes cerrar la KernelGateway aplicación correspondiente desde la consola de SageMaker IA. Una vez cerrada la KernelGateway aplicación, debe volver a abrirla mediante SageMaker Studio Classic ejecutando un nuevo núcleo. El kernel se actualiza automáticamente. Se perderá la información del cuaderno que no se haya guardado. Los datos de usuario del volumen de Amazon EFS no se ven afectados.
Tras cerrar una aplicación durante 24 horas, SageMaker AI elimina todos los metadatos de la aplicación. Para que se considere una actualización y se conserven los metadatos de la aplicación, las aplicaciones deben reiniciarse en un plazo de 24 horas desde el cierre de la aplicación anterior. Transcurrido este intervalo de tiempo, la creación de una aplicación se considera una aplicación nueva y no una actualización de la aplicación anterior.
**nota**
Una KernelGateway aplicación está asociada a un único usuario de Studio Classic. Cuando actualiza la aplicación para un usuario, no afecta a otros usuarios.
**Para actualizar la KernelGateway aplicación**
1. Vaya a [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. Seleccione el dominio que incluya la aplicación que desee actualizar.
1. En **Perfiles de usuario**, seleccione su nombre de usuario.
1. En **Aplicaciones**, en la fila que muestra el **Nombre de la aplicación**, seleccione **Acción** y, a continuación, seleccione **Eliminar**.
Para actualizar Data Wrangler, elimina la aplicación que comienza con. **sagemaker-data-wrang**
1. Elija **Sí, eliminar aplicación**.
1. Escriba **delete** en el cuadro de confirmación.
1. Elija **Eliminar**.
1. Una vez eliminada la aplicación, inicie un nuevo kernel desde Studio Classic para usar la versión más reciente.
# Precios de Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
Cuando el primer miembro del equipo se incorpora a Amazon SageMaker Studio Classic, Amazon SageMaker AI crea un volumen de Amazon Elastic File System (Amazon EFS) para el equipo. Cuando este miembro, o cualquier miembro del equipo, abre Studio Classic, se crea un directorio personal en el volumen del miembro. Se incurre en un cargo por almacenamiento para este directorio. Posteriormente, se incurren en cargos de almacenamiento adicionales para los cuadernos y archivos de datos almacenados en el directorio principal del miembro. Para obtener información sobre precios en Amazon EFS, consulte [Precios de Amazon EFS](https://aws.amazon.com/efs/pricing/).
Puede que se apliquen costos adicionales cuando se ejecuten otras operaciones dentro de Studio Classic, por ejemplo, la ejecución de un cuaderno, la ejecución de trabajos de entrenamiento o el alojamiento de un modelo.
Para obtener información sobre los costos asociados al uso de cuadernos de Studio Classic, consulte [Medición de uso para los portátiles Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Para obtener información sobre la facturación junto con ejemplos de precios, consulta [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
Si Amazon SageMaker Studio es tu experiencia predeterminada, consulta [Precios de Amazon SageMaker Studio](studio-updated-cost.md) para obtener más información sobre los precios.
# Solución de problemas de Amazon SageMaker Studio Classic
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos [migrar tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
En este tema se describe cómo solucionar problemas comunes de Amazon SageMaker Studio Classic durante la configuración y el uso. Los siguientes son errores comunes que pueden producirse al usar Amazon SageMaker Studio Classic. Cada error va seguido de una solución.
## Problemas de aplicaciones de Studio Classic
Se producen los siguientes problemas al iniciar y utilizar la aplicación de Studio Classic.
+ **La pantalla no se carga: limpiar el espacio de trabajo y esperar no ayuda**
Al iniciar la aplicación de Studio Classic, aparece el siguiente mensaje en una ventana emergente. No importa qué opción esté seleccionada, Studio Classic no se carga.
```
Loading...
The loading screen is taking a long time. Would you like to clear the workspace or keep waiting?
```
La aplicación de Studio Classic puede iniciarse con retraso si hay varias pestañas abiertas en el espacio de trabajo de Studio Classic o si hay varios archivos en Amazon EFS. Esta ventana emergente debería desaparecer unos segundos después de que el espacio de trabajo de Studio Classic esté listo.
Si sigue viendo una pantalla de carga con una rueda giratoria después de seleccionar cualquiera de las opciones, es posible que haya problemas de conectividad con la Amazon Virtual Private Cloud que utiliza Studio Classic.
Para resolver problemas de conectividad con la Amazon Virtual Private Cloud (Amazon VPC) que utiliza Studio Classic, compruebe las siguientes configuraciones de red:
+ Si su dominio está configurado en `VpcOnly` modo: compruebe que haya un punto de enlace de Amazon VPC o una puerta de enlace NAT para AWS STS el tráfico saliente, incluido el tráfico a través de Internet. Para ello, siga los pasos que se indican en [Conexión de cuadernos de Studio en una VPC a recursos externos](studio-notebooks-and-internet-access.md).
+ Si su Amazon VPC está configurada con un DNS personalizado en lugar del DNS proporcionado por Amazon: compruebe que las rutas estén configuradas mediante el protocolo de configuración dinámica de host (DHCP) para cada punto de conexión de Amazon VPC añadido a la Amazon VPC utilizada por Studio Classic. Para obtener más información sobre la configuración de conjuntos de opciones de DHCP predeterminados y personalizados, consulte [Conjuntos de opciones de DHCP en Amazon VPC](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_DHCP_Options.html).
+ ****Fallo interno** al iniciar Studio Classic**
Al iniciar Studio Classic, no puede ver la interfaz de usuario de Studio Classic. También aparece un error similar al siguiente, con un **fallo interno** como detalle del error.
```
Amazon SageMaker Studio
The JupyterServer app default encountered a problem and was stopped.
```
Este error puede deberse a varios factores. Si al completar estos pasos no se resuelve el problema, cree un problema con. https://aws.amazon.com/premiumsupport/
+ **Falta el objetivo de montaje de Amazon EFS**: Studio Classic utiliza Amazon EFS como almacenamiento. El volumen de Amazon EFS necesita un objetivo de montaje para cada subred en la que se cree el dominio de Amazon SageMaker AI. Si este destino de montaje de Amazon EFS se elimina accidentalmente, la aplicación de Studio Classic no se puede cargar porque no puede montar el directorio de archivos del usuario. Para resolver este problema, siga estos pasos.
**Para verificar o crear objetivos de montaje.**
1. Busque el volumen de Amazon EFS asociado al dominio mediante la llamada a la [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html)API.
1. Inicie sesión en la consola de Amazon EFS Consola de administración de AWS y ábrala en [ https://console.aws.amazon.com/efs/](https://console.aws.amazon.com/efs/).
1. En la lista de volúmenes de Amazon EFS, seleccione el volumen de Amazon EFS asociado al dominio.
1. En la página de detalles de Amazon EFS, seleccione la pestaña **Red**. Compruebe que haya destinos de montaje para todas las subredes en las que está configurado el dominio.
1. Si faltan objetivos de montaje, agregue los objetivos de montaje de Amazon EFS que falten. Para obtener instrucciones, consulte [Creación y administración de objetivos de montaje y grupos de seguridad](https://docs.aws.amazon.com/efs/latest/ug/accessing-fs.html).
1. Una vez creados los objetivos de montaje que falten, inicie la aplicación de Studio Classic.
+ **Archivos conflictivos en la `.local` carpeta del usuario**: si utiliza la JupyterLab versión 1 de Studio Classic, las bibliotecas conflictivas de la `.local` carpeta pueden provocar problemas al iniciar la aplicación Studio Classic. Para solucionar este problema, actualiza la JupyterLab versión predeterminada de tu perfil de usuario a JupyterLab la 3.0. Para obtener más información sobre cómo ver y actualizar la JupyterLab versión, consulte[JupyterLab Control de versiones en Amazon SageMaker Studio Classic](studio-jl.md).
+ ****ConfigurationError: LifecycleConfig** al iniciar Studio Classic**
No puede ver la interfaz de usuario de Studio Classic al iniciar Studio Classic. Esto se debe a problemas con el script de configuración del ciclo de vida predeterminado asociado al dominio.
**Para resolver problemas de configuración del ciclo de vida**
1. Consulte los CloudWatch registros de Amazon para ver la configuración del ciclo de vida para rastrear el comando que provocó el error. Para ver el registro, siga los pasos que se indican en [Verifica el proceso de configuración del ciclo de vida desde CloudWatch los registros](studio-lcc-debug.md#studio-lcc-debug-logs).
1. Desasocie el script predeterminado del perfil de usuario o del dominio. Para obtener más información, consulte [Actualice y separe las configuraciones del ciclo de vida en Amazon SageMaker Studio Classic](studio-lcc-delete.md).
1. Inicialice la aplicación de Studio Classic.
1. Depure el script de configuración del ciclo de vida. Puede ejecutar el script de configuración del ciclo de vida desde el terminal del sistema para solucionar el problema. Cuando el script se ejecute correctamente desde el terminal, puede asociarlo al perfil de usuario o al dominio.
+ **SageMaker Las funcionalidades principales de Studio Classic no están disponibles.**
Si aparece este mensaje de error al abrir Studio Classic, puede deberse a conflictos de versión del paquete de Python. Esto ocurre si ha utilizado los siguientes comandos en un bloc de notas o terminal para instalar paquetes de Python que tienen conflictos de versión con las dependencias de los paquetes de SageMaker AI.
```
!pip install
```
```
pip install --user
```
Para resolver este problema, siga estos pasos:
1. Desinstale los paquetes de Python instalados recientemente. Si no estás seguro de qué paquete deseas desinstalar, crea un problema con https://aws.amazon.com/premiumsupport/ él.
1. Reinicie Studio Classic:
1. Cierre Studio Classic desde el menú **Archivo**.
1. Espere un minuto.
1. Vuelva a abrir Studio Classic actualizando la página o abriéndola desde la Consola de administración de AWS.
El problema debería resolverse si ha desinstalado el paquete que causó el conflicto. Para instalar paquetes sin volver a causar este problema, utilice `%pip install` sin el marcado `--user`.
Si el problema persiste, cree un nuevo perfil de usuario y configure su entorno con ese perfil de usuario.
Si estas soluciones no solucionan el problema, crea un problema con https://aws.amazon.com/premiumsupport/.
+ **No se puede abrir Studio Classic desde la Consola de administración de AWS.**
Si no puedes abrir Studio Classic y no puedes crear una nueva instancia en ejecución con todos los ajustes predeterminados, crea un problema con https://aws.amazon.com/premiumsupport/.
## KernelGateway problemas de aplicación
Los siguientes problemas son específicos de las KernelGateway aplicaciones que se inician en Studio Classic.
+ **No se puede acceder a la sesión del kernel**
Cuando el usuario inicia un nuevo cuaderno, no puede conectarse a la sesión del cuaderno. Si el estado de la KernelGateway aplicación es`In Service`, puede comprobar lo siguiente para resolver el problema.
+ **Compruebe las configuraciones de los grupos de seguridad**
Si el dominio está configurado en `VPCOnly` modo, el grupo de seguridad asociado al dominio debe permitir el tráfico entre los puertos del rango `8192-65535` para garantizar la conectividad entre KernelGateway las aplicaciones JupyterServer y las aplicaciones.
**Para verificar las reglas del grupo de seguridad**
1. Obtenga los grupos de seguridad asociados al dominio mediante la llamada a la [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html)API.
1. Inicie sesión en la consola de Amazon VPC Consola de administración de AWS y ábrala en. [https://console.aws.amazon.com/vpc/](https://console.aws.amazon.com/vpc/)
1. En el panel de navegación izquierdo, en **Seguridad**, elija **Grupos de seguridad**.
1. Filtre por IDs los grupos de seguridad asociados al dominio.
1. Para cada grupo de seguridad:
1. Seleccione el grupo de seguridad .
1. En la página de detalles del grupo de seguridad, consulte las **Reglas de entrada**. Compruebe que el tráfico esté permitido entre los puertos del rango `8192-65535`.
Para obtener más información sobre los grupos de seguridad, consulte [Control del tráfico hacia los recursos mediante grupos de seguridad](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_SecurityGroups.html#working-with-security-group-rules). Para obtener más información sobre los requisitos para usar Studio Classic en el modo `VPCOnly`, consulte [Conexión de cuadernos de Studio en una VPC a recursos externos](studio-notebooks-and-internet-access.md).
+ **Compruebe el firewall y WebSocket las conexiones**
Si las KernelGateway aplicaciones están en un `InService` estado y el usuario no puede conectarse a la sesión del portátil Studio Classic, compruebe el firewall y la WebSocket configuración.
1. Inicialice la aplicación de Studio Classic. Para obtener más información, consulte [Inicie Amazon SageMaker Studio Classic](studio-launch.md).
1. Abra las herramientas para desarrolladores del navegador web.
1. Seleccione la pestaña **Red**.
1. Busque una entrada que coincida con el siguiente formato.
```
wss://.studio..sagemaker.aws/jupyter/default/api/kernels//channels?session_id=
```
Si el estado o el código de respuesta de la entrada no es el `101` siguiente: la configuración de la red impide la conexión entre la aplicación Studio Classic y las KernelGateway aplicaciones.
Para resolver este problema, ponte en contacto con el equipo que gestiona la configuración de red para permitir incluir en la lista la URL de Studio Classic y habilitar WebSocket las conexiones.
+ **No se pudo iniciar una aplicación debido a que se superaron las cuotas de recursos**
Cuando un usuario intenta iniciar un nuevo cuaderno, la creación del cuaderno falla y se produce uno de los siguientes errores. Esto se debe a que se superan las cuotas de recursos.
+
```
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 admite hasta cuatro KernelGateway aplicaciones en ejecución en la misma instancia. Para resolver este problema, puede optar por una de las siguientes medidas:
+ Elimine una KernelGateway aplicación existente que se esté ejecutando en la instancia y, a continuación, reinicie el nuevo bloc de notas.
+ Iniciar el nuevo cuaderno en un tipo de instancia diferente
Para obtener más información, consulte [Cambiar el tipo de instancia de un bloc de notas Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md).
+
```
An error occurred (ResourceLimitExceeded) when calling the CreateApp operation
```
En este caso, la cuenta no tiene límites suficientes para crear una aplicación de Studio Classic en el tipo de instancia especificado. Para resolver este problema, dirígete a la Service Quotas consola en [https://console.aws.amazon.com/servicequotas/](https://console.aws.amazon.com/servicequotas/). En esa consola, solicite un aumento del límite `Studio KernelGateway Apps running on instance-type instance`. Para más información, consulte [Service Quotas de AWS](https://docs.aws.amazon.com/general/latest/gr/aws_service_limits.html).
# SageMaker JupyterLab
Crea un JupyterLab espacio en Amazon SageMaker Studio para lanzar la JupyterLab aplicación. Un JupyterLab espacio es un espacio privado o compartido dentro de Studio que administra los recursos de almacenamiento y procesamiento necesarios para ejecutar la JupyterLab aplicación. La JupyterLab aplicación es un entorno de desarrollo interactivo (IDE) basado en la web para cuadernos, código y datos. Utilice la interfaz amplia y flexible de la JupyterLab aplicación para configurar y organizar los flujos de trabajo del aprendizaje automático (ML).
De forma predeterminada, la JupyterLab aplicación viene con la imagen SageMaker de distribución. La imagen de distribución incluye paquetes populares, como los siguientes:
+ PyTorch
+ TensorFlow
+ Keras
+ NumPy
+ Pandas
+ Scikit-learn
Puede utilizar los espacios compartidos para colaborar en sus cuadernos de Jupyter con otros usuarios en tiempo real. Para obtener más información sobre los espacios compartidos, consulte [Colaboración con espacios compartidos](domain-space.md).
Dentro de la JupyterLab aplicación, puedes usar Amazon Q Developer, un complemento de código generativo impulsado por IA para generar, depurar y explicar tu código. Para obtener información sobre cómo utilizar Amazon Q Developer, consulte [JupyterLab guía del usuario](studio-updated-jl-user-guide.md). Para obtener información sobre cómo configurar Amazon Q Developer, consulte [JupyterLab guía del administrador](studio-updated-jl-admin-guide.md).
Cree flujos de trabajo unificados de análisis y machine learning en el mismo cuaderno de Jupyter. Ejecute Spark trabajos interactivos en Amazon EMR y en una infraestructura AWS Glue sin servidor, directamente desde su portátil. Supervise y depure los trabajos más rápido mediante la interfaz de usuario insertada de Spark. En solo unos pasos, puede automatizar la preparación de los datos con solo programar el cuaderno como un trabajo.
La JupyterLab aplicación le ayuda a trabajar en colaboración con sus compañeros. Usa la integración de Git integrada en el JupyterLab IDE para compartir y versionar el código. Traiga su propio sistema de almacenamiento de archivos si tiene un volumen de Amazon EFS.
La JupyterLab aplicación se ejecuta en una única instancia de Amazon Elastic Compute Cloud (Amazon EC2) y utiliza un único volumen de Amazon Elastic Block Store (Amazon EBS) como almacenamiento. Puede cambiar de instancia más rápido o aumentar el tamaño del volumen de Amazon EBS según sus necesidades.
Las JupyterLab 4 aplicaciones se ejecutan en un JupyterLab espacio de Studio. Studio Classic usa la aplicación JupyterLab 3. JupyterLab 4 ofrece las siguientes ventajas:
+ Un IDE más rápido que Amazon SageMaker Studio Classic, especialmente con ordenadores portátiles grandes
+ Búsqueda de documentos mejorada
+ Un editor de texto más eficiente y accesible
Para obtener más información al respecto JupyterLab, consulte [JupyterLabla documentación](https://jupyterlab.readthedocs.io/en/stable/#).
**Topics**
+ [JupyterLab guía del usuario](studio-updated-jl-user-guide.md)
+ [JupyterLab guía del administrador](studio-updated-jl-admin-guide.md)
# JupyterLab guía del usuario
Esta guía muestra a JupyterLab los usuarios cómo ejecutar flujos de trabajo de análisis y aprendizaje automático en SageMaker Studio. Puede obtener un almacenamiento rápido y escalar la computación para ampliarla o reducirla en función de sus necesidades.
JupyterLab admite espacios privados y compartidos. El ámbito de los espacios privados se limita a un único usuario de un dominio. Los espacios compartidos permiten que otros usuarios de su dominio colaboren con usted en tiempo real. Para obtener información sobre espacios de Studio, consulte [Espacios de Amazon SageMaker Studio](studio-updated-spaces.md).
Para empezar a usarlo JupyterLab, crea un espacio e inicia tu JupyterLab aplicación. El espacio en el que se ejecuta JupyterLab la aplicación es un JupyterLab espacio. El JupyterLab espacio utiliza una única instancia de Amazon EC2 para el procesamiento y un único volumen de Amazon EBS para el almacenamiento. Todo lo que hay en el espacio, como el código, el perfil de Git y las variables de entorno, se almacena en el mismo volumen de Amazon EBS. El volumen tiene 3000 IOPS y un rendimiento de 125 megabytes por segundo (). MBps Puede utilizar el almacenamiento rápido para abrir y ejecutar varios cuadernos de Jupyter en la misma instancia. También puede cambiar los kernels de un cuaderno con gran rapidez.
El administrador ha configurado los ajustes de almacenamiento predeterminados de Amazon EBS para su espacio. El tamaño de almacenamiento predeterminado es de 5 GB, pero puede aumentar la cantidad de espacio que obtiene. Puede hablar con su administrador para que le indique cómo hacerlo.
Puede cambiar el tipo de instancia de Amazon EC2 que va a utilizar para ejecutar JupyterLab y ampliar o reducir la capacidad de procesamiento en función de sus necesidades. Las instancias de **Lanzamiento rápido** se inician mucho más rápido que las demás instancias.
El administrador puede proporcionarle una configuración del ciclo de vida que personalice su entorno. Puede especificar la configuración del ciclo de vida al crear el espacio.
Si el administrador le da acceso a Amazon EFS, puede configurar el JupyterLab espacio para acceder a él.
De forma predeterminada, la JupyterLab aplicación utiliza la imagen SageMaker de distribución. Esto incluye la compatibilidad con muchos paquetes de machine learning, análisis y aprendizaje profundo. Sin embargo, si necesita una imagen personalizada, su administrador puede ayudarlo a proporcionar acceso a las imágenes personalizadas.
El volumen de Amazon EBS persiste independientemente de la vida de una instancia. No perderá los datos cuando cambie de instancias. Utilice las bibliotecas de administración de paquetes de conda y de pip para crear entornos personalizados y reproducibles que persistan aunque cambie de tipos de instancias.
Tras abrirla JupyterLab, puede configurar el entorno mediante el terminal. Para abrir el terminal, diríjase al **Lanzador** y seleccione **Terminal**.
A continuación, se muestran ejemplos de las distintas formas en las que puede configurar un entorno JupyterLab.
**nota**
En Studio, puede usar configuraciones de ciclo de vida para personalizar su entorno, pero recomendamos usar un administrador de paquetes en su lugar. El uso de configuraciones de ciclo de vida es un método más propenso a errores. Es más fácil agregar o eliminar dependencias que depurar un script de configuración de ciclo de vida. También puede aumentar el tiempo JupyterLab de inicio.
Para obtener información sobre las configuraciones de ciclo de vida, consulte [Configuraciones del ciclo de vida con JupyterLab](jl-lcc.md).
**Topics**
+ [Creación de un espacio](studio-updated-jl-user-guide-create-space.md)
+ [Configuración de un espacio](studio-updated-jl-user-guide-configure-space.md)
+ [Personalización de un entorno mediante un administrador de paquetes](studio-updated-jl-user-guide-customize-package-manager.md)
+ [Eliminación de un entorno de conda](studio-updated-jl-clean-up-conda.md)
+ [Uso compartido de entornos de conda entre tipos de instancias](studio-updated-jl-create-conda-share-environment.md)
+ [Uso de Amazon Q para agilizar sus flujos de trabajo de machine learning](studio-updated-jl-user-guide-use-amazon-q.md)
# Creación de un espacio
Para empezar a usarlo JupyterLab, cree un espacio o elija el espacio que su administrador creó para usted y ábralo JupyterLab.
Utilice el siguiente procedimiento para crear un espacio y abrirlo JupyterLab.
**Para crear un espacio y abrirlo JupyterLab**
1. Abra Studio. Para obtener información sobre cómo abrir Studio, consulte [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. Elija **JupyterLab**.
1. Selecciona **Crear JupyterLab espacio**.
1. En **Nombre**, especifique el nombre del espacio.
1. (Opcional) Seleccione **Compartir con mi dominio** para crear un espacio compartido.
1. Elija **Crear espacio**.
1. (Opcional) En **Instancia**, especifique la instancia de Amazon EC2 que ejecuta el espacio.
1. (Opcional) En **Imagen**, especifique una imagen que le haya proporcionado el administrador para personalizar el entorno.
**importante**
Las políticas de IAM personalizadas que permiten a los usuarios de Studio crear espacios también deben conceder permisos para enumerar imágenes (`sagemaker: ListImage`) para ver imágenes personalizadas. Para agregar el permiso, consulte [Adición y eliminación de permisos de identidad de IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) en la Guía del usuario de *AWS Identity and Access Management*.
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear recursos de SageMaker IA ya incluyen permisos para enumerar imágenes al crear esos recursos.
1. (Opcional) En **Configuración del espacio**, especifique lo siguiente:
+ **Almacenamiento (GB)**: hasta 100 GB o la cantidad que especifique el administrador.
+ **Configuración de ciclo de vida**: la configuración del ciclo de vida que especifique el administrador.
+ **Asociar sistema de archivos de EFS personalizado**: un sistema de archivos de Amazon EFS al que el administrador proporcione acceso.
1. Seleccione **Ejecutar espacio**.
1. Elija **Open JupyterLab**.
# Configuración de un espacio
Tras crear un JupyterLab espacio, puede configurarlo para que haga lo siguiente:
+ Cambiar el tipo de instancia.
+ Cambiar el volumen de almacenamiento.
+ (Se requiere configuración del administrador) Utilizar una imagen personalizada.
+ (Se requiere configuración del administrador) Utilizar una configuración del ciclo de vida.
+ (Se requiere configuración del administrador) Asociar un sistema de archivos de Amazon EFS personalizado.
**importante**
Debe detener el JupyterLab espacio cada vez que lo configure. Utilice el siguiente procedimiento para configurar el espacio.
**Configuración de un espacio**
1. En Studio, navega hasta la página de la JupyterLab aplicación.
1. Elija el nombre del espacio.
1. (Opcional) En **Imagen**, especifique una imagen que le haya proporcionado el administrador para personalizar el entorno.
**importante**
Las políticas de IAM personalizadas que permiten a los usuarios de Studio crear espacios también deben conceder permisos para enumerar imágenes (`sagemaker: ListImage`) para ver imágenes personalizadas. Para agregar el permiso, consulte [Adición y eliminación de permisos de identidad de IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) en la Guía del usuario de *AWS Identity and Access Management*.
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear recursos de SageMaker IA ya incluyen permisos para enumerar imágenes al crear esos recursos.
1. (Opcional) En **Configuración del espacio**, especifique lo siguiente:
+ **Almacenamiento (GB)**: hasta 100 GB o la cantidad que haya configurado el administrador para el espacio.
+ **Configuración de ciclo de vida**: la configuración del ciclo de vida que proporcione el administrador.
+ **Asociar sistema de archivos de EFS personalizado**: un sistema de archivos de Amazon EFS al que el administrador proporcione acceso.
1. Seleccione **Ejecutar espacio**.
Cuando abres la JupyterLab aplicación, tu espacio tiene la configuración actualizada.
# Personalización de un entorno mediante un administrador de paquetes
Utilice pip o conda para personalizar el entorno. Recomendamos usar administradores de paquetes en lugar de scripts de configuración del ciclo de vida.
## Creación y activación de un entorno personalizado
En esta sección se proporcionan ejemplos de las distintas formas en las que se puede configurar un entorno JupyterLab.
Un entorno conda básico tiene la cantidad mínima de paquetes que se requieren para sus flujos de trabajo en SageMaker IA. Utilice la siguiente plantilla para crear un entorno de conda básico:
```
# initialize conda for shell interaction
conda init
# create a new fresh environment
conda create --name test-env
# check if your new environment is created successfully
conda info --envs
# activate the new environment
conda activate test-env
# install packages in your new conda environment
conda install pip boto3 pandas ipykernel
# list all packages install in your new environment
conda list
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# to exit your new environment
conda deactivate
```
En la imagen siguiente, se muestra la ubicación del entorno que se ha creado.
![\[En la esquina superior derecha de la pantalla, se muestra el entorno test-env.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/juptyer-notebook-environment-location.png)
Para cambiar su entorno, elíjalo y seleccione una opción del menú desplegable.
![\[La marca de verificación y su texto correspondiente indican el ejemplo de entorno creado anteriormente.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/jupyter-notebook-select-env.png)
Elija **Seleccionar** para seleccionar un kernel para el entorno.
## Creación de un entorno de conda con una versión específica de Python
Eliminar los entornos de conda que no se utilizan puede ayudar a liberar espacio en disco y mejorar el rendimiento. Utilice la siguiente plantilla para eliminar un entorno de conda:
```
# create a conda environment with a specific python version
conda create --name py38-test-env python=3.8.10
# activate and test your new python version
conda activate py38-test-env & python3 --version
# Install ipykernel to facilicate env registration
conda install ipykernel
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your py38 test environment
conda deactivate
```
## Creación de un entorno de conda con un conjunto específico de paquetes
Utilice la siguiente plantilla para crear un entorno de conda con una versión específica de Python y un conjunto de paquetes:
```
# prefill your conda environment with a set of packages,
conda create --name py38-test-env python=3.8.10 pandas matplotlib=3.7 scipy ipykernel
# activate your conda environment and ensure these packages exist
conda activate py38-test-env
# check if these packages exist
conda list | grep -E 'pandas|matplotlib|scipy'
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
## Clonación de conda desde un entorno existente
Clone su entorno de conda para conservar su estado de funcionamiento. Puede experimentar en el entorno clonado sin preocuparse por introducir cambios importantes en el entorno de prueba.
Utilice el siguiente comando para clonar un entorno.
```
# create a fresh env from a base environment
conda create --name py310-base-ext --clone base # replace 'base' with another env
# activate your conda environment and ensure these packages exist
conda activate py310-base-ext
# install ipykernel to register your env
conda install ipykernel
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
## Clonación de conda desde un archivo YAML de referencia
Cree un entorno de conda a partir de un archivo de YAML de referencia. El siguiente es un ejemplo de un archivo de YAML que puede usar.
```
# anatomy of a reference environment.yml
name: py311-new-env
channels:
- conda-forge
dependencies:
- python=3.11
- numpy
- pandas
- scipy
- matplotlib
- pip
- ipykernel
- pip:
- git+https://github.com/huggingface/transformers
```
En `pip`, recomendamos especificar solo las dependencias que no están disponibles con conda.
Use los siguientes comandos para crear un entorno de conda a partir de un archivo de YAML.
```
# create your conda environment
conda env create -f environment.yml
# activate your env
conda activate py311-new-env
```
# Eliminación de un entorno de conda
Eliminar los entornos de conda que no se utilizan puede ayudar a liberar espacio en disco y mejorar el rendimiento. Utilice la siguiente plantilla para eliminar un entorno de conda:
```
# list your environments to select an environment to clean
conda info --envs # or conda info -e
# once you've selected your environment to purge
conda remove --name test-env --all
# run conda environment list to ensure the target environment is purged
conda info --envs # or conda info -e
```
# Uso compartido de entornos de conda entre tipos de instancias
Puede compartir entornos de conda guardándolos en un directorio de Amazon EFS fuera de su volumen de Amazon EBS. Otro usuario puede acceder al entorno en el directorio en el que lo haya guardado.
**importante**
El uso compartido de entornos está sujeto a limitaciones. Por ejemplo, no recomendamos un entorno diseñado para ejecutarse en una instancia de GPU de Amazon EC2 en lugar de un entorno que se ejecute en una instancia de CPU.
Use los siguientes comandos como plantilla para especificar el directorio de destino en el que desea crear un entorno personalizado. Va a crear un entorno de conda dentro de una ruta determinada. Se crea dentro del directorio de Amazon EFS. Puede crear una nueva instancia y utilizar la ruta de activación de conda, todo ello dentro de Amazon EFS.
```
# if you know your environment path for your conda environment
conda create --prefix /home/sagemaker-user/my-project/py39-test python=3.9
# activate the env with full path from prefix
conda activate home/sagemaker-user/my-project/py39-test
# parse env name information from your new environment
export CURRENT_ENV_NAME=$(conda info | grep "active environment" | awk -F' : ' '{print $2}' | awk -F'/' '{print $NF}')
# register your new environment as Jupyter Kernel for execution
python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env-prefix:($CURRENT_ENV_NAME)"
# deactivate your conda environment
conda deactivate
```
# Uso de Amazon Q para agilizar sus flujos de trabajo de machine learning
Amazon Q Developer es su servicio complementario con tecnología de IA para el desarrollo del machine learning. Con Amazon Q Developer, podrá:
+ Reciba step-by-step orientación sobre el uso de las funciones de SageMaker IA de forma independiente o en combinación con otros AWS servicios.
+ Obtenga un código de muestra para comenzar con sus tareas de aprendizaje automático, como la preparación de datos, la capacitación, la inferencia y MLOps.
+ Recibir asistencia para solucionar problemas a fin de depurar y resolver los errores detectados al ejecutar el código.
Amazon Q Developer se integra perfectamente en su JupyterLab entorno. Para utilizar Amazon Q Developer, elija la **Q** en la barra de navegación de la izquierda de su JupyterLab entorno o entorno de editor de código.
Si no ve el icono **Q**, su administrador deberá configurárselo. Para obtener más información sobre cómo configurar Amazon Q Developer, consulte [Configuración de Amazon Q Developer para sus usuarios](studio-updated-amazon-q-admin-guide-set-up.md).
Amazon Q proporciona automáticamente sugerencias para ayudarlo a escribir el código. También usted puede pedirle sugerencias a través de la interfaz de chat.
# JupyterLab guía del administrador
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Esta guía para administradores describe los JupyterLab recursos de SageMaker IA, como los de Amazon Elastic Block Store (Amazon EBS) y Amazon Elastic Compute Cloud (Amazon EC2). En los temas también se muestra cómo proporcionar acceso a los usuarios y cambiar el tamaño del almacenamiento.
Un JupyterLab espacio de SageMaker IA se compone de los siguientes recursos:
+ Un volumen de Amazon EBS distinto en el que se almacenan todos los datos, como el código y las variables de entorno.
+ La instancia de Amazon EC2 utilizada para ejecutar el espacio.
+ La imagen utilizada para ejecutarse JupyterLab.
**nota**
Las aplicaciones no tienen acceso al volumen de EBS de otras aplicaciones. Por ejemplo, el editor de código, basado en Code-OSS, Visual Studio Code - Open Source no tiene acceso al volumen de EBS. JupyterLab Para obtener más información sobre los volúmenes de EBS, consulte [Amazon Elastic Block Store (Amazon EBS)](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/AmazonEBS.html).
Puedes usar la SageMaker API de Amazon para hacer lo siguiente:
+ Cambio del tamaño del almacenamiento predeterminado del volumen de EBS para sus usuarios
+ Cambio del tamaño máximo del almacenamiento de EBS
+ Especificación de la configuración de usuario de la aplicación; por ejemplo, puede especificar si el usuario utiliza una imagen personalizada o un repositorio de código.
+ Especificación del tipo de aplicación de soporte
El tamaño predeterminado del volumen de Amazon EBS es de 5 GB. Puede aumentar el tamaño del volumen hasta un máximo de 16 384 GB. Si no hace nada, los usuarios pueden aumentar el tamaño de su volumen a 100 GB. El tamaño del volumen solo se puede cambiar una vez en un periodo de seis horas.
Los núcleos asociados a la JupyterLab aplicación se ejecutan en la misma instancia de Amazon EC2 que se ejecuta. JupyterLab Al crear un espacio, se utiliza de forma predeterminada la última versión de la imagen de SageMaker distribución. Para obtener más información sobre las imágenes de SageMaker distribución, consulte[SageMaker Política de soporte de imágenes de Studio](sagemaker-distribution.md).
**importante**
Para obtener información sobre cómo actualizar el espacio para usar la última versión de la imagen de distribución de SageMaker IA, consulte[Actualiza la imagen SageMaker de distribución](studio-updated-jl-update-distribution-image.md).
El directorio de trabajo de los usuarios dentro del volumen de almacenamiento es `/home/sagemaker-user`. Si especifica su propia AWS KMS clave para cifrar el volumen, todo el contenido del directorio de trabajo se cifra con la clave gestionada por el cliente. Si no especificas ninguna AWS KMS clave, los datos que contiene `/home/sagemaker-user` se cifran con una clave AWS gestionada. Independientemente de si se especifica una AWS KMS clave, todos los datos que se encuentran fuera del directorio de trabajo se cifran con una clave AWS gestionada.
En las siguientes secciones se explican con detalle las configuraciones que debe realizar como administrador.
**Topics**
+ [Concesión de acceso a los usuarios a los espacios](studio-updated-jl-admin-guide-permissions.md)
+ [Cambia el tamaño de almacenamiento predeterminado para tus usuarios JupyterLab](studio-updated-jl-admin-guide-storage-size.md)
+ [Configuraciones del ciclo de vida con JupyterLab](jl-lcc.md)
+ [Git repos en JupyterLab](studio-updated-jl-admin-guide-git-attach.md)
+ [Imágenes personalizadas](studio-updated-jl-admin-guide-custom-images.md)
+ [Actualiza la imagen SageMaker de distribución](studio-updated-jl-update-distribution-image.md)
+ [Eliminación de recursos sin usar](studio-updated-jl-admin-guide-clean-up.md)
+ [Cuotas](studio-updated-jl-admin-guide-quotas.md)
# Concesión de acceso a los usuarios a los espacios
Para proporcionar a los usuarios acceso a espacios privados o compartidos, debe asociar una política de permisos a sus roles de IAM. También puede usar la política de permisos para restringir los espacios privados y sus aplicaciones asociadas a un perfil de usuario específico.
Con la siguiente política de permisos se otorga acceso a espacios privados y compartidos. Esto permite a los usuarios crear su propio espacio y enumerar otros espacios dentro de su dominio. Un usuario con esta política no puede obtener acceso al espacio privado de otro usuario. Para obtener información sobre espacios de Studio, consulte [Espacios de Amazon SageMaker Studio](studio-updated-spaces.md).
Con la siguiente política de claves se proporcionan los permisos para lo siguiente:
+ Espacios privados o espacios compartidos
+ Un perfil de usuario para acceder a esos espacios
Para conceder permisos, puede reducir el ámbito de los permisos de la siguiente política y agregárselos a los roles de IAM de sus usuarios. También puede usar esta política para restringir sus espacios y sus aplicaciones asociadas a un perfil de usuario específico.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioCreatePresignedDomainUrlForUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
{
"Sid": "SMStudioAppPermissionsListAndDescribe",
"Effect": "Allow",
"Action": [
"sagemaker:ListApps",
"sagemaker:ListDomains",
"sagemaker:ListUserProfiles",
"sagemaker:ListSpaces",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:DescribeUserProfile",
"sagemaker:DescribeSpace"
],
"Resource": "*"
},
{
"Sid": "SMStudioAppPermissionsTagOnCreate",
"Effect": "Allow",
"Action": [
"sagemaker:AddTags"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:*/*",
"Condition": {
"Null": {
"sagemaker:TaggingAction": "false"
}
}
},
{
"Sid": "SMStudioRestrictSharedSpacesWithoutOwners",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*",
"Condition": {
"Null": {
"sagemaker:OwnerUserProfileArn": "true"
}
}
},
{
"Sid": "SMStudioRestrictSpacesToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateSpace",
"sagemaker:UpdateSpace",
"sagemaker:DeleteSpace"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private",
"Shared"
]
}
}
},
{
"Sid": "SMStudioRestrictCreatePrivateSpaceAppsToOwnerUserProfile",
"Effect": "Allow",
"Action": [
"sagemaker:CreateApp",
"sagemaker:DeleteApp"
],
"Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/sagemaker:DomainId/*",
"Condition": {
"ArnLike": {
"sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName"
},
"StringEquals": {
"sagemaker:SpaceSharingType": [
"Private"
]
}
}
}
]
}
```
------
# Cambia el tamaño de almacenamiento predeterminado para tus usuarios JupyterLab
Puede cambiar la configuración de almacenamiento predeterminada de sus usuarios. También puede cambiar la configuración de almacenamiento predeterminada en función de los requisitos de la organización y las necesidades de los usuarios.
Para cambiar el tamaño del almacenamiento, en esta sección se proporcionan comandos para hacer lo siguiente:
1. Actualice la configuración de almacenamiento de Amazon EBS en el dominio (dominio) de Amazon SageMaker AI.
1. Cree un perfil de usuario y especifique la configuración de almacenamiento que contiene.
Utilice los siguientes comandos AWS Command Line Interface (AWS CLI) para cambiar el tamaño de almacenamiento predeterminado.
Use el siguiente AWS CLI comando para actualizar el dominio:
```
aws --region Región de AWS sagemaker update-domain \
--domain-id domain-id \
--default-user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":5,
"MaximumEbsVolumeSizeInGb":100
}
}
}'
```
Utilice el siguiente AWS CLI comando para crear el perfil de usuario y especificar la configuración de almacenamiento predeterminada:
```
aws --region Región de AWS sagemaker create-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":5,
"MaximumEbsVolumeSizeInGb":100
}
}
}'
```
Utilice los siguientes AWS CLI comandos para actualizar la configuración de almacenamiento predeterminada en el perfil de usuario:
```
aws --region Región de AWS sagemaker update-user-profile \
--domain-id domain-id \
--user-profile-name user-profile-name \
--user-settings '{
"SpaceStorageSettings": {
"DefaultEbsStorageSettings":{
"DefaultEbsVolumeSizeInGb":25,
"MaximumEbsVolumeSizeInGb":200
}
}
}'
```
# Configuraciones del ciclo de vida con JupyterLab
Las configuraciones del ciclo de vida son scripts de shell que se activan por eventos JupyterLab del ciclo de vida, como iniciar un nuevo JupyterLab bloc de notas. Puede usar las configuraciones del ciclo de vida para automatizar la personalización de su JupyterLab entorno. Esta personalización incluye la instalación de paquetes personalizados, la configuración de extensiones de cuadernos, la precarga de conjuntos de datos y la configuración de repositorios de código fuente.
El uso de configuraciones del ciclo de vida le brinda flexibilidad y control para configurarlas de manera que se adapten JupyterLab a sus necesidades específicas. Por ejemplo, puede crear un conjunto mínimo de imágenes de contenedor base con los paquetes y las bibliotecas más utilizados. A continuación, puede utilizar las configuraciones de ciclo de vida para instalar paquetes adicionales para casos de uso específicos en los equipos de ciencia de datos y machine learning.
**nota**
Cada script tiene un límite de **16 384 caracteres**.
**Topics**
+ [Creación de una configuración de ciclo de vida](jl-lcc-create.md)
+ [Depuración de configuraciones del ciclo de vida](jl-lcc-debug.md)
+ [Desasociación de configuraciones de ciclo de vida](jl-lcc-delete.md)
# Creación de una configuración de ciclo de vida
En este tema se incluyen instrucciones para crear y asociar una configuración de ciclo de vida a JupyterLab. Utilice el AWS Command Line Interface (AWS CLI) o el Consola de administración de AWS para automatizar la personalización de su JupyterLab entorno.
Las configuraciones del ciclo de vida son scripts de shell activados por eventos JupyterLab del ciclo de vida, como iniciar un nuevo JupyterLab bloc de notas. Para obtener más información acerca de las configuraciones del ciclo de vida, consulte [Configuraciones del ciclo de vida con JupyterLab](jl-lcc.md).
## Creación de una configuración de ciclo de vida (AWS CLI)
Aprenda a crear una configuración de ciclo de vida con AWS Command Line Interface (AWS CLI) para automatizar la personalización de su entorno de Studio.
### Requisitos previos
Antes de comenzar, complete los siguientes requisitos previos:
+ AWS CLI Actualízala siguiendo los pasos que se indican en [Instalación de la AWS CLI versión actual](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ En el equipo local, ejecute `aws configure` y proporcione sus credenciales de AWS . Para obtener información sobre AWS las credenciales, consulte [Descripción y obtención de AWS las credenciales](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Incorporado al dominio Amazon SageMaker AI. Para obtener información conceptual, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md). Para obtener una guía de inicio rápido, consulte [Utilice la configuración rápida para Amazon SageMaker AI](onboard-quick-start.md).
### Paso 1: creación de una configuración del ciclo de vida
En el siguiente procedimiento se muestra cómo crear un script de configuración del ciclo de vida que presente el mensaje `Hello World`.
**nota**
Cada script puede tener hasta **16 384 caracteres**.
1. En su equipo local, cree un archivo con el nombre `my-script.sh` que contenga lo siguiente:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Utilice lo siguiente para convertir su archivo `my-script.sh` al formato base64. Este requisito evita errores debidos a la codificación del espaciado y los saltos de línea.
```
LCC_CONTENT=`openssl base64 -A -in my-script.sh`
```
1. Cree una configuración del ciclo de vida para usar en Studio. Con el siguiente comando se crea una configuración de ciclo de vida que se ejecuta al inicializar una aplicación de `JupyterLab` asociada:
```
aws sagemaker create-studio-lifecycle-config \
--region region \
--studio-lifecycle-config-name my-jl-lcc \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type JupyterLab
```
Tenga en cuenta el ARN de la configuración del ciclo de vida recién creada que se devuelve. Este ARN es necesario para asociar la configuración del ciclo de vida a la aplicación.
### Paso 2: Adjunte la configuración del ciclo de vida a su dominio (dominio) y perfil de usuario de Amazon SageMaker AI
Para asociar la configuración de ciclo de vida, debe actualizar la `UserSettings` de su dominio o perfil de usuario. Todos los usuarios heredan los scripts de configuración del ciclo de vida que estén asociados a nivel de dominio. Sin embargo, los scripts que están asociados en el nivel de perfil de usuario están dirigidos a un usuario específico.
Para crear un perfil de usuario, un dominio o un espacio con la configuración de ciclo de vida asociada, utilice los siguientes comandos:
+ [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html)
+ [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html)
+ [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html)
Con el siguiente comando, se crea un perfil de usuario con una configuración de ciclo de vida. Agregue el ARN de configuración de ciclo de vida del paso anterior a la `JupyterLabAppSettings` del usuario. Puede agregar varias configuraciones de ciclo de vida al mismo tiempo pasando una lista de ellas. Cuando un usuario lanza una JupyterLab aplicación con el AWS CLI, puede especificar una configuración de ciclo de vida en lugar de utilizar la configuración predeterminada. La configuración del ciclo de vida que pase el usuario debe pertenecer a la lista de configuraciones del ciclo de vida incluida en la `JupyterLabAppSettings`.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
## Creación de una configuración de ciclo de vida (consola)
Aprenda a crear una configuración de ciclo de vida mediante la Consola de administración de AWS para automatizar la personalización de su entorno de Studio.
### Paso 1: creación de una configuración del ciclo de vida
Use el siguiente procedimiento para crear un script de configuración de ciclo de vida que presenta el mensaje `Hello World`.
**Para crear una configuración del ciclo de vida, realice el siguiente procedimiento:**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, seleccione **Configuraciones de ciclo de vida**.
1. Elija la pestaña **JupyterLab**.
1. Seleccione **Crear configuración**.
1. En **Nombre**, especifique el nombre de la configuración de ciclo de vida.
1. En el cuadro de texto que aparece debajo de **Scripts**, especifique la siguiente configuración de ciclo de vida:
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Seleccione **Crear configuración**.
### Paso 2: Adjunte la configuración del ciclo de vida a su dominio (dominio) y perfil de usuario de Amazon SageMaker AI
Todos los usuarios heredan los scripts de configuración del ciclo de vida asociados en el nivel de dominio. Sin embargo, los scripts que están asociados en el nivel de perfil de usuario están dirigidos a un usuario específico.
Puede adjuntar varias configuraciones de ciclo de vida a un dominio o perfil de usuario para JupyterLab.
Use el procedimiento siguiente para asociar una configuración de ciclo de vida a un dominio.
**Asociación de una configuración de ciclo de vida a un dominio**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio al que quiera asociar la configuración de ciclo de vida.
1. En **Detalles del dominio**, elija la pestaña **Entorno**.
1. En **Configuraciones de ciclo de vida para aplicaciones de Studio personales**, elija **Asociar**.
1. En **Fuente**, seleccione **Configuración existente**.
1. En **Configuraciones del ciclo de vida de Studio**, seleccione la configuración del ciclo de vida que ha creado en el paso anterior.
1. Seleccione **Asociar al dominio**.
Use el procedimiento siguiente para asociar una configuración de ciclo de vida a un perfil de usuario.
**Asociación de una configuración de ciclo de vida un perfil de usuario**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio que contenga el perfil de usuario al que desee asociar la configuración de ciclo de vida.
1. En **Perfiles de usuario**, seleccione el perfil de usuario.
1. En la página **Detalles del usuario**, elija **Editar**.
1. En el menú de navegación izquierdo, seleccione **Configuración de Studio**.
1. En **Configuraciones del ciclo de vida asociadas al usuario**, seleccione **Asociar**.
1. En **Fuente**, seleccione **Configuración existente**.
1. En **Configuraciones del ciclo de vida de Studio**, seleccione la configuración del ciclo de vida que ha creado en el paso anterior.
1. Seleccione **Adjuntar a perfil de usuario**.
# Depuración de configuraciones del ciclo de vida
En los siguientes temas se muestra cómo obtener información y depurar las configuraciones del ciclo de vida.
**Topics**
+ [Verifique el proceso de configuración del ciclo de vida desde CloudWatch los registros](#jl-lcc-debug-logs)
+ [Tiempo de espera de configuración del ciclo de vida](#jl-lcc-debug-timeout)
## Verifique el proceso de configuración del ciclo de vida desde CloudWatch los registros
Las configuraciones del ciclo de vida solo registran `STDOUT` y `STDERR`.
`STDOUT` es el resultado predeterminado para los scripts bash. Se puede escribir en `STDERR` añadiendo `>&2` al final de un comando bash. Por ejemplo, `echo 'hello'>&2`.
Los registros de las configuraciones de tu ciclo de vida se publican en Amazon CloudWatch. Cuenta de AWS Estos registros se encuentran en el flujo de `/aws/sagemaker/studio` registros de la CloudWatch consola.
1. Abra la CloudWatch consola en [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/).
1. Seleccione **Registros** en el panel de navegación izquierdo. En el menú desplegable, seleccione **Grupos de registros**.
1. En la página **Grupos de registros**, busque `aws/sagemaker/studio`.
1. Seleccione el grupo de registro.
1. En la página de **Detalles del grupo de registro**, seleccione la pestaña **Flujos de registro**.
1. Para buscar los registros de un espacio específico, busque en los flujos de registro utilizando el siguiente formato:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Por ejemplo, para buscar los registros de configuración del ciclo de vida del ID de dominio `d-m85lcu8vbqmz`, nombre del espacio `i-sonic-js` y tipo de aplicación `JupyterLab`, utilice la siguiente cadena de búsqueda:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
## Tiempo de espera de configuración del ciclo de vida
Existe una limitación de tiempo de espera de configuración del ciclo de vida de 5 minutos. Si un script de configuración de ciclo de vida tarda más de 5 minutos en ejecutarse, se obtiene un error.
Para resolver este error, asegúrese de que el script de configuración de ciclo de vida se complete en menos de 5 minutos.
Para ayudar a reducir el tiempo de ejecución de los scripts, pruebe lo siguiente:
+ Reduzca los pasos innecesarios. Por ejemplo, limite los entornos de conda donde se instalarán paquetes de gran tamaño.
+ Ejecute tareas en procesos paralelos.
+ Utilice el comando nohup en el script para asegurarse de que se omitan las señales de bloqueo para que el script se ejecute sin detenerse.
# Desasociación de configuraciones de ciclo de vida
Para actualizar el script, debe crear un nuevo script de configuración del ciclo de vida y adjuntarlo al dominio (dominio), perfil de usuario o espacio compartido de Amazon SageMaker AI correspondiente. Un script de configuración del ciclo de vida no se puede cambiar después de crearlo. Para obtener más información acerca de la creación y asociación de un configuración de ciclo de vida, consulte [Creación de una configuración de ciclo de vida](jl-lcc-create.md).
En el siguiente tema se muestra cómo desasociar una configuración de ciclo de vida mediante la AWS Command Line Interface (AWS CLI).
## Desconéctelo mediante el AWS CLI
Para desasociar una configuración de ciclo de vida mediante la AWS CLI, elimine la configuración de ciclo de vida deseada de la lista de configuraciones de ciclo de vida asociadas al recurso: A continuación, pase la lista como parte del comando correspondiente:
+ [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)
Por ejemplo, el siguiente comando elimina todas las configuraciones del ciclo de vida de la JupyterLab aplicación que está adjunta al dominio.
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"JupyterLabAppSettings": {
"LifecycleConfigArns":
[]
}
}'
```
# Git repos en JupyterLab
JupyterLab ofrece una extensión de Git para introducir la URL de un repositorio de Git (repo), clonarlo en un entorno, insertar cambios y ver el historial de confirmaciones. También puedes adjuntar el repositorio de Git sugerido URLs a un dominio (dominio) o perfil de usuario de Amazon SageMaker AI.
En las siguientes secciones se muestra cómo adjuntar o separar un repositorio URLs de Git.
**Topics**
+ [Asociación de un repositorio de Git (AWS CLI)](studio-updated-git-attach-cli.md)
+ [Separar el repositorio de Git URLs](studio-updated-git-detach.md)
# Asociación de un repositorio de Git (AWS CLI)
En esta sección se muestra cómo adjuntar una URL de repositorio (repo) de Git mediante. AWS CLI Después de asociar la URL del repositorio de Git, puede clonarla siguiendo los pasos que se indican en [Clona un repositorio de Git en Amazon Studio SageMaker](#studio-updated-tasks-git).
## Requisitos previos
Antes de comenzar, complete los siguientes requisitos previos:
+ AWS CLI Actualícela siguiendo los pasos que se indican en [Instalación de la AWS Command Line Interface versión actual](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ En el equipo local, ejecute `aws configure` y proporcione sus credenciales de AWS . Para obtener información sobre AWS las credenciales, consulte [Descripción y obtención de AWS las credenciales](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html).
+ Incorporado al dominio Amazon SageMaker AI. Para obtener más información, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Adjunta el repositorio de Git a un dominio (dominio) o perfil de usuario de Amazon SageMaker AI
Todos los usuarios URLs heredan los repositorios de Git que están asociados a nivel de dominio. Sin embargo, los repositorios de Git URLs que están asociados a nivel de perfil de usuario están dirigidos a un usuario específico. Puedes adjuntar varios repositorios de Git URLs a un dominio de Amazon SageMaker AI o a un perfil de usuario pasando una lista de repositorios URLs.
En las siguientes secciones se muestra cómo asociar una URL de repositorio de Git a su dominio y perfil de usuario.
### Adjuntar a un dominio de Amazon SageMaker AI
El siguiente comando asocia una URL de repositorio de Git a un dominio existente:
```
aws sagemaker update-domain --region region --domain-id domain-id \
--default-user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
### Asociación a un perfil de usuario
El siguiente comando asocia una URL de repositorio de Git a un perfil de usuario existente:
```
aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\
--user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
## Clona un repositorio de Git en Amazon Studio SageMaker
Amazon SageMaker Studio se conecta únicamente a un repositorio de Git local. Para obtener acceso a los archivos del repositorio, clone el repositorio de Git desde Studio. Para ello, Studio ofrece una extensión de Git para introducir la URL de un repositorio de Git, clonarlo en su entorno, insertar cambios y ver el historial de confirmaciones.
Si el repositorio es privado y requiere credenciales para obtener acceso, se le solicitará que introduzca sus credenciales de usuario. Las credenciales incluyen su nombre de usuario y su token de acceso personal. Para más información sobre los tokens de acceso personal, consulte [Administración de sus tokens de acceso personal](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens).
Los administradores también pueden adjuntar el repositorio Git sugerido URLs a nivel de dominio o perfil de usuario de Amazon SageMaker AI. Los usuarios pueden seleccionar la URL del repositorio de la lista de sugerencias y clonarla en Studio. Para obtener más información acerca de cómo asociar los repositorios sugeridos, consulte [Adjunta los repositorios de Git sugeridos a Amazon SageMaker Studio Classic](studio-git-attach.md).
# Separar el repositorio de Git URLs
En esta sección se muestra cómo separar el repositorio URLs de Git de un dominio (dominio) de Amazon SageMaker AI o de un perfil de usuario. Puede separar el repositorio URLs mediante AWS Command Line Interface (AWS CLI) o la consola Amazon SageMaker AI.
## Separe un repositorio de Git mediante el AWS CLI
Para separar todos los repositorios de Git URLs de un dominio o perfil de usuario, debes pasar una lista vacía de repositorios de código. Esta lista se pasa como parte del parámetro `JupyterLabAppSettings` de un comando `update-domain` o `update-user-profile`. Para desasociar solo una URL del repositorio de Git, pase la lista de repositorios de código sin la URL del repositorio de Git deseada.
### Separar de un dominio de Amazon SageMaker AI
El siguiente comando separa todos los repositorios de Git URLs de un dominio:
```
aws sagemaker update-domain --region region --domain-name domain-name \
--domain-settings JupyterLabAppSettings={CodeRepositories=[]}
```
### Desasociación de un perfil de usuario
El siguiente comando separa todos los repositorios de Git URLs de un perfil de usuario:
```
aws sagemaker update-user-profile --domain-name domain-name --user-profile-name user-name\
--user-settings JupyterLabAppSettings={CodeRepositories=[]}
```
# Imágenes personalizadas
Si necesitas una funcionalidad diferente a la que proporciona la SageMaker distribución, puedes traer tu propia imagen con tus extensiones y paquetes personalizados. También puedes usarla para personalizar la JupyterLab interfaz de usuario según tus propias necesidades de marca o de conformidad.
La siguiente página proporcionará información y plantillas JupyterLab específicas para crear tus propias imágenes de SageMaker IA personalizadas. El objetivo es complementar la información y las instrucciones de Amazon SageMaker Studio sobre cómo crear tu propia imagen de SageMaker IA y llevar tu propia imagen a Studio. Para obtener más información sobre las imágenes personalizadas de Amazon SageMaker AI y cómo llevar tu propia imagen a Studio, consulta[Bring your own image (BYOI)](studio-updated-byoi.md).
**Topics**
+ [Comprobación de estado y URL de las aplicaciones](#studio-updated-jl-admin-guide-custom-images-app-healthcheck)
+ [Ejemplos de Dockerfile](#studio-updated-jl-custom-images-dockerfile-templates)
## Comprobación de estado y URL de las aplicaciones
+ `Base URL`: la URL base de la aplicación BYOI debe ser `jupyterlab/default`. Solo puede tener una aplicación y siempre debe denominarse `default`.
+ `HealthCheck API`— La SageMaker IA utiliza el punto final de comprobación de estado del puerto `8888` para comprobar el estado de la JupyterLab aplicación. `jupyterlab/default/api/status`es el punto final del chequeo de estado.
+ `Home/Default URL`— Los `/opt/ml` directorios `/opt/.sagemakerinternal` y que utiliza AWS. El archivo de metadatos de `/opt/ml` contiene metadatos sobre recursos como `DomainId`.
+ Autenticación: para habilitar la autenticación de los usuarios, desactive la autenticación basada en token o contraseña de cuaderno de Jupyter y permita todos los orígenes.
## Ejemplos de Dockerfile
Los siguientes ejemplos son `Dockerfile` que cumplen con la información y [Especificaciones de imágenes personalizadas](studio-updated-byoi-specs.md) anteriores.
**nota**
Si va a traer su propia imagen a SageMaker Unified Studio, tendrá que seguir las [especificaciones de Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) de la Guía del *usuario de Amazon SageMaker Unified Studio*.
`Dockerfile`Puedes encontrar ejemplos de SageMaker Unified Studio en el [ejemplo de Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) de la Guía del *usuario de Amazon SageMaker Unified Studio*.
------
#### [ Example AL2023 Dockerfile ]
El siguiente es un ejemplo de Dockerfile de AL2023 que cumple con la información y [Especificaciones de imágenes personalizadas](studio-updated-byoi-specs.md) anteriores.
```
FROM public.ecr.aws/amazonlinux/amazonlinux:2023
ARG NB_USER="sagemaker-user"
ARG NB_UID=1000
ARG NB_GID=100
# Install Python3, pip, and other dependencies
RUN yum install -y \
python3 \
python3-pip \
python3-devel \
gcc \
shadow-utils && \
useradd --create-home --shell /bin/bash --gid "${NB_GID}" --uid ${NB_UID} ${NB_USER} && \
yum clean all
RUN python3 -m pip install --no-cache-dir \
'jupyterlab>=4.0.0,<5.0.0' \
urllib3 \
jupyter-activity-monitor-extension \
--ignore-installed
# Verify versions
RUN python3 --version && \
jupyter lab --version
USER ${NB_UID}
CMD jupyter lab --ip 0.0.0.0 --port 8888 \
--ServerApp.base_url="/jupyterlab/default" \
--ServerApp.token='' \
--ServerApp.allow_origin='*'
```
------
#### [ Example SageMaker Distribución en Amazon Dockerfile ]
El siguiente es un ejemplo de Dockerfile de Amazon SageMaker Distribution que cumple con la información y [Especificaciones de imágenes personalizadas](studio-updated-byoi-specs.md) anteriores.
```
FROM public.ecr.aws/sagemaker/sagemaker-distribution:latest-cpu
ARG NB_USER="sagemaker-user"
ARG NB_UID=1000
ARG NB_GID=100
ENV MAMBA_USER=$NB_USER
USER root
RUN apt-get update
RUN micromamba install sagemaker-inference --freeze-installed --yes --channel conda-forge --name base
USER $MAMBA_USER
ENTRYPOINT ["entrypoint-jupyter-server"]
```
------
# Actualiza la imagen SageMaker de distribución
**importante**
En este tema se da por hecho que ha creado un espacio y ha proporcionado acceso al usuario. Para obtener más información, consulte [Concesión de acceso a los usuarios a los espacios](studio-updated-jl-admin-guide-permissions.md).
Actualice los JupyterLab espacios que ya ha creado para usar la última versión de la imagen de SageMaker distribución para acceder a las funciones más recientes. Puedes usar la interfaz de usuario de Studio o AWS Command Line Interface (AWS CLI) para actualizar la imagen.
En las siguientes secciones se proporciona información sobre la actualización de una imagen.
## Actualización de la imagen (interfaz de usuario)
La actualización de la imagen implica reiniciar el JupyterLab espacio del usuario. Utilice el siguiente procedimiento para actualizar el JupyterLab espacio de usuario con la imagen más reciente.
**Actualización de la imagen (interfaz de usuario)**
1. Abra Studio. Para obtener información sobre cómo abrir Studio, consulte [Inicie Amazon SageMaker Studio](studio-updated-launch.md).
1. Elija **JupyterLab**.
1. Seleccione el JupyterLab espacio de su usuario.
1. Elija **Detener espacio**.
1. En **Imagen**, seleccione una versión actualizada de la imagen de distribución de SageMaker IA. Para obtener la imagen más reciente, seleccione **Más reciente**.
1. Seleccione **Ejecutar espacio**.
## Actualización de la imagen (AWS CLI)
En esta sección se supone que tiene instalado el AWS Command Line Interface (AWS CLI). Para obtener información sobre cómo instalar el AWS CLI, consulte [Instalar o actualizar a la última versión del AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
Para actualizar la imagen, debe hacer lo siguiente en su espacio de usuario:
1. Elimine la JupyterLab aplicación
1. Actualización del espacio
1. Creación de la aplicación
**importante**
Debe tener preparada la siguiente información antes de comenzar a actualizar la imagen:
ID de dominio: el ID del dominio de Amazon SageMaker AI de tu usuario.
Tipo de aplicación — JupyterLab.
Nombre de la aplicación: default
Nombre del espacio: nombre especificado para el espacio
Tipo de instancia: tipo de instancia de Amazon EC2 que está utilizando para ejecutar la aplicación Por ejemplo, `ml.t3.medium`.
SageMaker ARN de imagen: el nombre del recurso de Amazon (ARN) de la imagen de distribución de SageMaker IA. Puede proporcionar la última versión de la imagen de distribución de SageMaker IA especificando uno `sagemaker-distribution-cpu` o `sagemaker-distribution-gpu` como identificador del recurso.
Para eliminar la JupyterLab aplicación, ejecute el siguiente comando:
```
aws sagemaker delete-app \
--domain-id your-user's-domain-id
--app-type JupyterLab \
--app-name default \
--space-name name-of-your-user's-space
```
Para actualizar el espacio de usuario, ejecute el comando siguiente:
```
aws sagemaker update-space \
--space-name name-of-your-user's-space \
--domain-id your-user's-domain-id
```
Si ha actualizado el espacio correctamente, aparecerá el ARN del espacio en la respuesta:
```
{
"SpaceArn": "arn:aws:sagemaker:Región de AWS:111122223333:space/your-user's-domain-id/name-of-your-user's-space"
}
```
Para crear la aplicación, ejecute el comando siguiente:
```
aws sagemaker create-app \
--domain-id your-user's-domain-id \
--app-type JupyterLab \
--app-name default \
--space-name name-of-your-user's-space \
--resource-spec "InstanceType=instance-type,SageMakerImageArn=arn:aws:sagemaker:Región de AWS:555555555555:image/sagemaker-distribution-resource-identifier"
```
# Eliminación de recursos sin usar
Para evitar incurrir en costes de explotación adicionales JupyterLab, recomendamos eliminar los recursos no utilizados en el siguiente orden:
1. JupyterLab aplicaciones
1. Espacios
1. Perfiles de usuario
1. domains
Utilice los siguientes comandos AWS Command Line Interface (AWS CLI) para eliminar los recursos de un dominio:
------
#### [ Delete a JupyterLab application ]
```
aws --region Región de AWS sagemaker delete-app --domain-id example-domain-id --app-name default --app-type JupyterLab --space-name example-space-name
```
------
#### [ Delete a space ]
**importante**
Si elimina un espacio, elimina el volumen de Amazon EBS asociado a él. Recomendamos que se haga una copia de seguridad de los datos valiosos antes de eliminar el espacio.
```
aws --region Región de AWS sagemaker delete-space --domain-id example-domain-id --space-name example-space-name
```
------
#### [ Delete a user profile ]
```
aws --region Región de AWS sagemaker delete-user-profile --domain-id example-domain-id --user-profile example-user-profile
```
------
# Cuotas
JupyterLab, tiene cuotas para lo siguiente:
+ La suma de todos los volúmenes de Amazon EBS dentro de una Cuenta de AWS.
+ Los tipos de instancias que están disponibles para sus usuarios.
+ El número de instancias de un tipo concreto que los usuarios pueden inicializar.
Para obtener más almacenamiento y computación para sus usuarios, puede solicitar un aumento de sus cuotas de AWS . Para obtener más información sobre cómo solicitar un aumento de cuota, consulta los [puntos de conexión y las cuotas de Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html).
# Instancias de Amazon SageMaker Notebook
Una instancia de Amazon SageMaker Notebook es una instancia de procesamiento de aprendizaje automático (ML) que ejecuta la aplicación Jupyter Notebook. Una de las mejores maneras para que los profesionales del aprendizaje automático (ML) utilicen Amazon SageMaker AI es entrenar e implementar modelos de aprendizaje automático mediante instancias de SageMaker notebook. Las instancias de SageMaker notebook ayudan a crear el entorno al iniciar los servidores de Jupyter en Amazon Elastic Compute Cloud (Amazon EC2) y proporcionar núcleos preconfigurados con los siguientes paquetes: SageMaker Amazon Python AWS SDK para Python (Boto3) SDK AWS Command Line Interface ,, (), Conda, Pandas AWS CLI, bibliotecas de marcos de aprendizaje profundo y otras bibliotecas para ciencia de datos y aprendizaje automático.
Utilice los cuadernos de Jupyter en su instancia de cuaderno para:
+ preparar y procesar datos
+ escribir código para entrenar modelos
+ implementar modelos en el alojamiento SageMaker
+ probar o validar modelos
Para obtener información sobre los precios de Amazon SageMaker Notebook Instance, consulta [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
## Mantenimiento
SageMaker La IA actualiza el software subyacente de las instancias de Amazon SageMaker Notebook al menos una vez cada 90 días. Algunas actualizaciones de mantenimiento, como las actualizaciones del sistema operativo, pueden requerir que la aplicación se desconecte durante un breve período de tiempo. No es posible realizar ninguna operación durante este período mientras se actualiza el software subyacente. Le recomendamos que reinicie sus cuadernos al menos una vez cada 30 días para que los parches se apliquen automáticamente.
Si la instancia del portátil no está actualizada y ejecuta un software no seguro, la SageMaker IA podría actualizar periódicamente la instancia como parte del mantenimiento regular. Durante estas actualizaciones, los datos que se encuentran fuera de la carpeta no `/home/ec2-user/SageMaker` se conservan.
Para obtener más información, póngase en contacto con [AWS Support](https://aws.amazon.com/premiumsupport/).
## Machine Learning con el SDK de SageMaker Python
Para entrenar, validar, implementar y evaluar un modelo de aprendizaje automático en una instancia de SageMaker notebook, usa el SDK de SageMaker Python. Los resúmenes del SDK de SageMaker Python AWS SDK para Python (Boto3) y las operaciones de SageMaker la API. Le permite integrarse y organizar otros AWS servicios, como Amazon Simple Storage Service (Amazon S3) para guardar datos y artefactos de modelos, Amazon Elastic Container Registry (ECR) para importar y reparar los modelos de aprendizaje automático y Amazon Elastic Compute Cloud (Amazon EC2) para entrenamiento e inferencia.
También puede aprovechar las funciones de SageMaker IA que le ayudan a gestionar todas las etapas de un ciclo completo de aprendizaje automático: etiquetado de datos, preprocesamiento de datos, entrenamiento de modelos, despliegue de modelos, evaluación del rendimiento de las predicciones y supervisión de la calidad del modelo en producción.
Si es la primera vez que utiliza SageMaker IA, le recomendamos que utilice el SDK de SageMaker Python siguiendo el tutorial de end-to-end ML. Para encontrar la documentación de código abierto, consulte el [SDK de Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Mantenimiento](#nbi-maintenance)
+ [Machine Learning con el SDK de SageMaker Python](#gs-ml-with-sagemaker-pysdk)
+ [Tutorial para crear modelos con instancias de Notebook](gs-console.md)
+ [AL2023 instancias de bloc de notas](nbi-al2023.md)
+ [Instancias de cuaderno de Amazon Linux 2](nbi-al2.md)
+ [JupyterLab control de versiones](nbi-jl.md)
+ [Crear una instancia de Amazon SageMaker Notebook](howitworks-create-ws.md)
+ [Acceso a instancias de cuaderno](howitworks-access-ws.md)
+ [Actualización de una instancia de cuaderno.](nbi-update.md)
+ [Personalización de una instancia de SageMaker bloc de notas mediante un script LCC](notebook-lifecycle-config.md)
+ [Establecimiento del kernel del cuaderno](howitworks-set-kernel.md)
+ [Repositorios de Git con instancias de SageMaker AI Notebook](nbi-git-repo.md)
+ [Metadatos de instancias de cuadernos](nbi-metadata.md)
+ [Supervise los registros de Jupyter en Amazon Logs CloudWatch](jupyter-logs.md)
# Tutorial para crear modelos con instancias de Notebook
Este tutorial de introducción explica cómo crear una instancia de SageMaker bloc de notas, abrir un cuaderno de Jupyter con un núcleo preconfigurado con el entorno Conda para el aprendizaje automático e iniciar una sesión de SageMaker IA para ejecutar un ciclo de aprendizaje automático. end-to-end Aprenderá a guardar un conjunto de datos en un bucket de Amazon S3 predeterminado que se empareja automáticamente con la sesión de SageMaker IA, a enviar un trabajo de formación de un modelo de aprendizaje automático a Amazon EC2 y a implementar el modelo entrenado para la predicción mediante alojamiento o inferencia por lotes a través de Amazon EC2.
En este tutorial se muestra de forma explícita un flujo completo de aprendizaje automático en el que se entrena el XGBoost modelo a partir del conjunto de modelos integrados en la SageMaker IA. Utiliza el [conjunto de datos del censo de adultos de EE](https://archive.ics.uci.edu/ml/datasets/adult). UU. y evalúa el rendimiento del XGBoost modelo de SageMaker IA entrenado a la hora de predecir los ingresos de las personas.
+ [SageMaker IA XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html): el [XGBoost](https://xgboost.readthedocs.io/en/latest/)modelo está adaptado al entorno de SageMaker IA y preconfigurado como contenedores Docker. SageMaker La IA proporciona un conjunto de [algoritmos integrados](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html) que están preparados para utilizar las funciones de la SageMaker IA. Para obtener más información sobre qué algoritmos de aprendizaje automático se adaptan a la SageMaker IA, consulte [Elegir un algoritmo](https://docs.aws.amazon.com/sagemaker/latest/dg/algorithms-choose.html) y [utilizar los algoritmos SageMaker integrados de Amazon](https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html). Para ver las operaciones de la API de los algoritmos integrados de SageMaker IA, consulte [Prist-Party Algorithms](https://sagemaker.readthedocs.io/en/stable/algorithms/index.html) en el [SDK de Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
+ [Conjunto de datos del censo de adultos](https://archive.ics.uci.edu/ml/datasets/adult): el conjunto de datos de la [base de datos de la oficina del censo de 1994](http://www.census.gov/en.html) creado por Ronny Kohavi y Barry Becker (minería y visualización de datos, Silicon Graphics). El XGBoost modelo de SageMaker IA se entrena con este conjunto de datos para predecir si una persona gana más de 50 000\$1 al año o menos.
**Topics**
+ [Crear una instancia de Amazon SageMaker Notebook para el tutorial](gs-setup-working-env.md)
+ [Cree un cuaderno de Jupyter en la instancia de bloc de SageMaker notas](ex1-prepare.md)
+ [Preparación de un conjunto de datos](ex1-preprocess-data.md)
+ [Capacitación de un modelo](ex1-train-model.md)
+ [Implementación del modelo en Amazon EC2](ex1-model-deployment.md)
+ [Evaluación del modelo](ex1-test-model.md)
+ [Limpia los recursos de instancias de Amazon SageMaker Notebook](ex1-cleanup.md)
# Crear una instancia de Amazon SageMaker Notebook para el tutorial
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Una instancia de Amazon SageMaker Notebook es una instancia de procesamiento de Amazon Elastic Compute Cloud (Amazon EC2) de aprendizaje automático (ML) totalmente gestionada. Una instancia de Amazon SageMaker Notebook ejecuta la aplicación Jupyter Notebook. Utilice la instancia de cuaderno para crear y administrar cuadernos de Jupyter para preprocesar datos y entrenar e implementar modelos de ML.
**Para crear una instancia de bloc de notas SageMaker**
![\[Captura de pantalla animada que muestra cómo crear una instancia de SageMaker bloc de notas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-create-instance.gif)
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Elija **Instancias de bloc de notas** y, a continuación, **Crear instancia de bloc de notas**.
1. En la página **Crear instancia del bloc de notas**, facilite la siguiente información (si no se menciona un campo, deje los valores predeterminados):
1. Para **Nombre de instancia del bloc de notas**, escriba un nombre para su instancia de cuaderno.
1. En **Tipo de instancia de bloc de notas**, elija `ml.t2.medium`. Este es el tipo de instancia más económica que admiten las instancias de cuaderno y es suficiente para este ejercicio. Si un tipo de instancia `ml.t2.medium` no está disponible en su región de AWS actual, elija `ml.t3.medium`.
1. En **Identificador de plataforma**, elija un tipo de plataforma en el que crear la instancia del cuaderno. Este tipo de plataforma define el sistema operativo y la JupyterLab versión con la que se crea la instancia de su notebook. La versión más reciente y recomendada es `notebook-al2023-v1` para una instancia de notebook Amazon Linux 2023. Para obtener información sobre los tipos de identificadores de plataforma, consulte [AL2023 instancias de bloc de notas](nbi-al2023.md) y[Instancias de cuaderno de Amazon Linux 2](nbi-al2.md). Para obtener información sobre JupyterLab las versiones, consulte[JupyterLab control de versiones](nbi-jl.md).
1. Para el **Rol de IAM**, seleccione **Crear un nuevo rol** y, a continuación, elija **Crear rol**. Este rol de IAM obtiene automáticamente permisos para obtener acceso a cualquier bucket que tenga `sagemaker` en el nombre. Obtiene estos permisos a través `AmazonSageMakerFullAccess` de la política, que la SageMaker IA asocia al rol.
**nota**
Si quiere conceder al rol de IAM permiso para acceder a los buckets de S3 sin incluir `sagemaker` en el nombre, tiene que asociar la política de `S3FullAccess`. También puede limitar los permisos a buckets de S3 específicos del rol de IAM. Para obtener más información y ejemplos de cómo añadir políticas de bucket al rol de IAM, consulte los [Ejemplos de políticas de bucket](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-bucket-policies.html).
1. Elija **Crear instancia de bloc de notas**.
En unos minutos, SageMaker AI lanza una instancia de notebook y le adjunta un volumen de almacenamiento de Amazon EBS de 5 GB. La instancia de notebook tiene un servidor de notebook Jupyter preconfigurado, bibliotecas de SageMaker IA y AWS SDK y un conjunto de bibliotecas Anaconda.
[Para obtener más información sobre cómo crear una instancia de bloc de notas, consulte Crear una instancia de SageMaker bloc de notas.](https://docs.aws.amazon.com/sagemaker/latest/dg/howitworks-create-ws.html)
## (Opcional) Cambie la configuración de la instancia de SageMaker Notebook
Para cambiar el tipo de instancia de cómputo de aprendizaje automático o el tamaño del almacenamiento de Amazon EBS de una instancia de bloc de notas de SageMaker IA, edite la configuración de la instancia de bloc de notas.
**Para cambiar y actualizar el tipo de instancia de SageMaker Notebook y el volumen de EBS**
1. En la página de **instancias de Notebook** de la consola de SageMaker AI, elige tu instancia de Notebook.
1. Elija **Acciones**, seleccione **Detener** y espere hasta que la instancia del cuaderno se detenga por completo.
1. Cuando el estado de la instancia del cuaderno cambie a **Detenida**, elija **Acciones** y, a continuación, elija **Actualizar configuración**.
![\[Captura de pantalla animada que muestra cómo actualizar la configuración de las instancias de SageMaker Notebook.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-update-instance.gif)
1. Para el **Tipo de instancia de bloc de notas**, elija un tipo de instancia de ML diferente.
1. En **Tamaño de volumen en GB**, escriba un entero diferente para especificar un nuevo tamaño de volumen de EBS.
**nota**
Los volúmenes de almacenamiento de EBS están cifrados, por lo que la SageMaker IA no puede determinar la cantidad de espacio libre disponible en el volumen. Por este motivo, puede aumentar el tamaño del volumen al actualizar una instancia de cuaderno, pero no puede reducir el tamaño del volumen. Si desea reducir el tamaño del volumen de almacenamiento de machine learning en uso, cree otra instancia de cuaderno con el tamaño deseado.
1. En la parte inferior de la página, elija **Actualizar instancia de cuaderno**.
1. Cuando se complete la actualización, **Inicie** la instancia del cuaderno con la nueva configuración.
Para obtener más información sobre cómo actualizar la configuración de las instancias de SageMaker bloc de notas, consulte [Actualizar una instancia de bloc](https://docs.aws.amazon.com/sagemaker/latest/dg/nbi-update.html) de notas.
## (Opcional) Configuración avanzada para instancias de SageMaker Notebook
El siguiente vídeo tutorial muestra cómo configurar y utilizar las instancias de SageMaker notebook a través de la consola de SageMaker IA. Incluye opciones avanzadas, como la configuración del ciclo de vida de la SageMaker IA y la importación de GitHub repositorios. (Duración: 26:04)
[](http://www.youtube.com/watch?v=https://www.youtube.com/embed/X5CLunIzj3U)
Para obtener la documentación completa sobre las instancias de SageMaker notebook, consulte [Uso de Amazon SageMaker Notebook Instances](https://docs.aws.amazon.com/sagemaker/latest/dg/nbi.html).
# Cree un cuaderno de Jupyter en la instancia de bloc de SageMaker notas
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Para empezar a crear scripts para entrenar e implementar su modelo, cree un cuaderno de Jupyter en la SageMaker instancia de bloc de notas. Con el cuaderno de Jupyter, puede ejecutar experimentos de aprendizaje automático (ML) para el entrenamiento y la inferencia y, al mismo tiempo, utilizar SageMaker las funciones de IA y la infraestructura. AWS
**Para crear un cuaderno de Jupyter, realice el siguiente procedimiento:**
![\[Captura de pantalla animada que muestra cómo crear un cuaderno de Jupyter en la instancia de cuaderno de IA. SageMaker\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-create-notebook.gif)
1. Abra la instancia de cuaderno de la siguiente manera:
1. Inicia sesión en la consola de SageMaker IA en. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. En la página **Instancias de cuaderno**, abra su instancia de cuaderno seleccionando una de las siguientes opciones:
+ **Abre JupyterLab** para la JupyterLab interfaz
+ **Abrir Jupyter** para la vista clásica de Jupyter
**nota**
Si el estado de la instancia de cuaderno muestra **Pendiente** en la columna **Estado**, su instancia de cuaderno todavía se está creando. El estado cambiará a **InService**cuando la instancia del bloc de notas esté lista para usarse.
1. Cree un cuaderno de la siguiente manera:
+ Si ha abierto el bloc de notas en la JupyterLab vista, en el menú **Archivo**, seleccione **Nuevo** y, a continuación, seleccione **Bloc de notas**. En **Seleccionar kernel**, elija **conda\$1python3**. Este entorno preinstalado incluye la instalación de Anaconda predeterminada y Python 3.
+ Si ha abierto el cuaderno en la vista clásica de Jupyter, en la pestaña **Archivos**, elija **Nuevo** y **conda\$1python3**. Este entorno preinstalado incluye la instalación de Anaconda predeterminada y Python 3.
1. Guarde los cuadernos de la siguiente manera:
+ En la JupyterLab vista, seleccione **Archivo**, seleccione **Guardar bloc de notas como...** y, a continuación, cambie el nombre del bloc de notas.
+ En la vista clásica de Jupyter, seleccione **Archivo**, seleccione **Guardar como...** y, a continuación, cambie el nombre del cuaderno.
# Preparación de un conjunto de datos
En este paso, cargue el [conjunto de datos del censo de adultos](https://archive.ics.uci.edu/ml/datasets/adult) en su instancia de notebook mediante la biblioteca SHAP (SHapley Additive Explanations), revise el conjunto de datos, lo transforme y lo cargue en Amazon S3. SHAP es un enfoque de teoría de juegos para explicar el resultado de cualquier modelo de machine learning. Para obtener más información sobre SHAP, consulte la [Bienvenida a la documentación de SHAP](https://shap.readthedocs.io/en/latest/).
Para ejecutar el siguiente ejemplo, pegue el código de ejemplo en una celda de la instancia de su cuaderno.
## Carga del conjunto de datos del censo de adultos mediante SHAP
Con la biblioteca SHAP, importe el conjunto de datos del censo de adultos como se muestra a continuación:
```
import shap
X, y = shap.datasets.adult()
X_display, y_display = shap.datasets.adult(display=True)
feature_names = list(X.columns)
feature_names
```
**nota**
Si el kernel de Jupyter actual no tiene la biblioteca SHAP, instálelo ejecutando el siguiente comando `conda`:
```
%conda install -c conda-forge shap
```
Si lo está utilizando JupyterLab, debe actualizar el núcleo manualmente una vez finalizada la instalación y las actualizaciones. Ejecute el siguiente IPython script para cerrar el núcleo (el núcleo se reiniciará automáticamente):
```
import IPython
IPython.Application.instance().kernel.do_shutdown(True)
```
El objeto de lista `feature_names` debería devolver la siguiente lista de características:
```
['Age',
'Workclass',
'Education-Num',
'Marital Status',
'Occupation',
'Relationship',
'Race',
'Sex',
'Capital Gain',
'Capital Loss',
'Hours per week',
'Country']
```
**sugerencia**
Si estás empezando con datos sin etiquetar, puedes usar Amazon SageMaker Ground Truth para crear un flujo de trabajo de etiquetado de datos en cuestión de minutos. Para obtener más información, consulte [Etiquetado de datos](https://docs.aws.amazon.com/sagemaker/latest/dg/data-label.html).
## Información general del conjunto de datos
Ejecute el siguiente script para mostrar la descripción estadística del conjunto de datos y los histogramas de las características numéricas.
```
display(X.describe())
hist = X.hist(bins=30, sharey=True, figsize=(20, 10))
```
![\[Descripción general del conjunto de datos del censo de adultos.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-1.png)
**sugerencia**
Si desea utilizar un conjunto de datos que deba limpiarse y transformarse, puede simplificar y agilizar el preprocesamiento de datos y la ingeniería de características con Amazon SageMaker Data Wrangler. Para obtener más información, consulte [Preparar datos de aprendizaje automático con Amazon SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html).
## División de los datos en conjuntos de entrenamiento, validación y prueba.
Con Sklearn, puede dividir el conjunto de datos en un conjunto de entrenamiento y un conjunto de prueba. El conjunto de entrenamiento se usa para entrenar el modelo, mientras que el conjunto de prueba se usa para evaluar el rendimiento del modelo entrenado final. El conjunto de datos se clasifica aleatoriamente con la semilla aleatoria fija: el 80 por ciento del conjunto de datos para el conjunto de entrenamiento y el 20 por ciento para el conjunto de prueba.
```
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)
X_train_display = X_display.loc[X_train.index]
```
Divida el conjunto de entrenamiento para separar un conjunto de validación. El conjunto de validación se utiliza para evaluar el rendimiento del modelo entrenado y, al mismo tiempo, ajustar los hiperparámetros del modelo. El 75 por ciento del conjunto de entrenamiento se convierte en el conjunto de entrenamiento final y el resto es el conjunto de validación.
```
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.25, random_state=1)
X_train_display = X_display.loc[X_train.index]
X_val_display = X_display.loc[X_val.index]
```
Con el paquete de pandas, alinee de forma explícita cada conjunto de datos concatenando las características numéricas con las etiquetas verdaderas.
```
import pandas as pd
train = pd.concat([pd.Series(y_train, index=X_train.index,
name='Income>50K', dtype=int), X_train], axis=1)
validation = pd.concat([pd.Series(y_val, index=X_val.index,
name='Income>50K', dtype=int), X_val], axis=1)
test = pd.concat([pd.Series(y_test, index=X_test.index,
name='Income>50K', dtype=int), X_test], axis=1)
```
Compruebe si el conjunto de datos está dividido y estructurado como se esperaba:
```
train
```
![\[El conjunto de datos de entrenamiento de ejemplo.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-train.png)
```
validation
```
![\[El conjunto de datos de validación de ejemplo.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-validation.png)
```
test
```
![\[El conjunto de datos de prueba de ejemplo.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-test.png)
## Conversión de los conjuntos de datos de entrenamiento y validación en archivos CSV
Convierta los objetos `train` y el `validation` marco de datos en archivos CSV para que coincidan con el formato de archivo de entrada del algoritmo. XGBoost
```
# Use 'csv' format to store the data
# The first column is expected to be the output column
train.to_csv('train.csv', index=False, header=False)
validation.to_csv('validation.csv', index=False, header=False)
```
## Carga de los conjuntos de datos en Amazon S3
Con la SageMaker IA y Boto3, cargue los conjuntos de datos de entrenamiento y validación en el bucket predeterminado de Amazon S3. Una SageMaker instancia optimizada para procesamiento en Amazon EC2 utilizará los conjuntos de datos del bucket de S3 con fines de formación.
El siguiente código configura el URI del bucket de S3 predeterminado para su sesión de SageMaker IA actual, crea una nueva `demo-sagemaker-xgboost-adult-income-prediction` carpeta y carga los conjuntos de datos de entrenamiento y validación en la subcarpeta. `data`
```
import sagemaker, boto3, os
bucket = sagemaker.Session().default_bucket()
prefix = "demo-sagemaker-xgboost-adult-income-prediction"
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'data/train.csv')).upload_file('train.csv')
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'data/validation.csv')).upload_file('validation.csv')
```
Ejecuta lo siguiente AWS CLI para comprobar si los archivos CSV se han cargado correctamente en el depósito de S3.
```
! aws s3 ls {bucket}/{prefix}/data --recursive
```
Esto debe devolver la siguiente salida:
![\[Resultado del comando de la CLI para comprobar los conjuntos de datos del bucket de S3.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-3.png)
# Capacitación de un modelo
En este paso se elige un algoritmo de entrenamiento y se ejecuta un trabajo de entrenamiento para el modelo. El [SDK de Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) proporciona estimadores de marcos y estimadores genéricos para entrenar el modelo y, al mismo tiempo, organizar el ciclo de vida del aprendizaje automático (ML) y acceder a las funciones de SageMaker IA para el entrenamiento y a las infraestructuras AWS , como Amazon Elastic Container Registry (Amazon ECR), Amazon Elastic Compute Cloud (Amazon EC2) y Amazon Simple Storage Service (Amazon S3) 3). Para obtener más información sobre los estimadores de [marcos integrados de SageMaker IA, consulte Frameworks](https://sagemaker.readthedocs.io/en/stable/frameworks/index.html) en la documentación del [SDK de Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable). Para obtener más información sobre los algoritmos integrados, consulte [Algoritmos integrados y modelos previamente entrenados en Amazon SageMaker](algos.md).
**Topics**
+ [Elección del algoritmo de entrenamiento](#ex1-train-model-select-algorithm)
+ [Creación y ejecución de un trabajo de entrenamiento](#ex1-train-model-sdk)
## Elección del algoritmo de entrenamiento
Para elegir el algoritmo correcto para su conjunto de datos, normalmente necesitará evaluar diferentes modelos para encontrar los más adecuados para sus datos. Para simplificar, el algoritmo [XGBoost algoritmo con Amazon SageMaker AI](xgboost.md) integrado de SageMaker IA se utiliza a lo largo de este tutorial sin la evaluación previa de los modelos.
**sugerencia**
Si desea que la SageMaker IA encuentre un modelo adecuado para su conjunto de datos tabular, utilice Amazon SageMaker Autopilot, que automatiza una solución de aprendizaje automático. Para obtener más información, consulte [SageMaker Piloto automático](autopilot-automate-model-development.md).
## Creación y ejecución de un trabajo de entrenamiento
Una vez que haya decidido qué modelo usar, comience a construir un estimador de SageMaker IA para el entrenamiento. En este tutorial se utiliza el algoritmo XGBoost integrado para el estimador genérico de SageMaker IA.
**Para ejecutar un trabajo de entrenamiento de modelo**
1. Importe el [SDK de Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) y comience por recuperar la información básica de su sesión de SageMaker IA actual.
```
import sagemaker
region = sagemaker.Session().boto_region_name
print("AWS Region: {}".format(region))
role = sagemaker.get_execution_role()
print("RoleArn: {}".format(role))
```
Esto devuelve la siguiente información:
+ `region`— La AWS región actual en la que se ejecuta la instancia del bloc de notas de SageMaker IA.
+ `role`: es el rol de IAM utilizado por la instancia del cuaderno.
**nota**
Compruebe la versión del SDK de SageMaker Python ejecutando`sagemaker.__version__`. Este tutorial se basa en `sagemaker>=2.20`. Si el SDK está desactualizado, instale la versión más reciente ejecutando el comando siguiente:
```
! pip install -qU sagemaker
```
Si ejecutas esta instalación en las instancias de SageMaker Studio o Notebook que ya tienes, tendrás que actualizar manualmente el núcleo para terminar de aplicar la actualización de la versión.
1. Cree un XGBoost estimador utilizando la clase. `sagemaker.estimator.Estimator` En el siguiente código de ejemplo, se denomina al XGBoost estimador. `xgb_model`
```
from sagemaker.debugger import Rule, ProfilerRule, rule_configs
from sagemaker.session import TrainingInput
s3_output_location='s3://{}/{}/{}'.format(bucket, prefix, 'xgboost_model')
container=sagemaker.image_uris.retrieve("xgboost", region, "1.2-1")
print(container)
xgb_model=sagemaker.estimator.Estimator(
image_uri=container,
role=role,
instance_count=1,
instance_type='ml.m4.xlarge',
volume_size=5,
output_path=s3_output_location,
sagemaker_session=sagemaker.Session(),
rules=[
Rule.sagemaker(rule_configs.create_xgboost_report()),
ProfilerRule.sagemaker(rule_configs.ProfilerReport())
]
)
```
Para construir el estimador de SageMaker IA, especifique los siguientes parámetros:
+ `image_uri`: especifique el URI de la imagen del contenedor de entrenamiento. En este ejemplo, el URI del contenedor de XGBoost entrenamiento de SageMaker IA se especifica mediante. `sagemaker.image_uris.retrieve`
+ `role`— La función AWS Identity and Access Management (IAM) que la SageMaker IA utiliza para realizar tareas en su nombre (por ejemplo, leer los resultados de la formación, llamar a artefactos de modelos de Amazon S3 y escribir los resultados de la formación en Amazon S3).
+ `instance_count` y `instance_type`: el tipo y el número de instancias de computación de machine learning de Amazon EC2 que se deben usar para el entrenamiento de modelos. Para este ejercicio de entrenamiento, utilizará una sola instancia de `ml.m4.xlarge`, que tiene 4 CPU, 16 GB de memoria, un almacenamiento en Amazon Elastic Block Store (Amazon EBS) y un alto rendimiento de red. Para obtener más información sobre los tipos de instancias, consulte [Tipos de instancias de Amazon EC2](https://aws.amazon.com/ec2/instance-types/). Para obtener más información sobre la facturación, consulta los [ SageMaker precios de Amazon](https://aws.amazon.com/sagemaker/pricing/).
+ `volume_size`: el tamaño, en GB, del volumen de almacenamiento de EBS que se va a asociar a la instancia de entrenamiento. Debe ser lo suficientemente grande para almacenar datos de entrenamiento si utiliza el modo `File` (el modo `File` es el predeterminado). Si no especifica este parámetro, el valor predeterminado es de 30.
+ `output_path`— El camino hacia el compartimento S3, donde la SageMaker IA almacena el artefacto del modelo y los resultados del entrenamiento.
+ `sagemaker_session`— El objeto de sesión que gestiona las interacciones con las operaciones de la SageMaker API y otros AWS servicios que utiliza el trabajo de formación.
+ `rules`— Especifique una lista de las reglas integradas del SageMaker Debugger. En este ejemplo, la `create_xgboost_report()` regla crea un XGBoost informe que proporciona información sobre el progreso y los resultados de la formación, y la `ProfilerReport()` regla crea un informe sobre la utilización de los recursos informáticos de EC2. Para obtener más información, consulte [SageMaker Informe interactivo de Debugger para XGBoost](debugger-report-xgboost.md).
**sugerencia**
Si desea realizar un entrenamiento distribuido de modelos de aprendizaje profundo de gran tamaño, como modelos de redes neuronales convolucionales (CNN) y modelos de procesamiento del lenguaje natural (NLP), utilice SageMaker AI Distributed para el paralelismo de datos o el paralelismo de modelos. Para obtener más información, consulte [Formación distribuida en Amazon SageMaker AI](distributed-training.md).
1. Establezca los hiperparámetros del algoritmo llamando al método del estimador. XGBoost `set_hyperparameters` Para obtener una lista completa de los XGBoost hiperparámetros, consulte. [XGBoost hiperparámetros](xgboost_hyperparameters.md)
```
xgb_model.set_hyperparameters(
max_depth = 5,
eta = 0.2,
gamma = 4,
min_child_weight = 6,
subsample = 0.7,
objective = "binary:logistic",
num_round = 1000
)
```
**sugerencia**
También puede ajustar los hiperparámetros mediante la función de optimización de hiperparámetros mediante SageMaker IA. Para obtener más información, consulte [Ajuste automático de modelos con IA SageMaker](automatic-model-tuning.md).
1. Utilice la clase `TrainingInput` para configurar un flujo de entrada de datos para el entrenamiento. El siguiente código de ejemplo muestra cómo configurar los objetos `TrainingInput` para que usen los conjuntos de datos de entrenamiento y validación que cargó en Amazon S3 en la sección [División de los datos en conjuntos de entrenamiento, validación y prueba.](ex1-preprocess-data.md#ex1-preprocess-data-transform).
```
from sagemaker.session import TrainingInput
train_input = TrainingInput(
"s3://{}/{}/{}".format(bucket, prefix, "data/train.csv"), content_type="csv"
)
validation_input = TrainingInput(
"s3://{}/{}/{}".format(bucket, prefix, "data/validation.csv"), content_type="csv"
)
```
1. Para iniciar el entrenamiento del modelo, llame al método `fit` del estimador con los conjuntos de datos de entrenamiento y validación. Al configurar `wait=True`, el método `fit` muestra los registros de progreso y espera hasta que el entrenamiento se complete.
```
xgb_model.fit({"train": train_input, "validation": validation_input}, wait=True)
```
Para obtener más información acerca del modelo de entrenamiento, consulte [Entrena a un modelo con Amazon SageMaker](how-it-works-training.md). Este tutorial de un trabajo de entrenamiento puede llevar hasta 10 minutos.
Una vez finalizado el trabajo de formación, puede descargar un informe de XGBoost formación y un informe de creación de perfiles generados por Debugger. SageMaker El informe de XGBoost entrenamiento le ofrece información sobre el progreso y los resultados del entrenamiento, como la función de pérdida con respecto a la iteración, la importancia de las características, la matriz de confusión, las curvas de precisión y otros resultados estadísticos del entrenamiento. Por ejemplo, puedes encontrar la siguiente curva de pérdidas en el informe de XGBoost entrenamiento, que indica claramente que hay un problema de sobreajuste.
![\[El gráfico del informe de XGBoost entrenamiento.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-train-loss-curve-validation-overfitting.png)
Ejecute el siguiente código para especificar el URI del bucket de S3 en el que se generan los informes de entrenamiento del depurador y compruebe si los informes existen.
```
rule_output_path = xgb_model.output_path + "/" + xgb_model.latest_training_job.job_name + "/rule-output"
! aws s3 ls {rule_output_path} --recursive
```
Descarga los informes de XGBoost formación y creación de perfiles de Debugger en el espacio de trabajo actual:
```
! aws s3 cp {rule_output_path} ./ --recursive
```
Ejecute el siguiente IPython script para obtener el enlace al archivo del informe de XGBoost formación:
```
from IPython.display import FileLink, FileLinks
display("Click link below to view the XGBoost Training report", FileLink("CreateXgboostReport/xgboost_report.html"))
```
El siguiente script de iPython devuelve el enlace al archivo del informe de creación de perfiles del depurador, que muestra resúmenes y detalles del uso de los recursos de la instancia EC2, los resultados de la detección de cuellos de botella en el sistema y los resultados de la creación de perfiles de operaciones de Python:
```
profiler_report_name = [rule["RuleConfigurationName"]
for rule in xgb_model.latest_training_job.rule_job_summary()
if "Profiler" in rule["RuleConfigurationName"]][0]
profiler_report_name
display("Click link below to view the profiler report", FileLink(profiler_report_name+"/profiler-output/profiler-report.html"))
```
**sugerencia**
Si los informes HTML no representan gráficos en la JupyterLab vista, debe elegir **Confiar en HTML** en la parte superior de los informes.
Para identificar los problemas de entrenamiento, como el sobreajuste, la desaparición de los gradientes y otros problemas que impiden la convergencia del modelo, utilice SageMaker Debugger y tome medidas automatizadas mientras crea prototipos y entrena sus modelos de aprendizaje automático. Para obtener más información, consulte [Amazon SageMaker Debugger](train-debugger.md). Para obtener un análisis completo de los parámetros del modelo, consulte el cuaderno de [ejemplo Explicability with Amazon SageMaker Debugger](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-debugger/xgboost_census_explanations/xgboost-census-debugger-rules.html#Explainability-with-Amazon-SageMaker-Debugger).
Ahora tiene un modelo entrenado. XGBoost SageMaker La IA almacena el artefacto modelo en su depósito S3. Para encontrar la ubicación del artefacto modelo, ejecute el siguiente código para imprimir el atributo model\$1data del estimador `xgb_model`:
```
xgb_model.model_data
```
**sugerencia**
Para medir los sesgos que pueden producirse durante cada etapa del ciclo de vida del aprendizaje automático (recopilación de datos, entrenamiento y ajuste de los modelos y supervisión de los modelos de aprendizaje automático implementados para la predicción), utilice SageMaker Clarify. Para obtener más información, consulte [Explicabilidad del modelo](clarify-model-explainability.md). Para ver un end-to-end ejemplo, consulte el cuaderno de ejemplo [Equidad y explicabilidad con SageMaker Clarify.](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-clarify/fairness_and_explainability/fairness_and_explainability.html)
# Implementación del modelo en Amazon EC2
Para obtener predicciones, implemente su modelo en Amazon EC2 mediante Amazon SageMaker AI.
**Topics**
+ [Implemente el modelo en los servicios de alojamiento de SageMaker IA](#ex1-deploy-model)
+ [(Opcional) Utilice SageMaker AI Predictor para reutilizar el punto final alojado](#ex1-deploy-model-sdk-use-endpoint)
+ [(Opcional) Predicciones con la transformación por lotes](#ex1-batch-transform)
## Implemente el modelo en los servicios de alojamiento de SageMaker IA
Para alojar un modelo a través de Amazon EC2 con Amazon SageMaker AI, implemente el modelo en el que se ha entrenado [Creación y ejecución de un trabajo de entrenamiento](ex1-train-model.md#ex1-train-model-sdk) llamando al `deploy` método del `xgb_model` estimador. Cuando llame al método `deploy`, debe especificar el número y el tipo de las instancias EC2 de machine learning que desee utilizar para alojar el punto de conexión.
```
import sagemaker
from sagemaker.serializers import CSVSerializer
xgb_predictor=xgb_model.deploy(
initial_instance_count=1,
instance_type='ml.t2.medium',
serializer=CSVSerializer()
)
```
+ `initial_instance_count` (int): el número de instancias en las que se va a implementar el modelo.
+ `instance_type` (str): el tipo de instancias en las que quiera que funcione el modelo implementado.
+ `serializer`(int): serialice los datos de entrada de varios formatos (una NumPy matriz, una lista, un archivo o un búfer) en una cadena con formato CSV. Usamos esto porque el XGBoost algoritmo acepta archivos de entrada en formato CSV.
El `deploy` método crea un modelo desplegable, configura el punto final de los servicios de alojamiento de SageMaker IA y lanza el punto final para alojar el modelo. Para obtener más información, consulte el [método de clase de despliegue del estimador genérico de SageMaker IA](https://sagemaker.readthedocs.io/en/stable/estimators.html#sagemaker.estimator.Estimator.deploy) en el SDK de Amazon [ SageMaker Python](https://sagemaker.readthedocs.io/en/stable). Para recuperar el nombre del punto de conexión generado por el método `deploy`, ejecute el siguiente código:
```
xgb_predictor.endpoint_name
```
Esto debería devolver el nombre del punto de conexión del `xgb_predictor`. El formato del nombre del punto de conexión es `"sagemaker-xgboost-YYYY-MM-DD-HH-MM-SS-SSS"`. Este punto de conexión permanece activo en la instancia de machine learning y puede realizar predicciones instantáneas en cualquier momento, a menos que lo cierre más adelante. Copie el nombre de este punto de conexión y guárdelo para reutilizarlo y realizar predicciones en tiempo real en cualquier otro lugar de las instancias de SageMaker Studio o SageMaker AI Notebook.
**sugerencia**
Para obtener más información sobre cómo compilar y optimizar su modelo para su implementación en instancias de Amazon EC2 o dispositivos perimetrales, consulte [Compilación e implementación de modelos con Neo](https://docs.aws.amazon.com/sagemaker/latest/dg/neo.html).
## (Opcional) Utilice SageMaker AI Predictor para reutilizar el punto final alojado
Después de implementar el modelo en un punto final, puede configurar un nuevo predictor de SageMaker IA emparejando el punto final y realizando predicciones continuas en tiempo real en cualquier otro bloc de notas. El siguiente código de ejemplo muestra cómo utilizar la clase SageMaker AI Predictor para configurar un nuevo objeto predictor utilizando el mismo punto final. Vuelva a utilizar el nombre del punto de conexión que utilizó para el `xgb_predictor`.
```
import sagemaker
xgb_predictor_reuse=sagemaker.predictor.Predictor(
endpoint_name="sagemaker-xgboost-YYYY-MM-DD-HH-MM-SS-SSS",
sagemaker_session=sagemaker.Session(),
serializer=sagemaker.serializers.CSVSerializer()
)
```
El predictor `xgb_predictor_reuse` se comporta exactamente igual que el `xgb_predictor` original. Para obtener más información, consulte la clase [SageMaker AI Predictor](https://sagemaker.readthedocs.io/en/stable/predictors.html#sagemaker.predictor.RealTimePredictor) en el [SDK de Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
## (Opcional) Predicciones con la transformación por lotes
En lugar de alojar un punto final en producción, puede ejecutar un trabajo de inferencia por lotes único para realizar predicciones en un conjunto de datos de prueba mediante la transformación por lotes de SageMaker IA. Una vez finalizado el entrenamiento con el modelo, puede extender el estimador a un `transformer` objeto, que se basa en la clase [SageMaker AI](https://sagemaker.readthedocs.io/en/stable/api/inference/transformer.html) Transformer. El transformador por lotes lee los datos de entrada de un bucket de S3 específico y hace predicciones.
**Para ejecutar un trabajo de transformación por lotes**
1. Ejecute el siguiente código para convertir las columnas de características del conjunto de datos de prueba en un archivo CSV y cargarlo en el bucket de S3:
```
X_test.to_csv('test.csv', index=False, header=False)
boto3.Session().resource('s3').Bucket(bucket).Object(
os.path.join(prefix, 'test/test.csv')).upload_file('test.csv')
```
1. Especifique el grupo S3 URIs de entrada y salida para el trabajo de transformación por lotes, como se muestra a continuación:
```
# The location of the test dataset
batch_input = 's3://{}/{}/test'.format(bucket, prefix)
# The location to store the results of the batch transform job
batch_output = 's3://{}/{}/batch-prediction'.format(bucket, prefix)
```
1. Cree un objeto transformador que especifique el número mínimo de parámetros: los parámetros `instance_count` y `instance_type` para ejecutar el trabajo de transformación por lotes y el `output_path` para guardar los datos de predicción, como se muestra a continuación:
```
transformer = xgb_model.transformer(
instance_count=1,
instance_type='ml.m4.xlarge',
output_path=batch_output
)
```
1. Inicie el trabajo de transformación por lotes ejecutando el método `transform()` del objeto `transformer` como se muestra a continuación:
```
transformer.transform(
data=batch_input,
data_type='S3Prefix',
content_type='text/csv',
split_type='Line'
)
transformer.wait()
```
1. Cuando se completa el trabajo de transformación por lotes, la SageMaker IA crea los datos de `test.csv.out` predicción guardados en la `batch_output` ruta, que deben tener el siguiente formato:`s3://sagemaker--111122223333/demo-sagemaker-xgboost-adult-income-prediction/batch-prediction`. Ejecute lo siguiente AWS CLI para descargar los datos de salida del trabajo de transformación por lotes:
```
! aws s3 cp {batch_output} ./ --recursive
```
Esto debería crear el archivo `test.csv.out` en el directorio de trabajo actual. Podrá ver los valores flotantes que se predicen en función de la regresión logística del trabajo de XGBoost formación.
# Evaluación del modelo
Ahora que ha entrenado e implementado un modelo con Amazon SageMaker AI, evalúe el modelo para asegurarse de que genera predicciones precisas a partir de nuevos datos. Para ello, utilice el conjunto de datos de prueba que ha creado en [Preparación de un conjunto de datos](ex1-preprocess-data.md).
## Evalúe el modelo implementado en los servicios de alojamiento de SageMaker IA
Para evaluar el modelo y usarlo en producción, invoque el punto de conexión con el conjunto de datos de prueba y compruebe si las inferencias obtenidas arrojan la precisión deseada.
**Para evaluar el modelo**
1. Configure la siguiente función para predecir cada línea del conjunto de prueba. En el siguiente código de ejemplo, el argumento `rows` sirve para especificar el número de líneas que se van a predecir a la vez. Puede cambiar su valor para realizar una inferencia por lotes que utilice al máximo los recursos de hardware de la instancia.
```
import numpy as np
def predict(data, rows=1000):
split_array = np.array_split(data, int(data.shape[0] / float(rows) + 1))
predictions = ''
for array in split_array:
predictions = ','.join([predictions, xgb_predictor.predict(array).decode('utf-8')])
return np.fromstring(predictions[1:], sep=',')
```
1. Ejecute el siguiente código para hacer predicciones del conjunto de datos de prueba y trazar un histograma. Debe tomar solo las columnas de características del conjunto de datos de prueba, excluyendo la columna 0 para los valores reales.
```
import matplotlib.pyplot as plt
predictions=predict(test.to_numpy()[:,1:])
plt.hist(predictions)
plt.show()
```
![\[Un histograma de los valores pronosticados.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-eval-predicted-values-histogram.png)
1. Los valores pronosticados son de tipo flotante. Para determinar `True` o `False` en función de en los valores flotantes, debe establecer un valor límite. Como se muestra en el siguiente código de ejemplo, use la biblioteca Scikit-learn para obtener el resultado del informe de clasificación y métricas de confusión con un límite de 0,5.
```
import sklearn
cutoff=0.5
print(sklearn.metrics.confusion_matrix(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0)))
print(sklearn.metrics.classification_report(test.iloc[:, 0], np.where(predictions > cutoff, 1, 0)))
```
Esto debe devolver la siguiente matriz de confusión:
![\[Ejemplo de matriz de confusión y estadísticas después de obtener la inferencia del modelo implementado.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-evaluate-confusion-matrix.png)
1. Para determinar el mejor límite con el conjunto de pruebas dado, calcule la función de pérdida logística de la regresión logística. La función de pérdida logística se define como la probabilidad logística negativa de un modelo logístico que devuelve probabilidades de predicción para sus etiquetas de verdad básica. El siguiente código de ejemplo calcula numérica e iterativamente los valores de pérdida logística (`-(y*log(p)+(1-y)log(1-p)`), donde `y` es la etiqueta verdadera y `p` es una estimación de probabilidad de la muestra de prueba correspondiente. Devuelve una gráfica de pérdida logística con respecto al límite.
```
import matplotlib.pyplot as plt
cutoffs = np.arange(0.01, 1, 0.01)
log_loss = []
for c in cutoffs:
log_loss.append(
sklearn.metrics.log_loss(test.iloc[:, 0], np.where(predictions > c, 1, 0))
)
plt.figure(figsize=(15,10))
plt.plot(cutoffs, log_loss)
plt.xlabel("Cutoff")
plt.ylabel("Log loss")
plt.show()
```
Esto debería devolver la siguiente curva de pérdida logística.
![\[Ejemplo de seguimiento de la curva de pérdida logística.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/get-started-ni/gs-ni-evaluate-logloss-vs-cutoff.png)
1. Encuentre los puntos mínimos de la curva de error mediante las `min` funciones NumPy `argmin` y:
```
print(
'Log loss is minimized at a cutoff of ', cutoffs[np.argmin(log_loss)],
', and the log loss value at the minimum is ', np.min(log_loss)
)
```
Esto debería devolver: `Log loss is minimized at a cutoff of 0.53, and the log loss value at the minimum is 4.348539186773897`.
En lugar de calcular y minimizar la función de pérdida logística, puede estimar una función de costo como alternativa. Por ejemplo, si desea entrenar un modelo para realizar una clasificación binaria de un problema empresarial, como un problema de predicción de la pérdida de clientes, puede establecer ponderaciones para los elementos de la matriz de confusión y calcular la función de costo en consecuencia.
Ya ha entrenado, implementado y evaluado su primer modelo en SageMaker IA.
**sugerencia**
Para supervisar la calidad del modelo, la calidad de los datos y la desviación de sesgo, utilice Amazon SageMaker Model Monitor y SageMaker AI Clarify. Para obtener más información, consulte [Amazon SageMaker Model Monitor, Monitor](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html) [Data Quality](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-data-quality.html), [Monitor Model Quality](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor-model-quality.html), [Monitor Bias Drift](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-bias-drift.html) y [Monitor Feature Attribution Drift.](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-model-monitor-feature-attribution-drift.html)
**sugerencia**
Para obtener una revisión humana de las predicciones de machine learning de baja confianza o una muestra aleatoria de las predicciones, utilice los flujos de trabajo de revisión humana aumentados con IA de Amazon. Para obtener más información, consulte [Uso de Amazon Augmented AI para la revisión humana](https://docs.aws.amazon.com/sagemaker/latest/dg/a2i-use-augmented-ai-a2i-human-review-loops.html).
# Limpia los recursos de instancias de Amazon SageMaker Notebook
Para evitar incurrir en cargos innecesarios, úsala Consola de administración de AWS para eliminar los puntos finales y los recursos que creaste mientras realizabas los ejercicios.
**nota**
Los trabajos y registros de entrenamiento no se pueden eliminar y se conservan indefinidamente.
**nota**
Si tiene previsto para explorar otros ejercicios de esta guía, es posible que desee mantener algunos de estos recursos, como, por ejemplo, su instancia de cuaderno, el bucket de S3 y el rol de IAM.
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)y elimina los siguientes recursos:
+ El punto de conexión. Al eliminar el punto de conexión, también se eliminan las instancias de computación de ML o instancias que lo admitan.
1. En **Inferencia**, elija **Puntos de conexión**.
1. Elija el punto de conexión que creó en el ejemplo y seleccione **Acciones**. A continuación, elija **Eliminar**.
+ La configuración del punto de conexión.
1. En **Inferencia**, elija **Configuraciones de punto de conexión**.
1. Seleccione la configuración del punto de conexión que creó en el ejemplo y seleccione **Acciones**. A continuación, elija **Eliminar**.
+ El modelo.
1. En **Inferencia**, elija **Modelos**.
1. Elija el modelo que creó en el ejemplo y seleccione **Acciones**. A continuación, elija **Eliminar**.
+ La instancia del cuaderno. Antes de eliminar la instancia del cuaderno, deténgala.
1. En **Cuaderno**, elija **Instancias de bloc de notas**.
1. Elija la instancia de cuaderno que creó en el ejemplo y, a continuación, elija **Acciones** y **Detener**. La instancia de cuaderno tarda varios minutos en detenerse. Cuando el **Estado** cambia a **Detenido**, proceda con el siguiente paso.
1. Elija **Acciones** y, a continuación, elija **Eliminar**.
1. Abra la consola Amazon S3 en y [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/), a continuación, elimine el depósito que creó para almacenar los artefactos del modelo y el conjunto de datos de entrenamiento.
1. Abre la CloudWatch consola de Amazon en y [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/), a continuación, elimina todos los grupos de registros que tengan nombres que comiencen por`/aws/sagemaker/`.
# AL2023 instancias de bloc de notas
Actualmente, las instancias de Amazon SageMaker Notebook son compatibles con los sistemas AL2023 operativos. AL2023es ahora el sistema operativo más reciente y recomendado para las instancias de notebook. Puede seleccionar el sistema operativo en el que se basa la instancia de cuaderno al crear la instancia de cuaderno.
SageMaker La IA admite instancias de notebook basadas en los siguientes sistemas AL2023 operativos.
+ **notebook-al2023-v1**: estas instancias de portátiles son compatibles con la versión 4. JupyterLab Para obtener información sobre las versiones, consulte. JupyterLab [JupyterLab control de versiones](nbi-jl.md)
**Topics**
+ [Tipos de instancias admitidas](#nbi-al2023-instances)
+ [Núcleos disponibles](#nbi-al2023-kernel)
## Tipos de instancias admitidas
AL2023 admite los tipos de **instancias que figuran en la sección Instancias de Notebook** de [SageMaker AI Pricing](https://aws.amazon.com/sagemaker/pricing/), con la excepción de las instancias que AL2023 no admiten `ml.p2` `ml.g3` instancias. `ml.p3`
## Núcleos disponibles
La siguiente tabla proporciona información sobre los núcleos disponibles para las instancias de SageMaker notebook. Todas estas imágenes son compatibles con las instancias de notebook basadas en el sistema `notebook-al2023-v1` operativo.
| Nombre del kernel | Description (Descripción) |
| --- | --- |
| R | Un kernel que se utiliza para realizar análisis y visualización de datos mediante código R desde un cuaderno de Jupyter. |
| Sparkmagic () PySpark | Un kernel que se utiliza para hacer ciencia de datos con clústeres Spark remotos de cuadernos de Jupyter que utilizan el lenguaje de programación Python. Este kernel viene con Python 3.10. |
| Sparkmagic (Spark) | Un kernel que se utiliza para hacer ciencia de datos con clústeres Spark remotos de cuadernos de Jupyter que utilizan el lenguaje de programación Scala. Este kernel viene con Python 3.10. |
| Sparkmagic (SparkR) | Un kernel que se utiliza para hacer ciencia de datos con clústeres Spark remotos de cuadernos de Jupyter que utilizan el lenguaje de programación R. Este kernel viene con Python 3.10. |
| conda\$1python3 | Un entorno conda que viene con paquetes populares para ciencia de datos y machine learning preinstalados. Este kernel viene con Python 3.10. |
| conda\$1pytorch | Un entorno conda que viene preinstalado con la PyTorch versión 2.7.0, así como con los populares paquetes de ciencia de datos y aprendizaje automático. Este kernel viene con Python 3.10. |
# Instancias de cuaderno de Amazon Linux 2
**importante**
JupyterLab Las versiones 1 y JupyterLab 3 dejarán de ser compatibles a partir del 30 de junio de 2025. Ya no podrá crear instancias de cuaderno nuevas ni reiniciar instancias de cuaderno detenidas con estas versiones. Las instancias en servicio existentes pueden seguir funcionando, pero no recibirán actualizaciones de seguridad ni correcciones de errores. Migre a JupyterLab 4 instancias de portátiles para obtener soporte continuo. Para obtener más información, consulte [JupyterLab mantenimiento de versiones](nbi-jl.md#nbi-jl-version-maintenance).
**nota**
AL2023 es el sistema operativo más reciente y recomendado disponible para las instancias de ordenadores portátiles. Para obtener más información, consulte [AL2023 instancias de bloc de notas](nbi-al2023.md).
Actualmente, las instancias de Amazon SageMaker Notebook son compatibles con los sistemas operativos Amazon Linux 2 (AL2). Puede seleccionar el sistema operativo en el que se basa la instancia de cuaderno al crear la instancia de cuaderno.
SageMaker La IA admite instancias de notebook basadas en los siguientes sistemas operativos Amazon Linux 2.
+ **notebook-al2-v1** (obsoleto): estas instancias de notebook eran compatibles con la versión 1. JupyterLab A partir del 30 de junio de 2025, ya no podrá crear nuevas instancias con este identificador de plataforma. Para obtener información sobre las versiones, consulte. JupyterLab [JupyterLab control de versiones](nbi-jl.md)
+ **notebook-al2-v2** (obsoleto): estas instancias de notebook eran compatibles con la versión 3. JupyterLab A partir del 30 de junio de 2025, ya no podrá crear nuevas instancias con este identificador de plataforma. Para obtener información sobre las versiones, consulte. JupyterLab [JupyterLab control de versiones](nbi-jl.md)
+ **notebook-al2-v3**: estas instancias de notebook son compatibles con la versión 4. JupyterLab Para obtener información sobre las versiones, consulte. JupyterLab [JupyterLab control de versiones](nbi-jl.md)
Las instancias de Notebook creadas antes del 18 de agosto de 2021 se ejecutan automáticamente en Amazon Linux ()AL1. Las instancias de notebook basadas en AL1 entraron en una fase de mantenimiento el 1 de diciembre de 2022 y ya no están disponibles para la creación de nuevas instancias de notebook a partir del 2 de enero de 2023. Para reemplazarlo AL1, ahora tienes la opción de crear instancias de Amazon SageMaker Notebook con AL2. Para obtener más información, consulte [AL1 Plan de fases de mantenimiento](#nbi-al2-deprecation).
**Topics**
+ [Tipos de instancias admitidas](#nbi-al2-instances)
+ [Kernels disponibles](#nbi-al2-kernel)
+ [AL1 Plan de fases de mantenimiento](#nbi-al2-deprecation)
## Tipos de instancias admitidas
Amazon Linux 2 admite los tipos de instancias que figuran en **Notebook Instances** en [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/), con la excepción de que Amazon Linux 2 no admite `ml.p2` instancias.
## Kernels disponibles
En la siguiente tabla, se proporciona información sobre los núcleos disponibles para las instancias de SageMaker notebook. Todas estas imágenes son compatibles con las instancias de cuaderno basadas en los sistemas operativos `notebook-al2-v1`, `notebook-al2-v2` y `notebook-al2-v3`.
SageMaker núcleos de instancias de cuadernos
| Nombre del kernel | Description (Descripción) |
| --- | --- |
| R | Un kernel que se utiliza para realizar análisis y visualización de datos mediante código R desde un cuaderno de Jupyter. |
| Sparkmagic () PySpark | Un kernel que se utiliza para hacer ciencia de datos con clústeres Spark remotos de cuadernos de Jupyter que utilizan el lenguaje de programación Python. Este kernel viene con Python 3.10. |
| Sparkmagic (Spark) | Un kernel que se utiliza para hacer ciencia de datos con clústeres Spark remotos de cuadernos de Jupyter que utilizan el lenguaje de programación Scala. Este kernel viene con Python 3.10. |
| Sparkmagic (SparkR) | Un kernel que se utiliza para hacer ciencia de datos con clústeres Spark remotos de cuadernos de Jupyter que utilizan el lenguaje de programación R. Este kernel viene con Python 3.10. |
| conda\$1python3 | Un entorno conda que viene con paquetes populares para ciencia de datos y machine learning preinstalados. Este kernel viene con Python 3.10. |
| conda\$1pytorch\$1p310 | Un entorno conda que viene preinstalado con la PyTorch versión 2.2.0, así como con los populares paquetes de ciencia de datos y aprendizaje automático. Este kernel viene con Python 3.10. |
| conda\$1tensorflow2\$1p310 | Un entorno conda que viene preinstalado con la TensorFlow versión 2.16.0, así como los populares paquetes de ciencia de datos y aprendizaje automático. Este kernel viene con Python 3.10. |
## AL1 Plan de fases de mantenimiento
La siguiente tabla muestra un cronograma para cuando se AL1 ingresa a la fase de mantenimiento extendido. La fase AL1 de mantenimiento también coincide con la obsolescencia de Python 2 y Chainer. Los cuadernos basados en AL2 no tienen núcleos gestionados de Python 2 y Chainer.
| Date | Description (Descripción) |
| --- | --- |
| 18/08/2021 | AL2 Se lanzan las instancias de Notebook basadas en. Las instancias de notebook recién lanzadas siguen siendo las predeterminadas AL1. AL1 es compatible con los parches y actualizaciones de seguridad, pero no con nuevas funciones. Puede elegir entre los dos sistemas operativos al lanzar una nueva instancia de cuaderno. |
| 31/10/2022 | El identificador de plataforma predeterminado para las instancias de SageMaker notebook cambia de Amazon Linux (al1-v1) a Amazon Linux 2 (al2-v2). Puede elegir entre los dos sistemas operativos al lanzar una nueva instancia de cuaderno. |
| 1 de diciembre de 2022 | AL1 ya no es compatible con los parches y actualizaciones de seguridad que no son críticos. AL1 sigue recibiendo correcciones para problemas [críticos](https://nvd.nist.gov/vuln-metrics/cvss#) relacionados con la seguridad. Puede seguir lanzando instancias AL1, pero asuma los riesgos asociados al uso de un sistema operativo no compatible. |
| 01/02/2023 | AL1 ya no está disponible para la creación de nuevas instancias de bloc de notas. Después de esta fecha, los clientes pueden crear instancias de bloc de notas con los identificadores de la AL2 plataforma. Los cuadernos existentes con un `INSERVICE` estado determinado deben migrarse a la plataforma más reciente, ya que no se puede garantizar la disponibilidad continua de las instancias de AL1 portátiles. |
| 31/03/2024 | AL1 llegará al final de su vida útil en las instancias de portátiles el 31 de marzo de 2024. Después de esta fecha, ya no AL1 recibirá actualizaciones de seguridad ni correcciones de errores ni estará disponible para la creación de nuevas instancias de bloc de notas. [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/nbi-al2.html) |
### Migración a Amazon Linux 2
La instancia de AL1 notebook existente no se migra automáticamente a Amazon Linux 2. Para actualizar la instancia de AL1 bloc de notas a Amazon Linux 2, debe crear una nueva instancia de bloc de notas, replicar el código y el entorno y eliminar la instancia de bloc de notas anterior. Para obtener más información, consulte el [Blog de migración a Amazon Linux 2](https://aws.amazon.com/blogs/machine-learning/migrate-your-work-to-amazon-sagemaker-notebook-instance-with-amazon-linux-2/ ).
# JupyterLab control de versiones
**importante**
JupyterLab Las versiones 1 y JupyterLab 3 dejarán de ser compatibles a partir del 30 de junio de 2025. Ya no podrá crear instancias de cuaderno nuevas ni reiniciar instancias de cuaderno detenidas con estas versiones. Las instancias en servicio existentes pueden seguir funcionando, pero no recibirán actualizaciones de seguridad ni correcciones de errores. Migre a JupyterLab 4 instancias de portátiles para obtener soporte continuo. Para obtener más información, consulte [JupyterLab mantenimiento de versiones](#nbi-jl-version-maintenance).
Se basa en la interfaz de instancias de Amazon SageMaker Notebook JupyterLab, que es un entorno de desarrollo interactivo basado en la web para cuadernos, código y datos. Los cuadernos ahora admiten el uso de JupyterLab 1, JupyterLab 3 o JupyterLab 4. Una sola instancia de notebook puede ejecutar una sola instancia de JupyterLab (como máximo). Puede tener varias instancias de bloc de notas con diferentes JupyterLab versiones.
Puede configurar su portátil para que ejecute la JupyterLab versión que prefiera seleccionando el identificador de plataforma adecuado. Utilice la consola AI AWS CLI o la consola SageMaker AI al crear la instancia de su notebook. Para obtener más información sobre los identificadores de plataforma, consulte [AL2023 instancias de bloc de notas](nbi-al2023.md) y[Instancias de cuaderno de Amazon Linux 2](nbi-al2.md). Si no configuras un identificador de plataforma de forma explícita, la instancia de tu notebook JupyterLab ejecutará 1 de forma predeterminada.
**Topics**
+ [JupyterLab mantenimiento de versiones](#nbi-jl-version-maintenance)
+ [JupyterLab 4.](#nbi-jl-4)
+ [JupyterLab 3](#nbi-jl-3)
+ [Crea un cuaderno con tu versión JupyterLab](nbi-jl-create.md)
+ [Vea la JupyterLab versión de un portátil desde la consola](nbi-jl-view.md)
## JupyterLab mantenimiento de versiones
JupyterLab Las plataformas 1 y JupyterLab 3 finalizaron el soporte estándar el 30 de junio de 2025. A partir de esta fecha:
+ Ya no se pueden crear nuevas instancias de notebook ni reiniciar JupyterLab las que JupyterLab ya no están disponibles.
+ Es posible que las instancias de notebook JupyterLab 1 y JupyterLab 3 existentes en servicio sigan funcionando, pero ya no reciban actualizaciones de seguridad de SageMaker IA ni correcciones de errores críticos.
+ Usted será responsable de administrar la seguridad de dichas instancias en desuso.
+ Si surgen problemas con una o JupyterLab JupyterLab tres instancias de notebook existentes, la SageMaker IA no puede garantizar su disponibilidad continua. Debe migrar su carga de trabajo a una instancia de JupyterLab 4 equipos portátiles.
Migre su trabajo a JupyterLab 4 instancias de notebook (el identificador de plataforma de la última versión es [notebook-al2023-v1](nbi-al2023.md)) para asegurarse de contar con un entorno seguro y compatible. Esto le permite aprovechar las versiones más recientes de los cuadernos de Jupyter y otras bibliotecas de aprendizaje automático. JupyterLab Para obtener instrucciones, consulte [Migrar su trabajo a una instancia de bloc de notas de SageMaker IA con Amazon Linux 2](https://aws.amazon.com/blogs//machine-learning/migrate-your-work-to-amazon-sagemaker-notebook-instance-with-amazon-linux-2/).
## JupyterLab 4.
JupyterLab La compatibilidad con 4 solo está disponible en la plataforma del sistema operativo Amazon Linux 2. JupyterLab La versión 4 incluye las siguientes funciones que no están disponibles en la versión JupyterLab 3:
+ Representación optimizada para disfrutar de una experiencia más rápida
+ Ajustes opcionales para cambiar de pestaña más rápido y mejorar el rendimiento con cuadernos largos. Para obtener más información, consulte la entrada del blog [ JupyterLab 4.0 is Here](https://blog.jupyter.org/jupyterlab-4-0-is-here-388d05e03442).
+ Editor de texto actualizado
+ Nuevo administrador de extensiones que se instala desde pypi
+ Se han agregado mejoras a la interfaz de usuario, como mejoras en la búsqueda de documentos y de accesibilidad
Para ejecutar JupyterLab 4, especifique [notebook-al2023-v1](nbi-al2023.md) (la versión más reciente y recomendada) o [notebook-al2-v3](nbi-al2.md) como identificador de plataforma al crear la instancia de notebook.
**nota**
Si intenta migrar a una instancia de Notebook JupyterLab 4 desde otra JupyterLab versión, los cambios de versión del paquete entre JupyterLab la 3 y la 4 podrían interrumpir cualquier configuración o extensión del ciclo de vida existente. JupyterLab Jupyter/JupyterLab
**Cambios en la versión del paquete**
JupyterLab La versión 4 tiene los siguientes cambios en la versión JupyterLab 3 del paquete:
+ JupyterLab se ha actualizado de la versión 3.x a la 4.x.
+ El cuaderno de Jupyter se ha actualizado de la versión 6.x a la 7.x.
+ jupyterlab-git se ha actualizado a la versión 0.50.0.
## JupyterLab 3
**importante**
JupyterLab Las versiones 1 y JupyterLab 3 dejarán de ser compatibles a partir del 30 de junio de 2025. Ya no podrá crear instancias de cuaderno nuevas ni reiniciar instancias de cuaderno detenidas con estas versiones. Las instancias en servicio existentes pueden seguir funcionando, pero no recibirán actualizaciones de seguridad ni correcciones de errores. Migre a JupyterLab 4 instancias de portátiles para obtener soporte continuo. Para obtener más información, consulte [JupyterLab mantenimiento de versiones](#nbi-jl-version-maintenance).
JupyterLab La compatibilidad con 3 solo está disponible en la plataforma del sistema operativo Amazon Linux 2. JupyterLab La versión 3 incluye las siguientes funciones que no están disponibles en la versión JupyterLab 1. Para obtener más información sobre estas funciones, consulte ¡[Se ha lanzado la JupyterLab versión 3.0\$1](https://blog.jupyter.org/jupyterlab-3-0-is-out-4f58385e25bb) .
+ Depurador visual cuando se utilizan los siguientes kernels :
+ conda\$1pytorch\$1p38
+ conda\$1tensorflow2\$1p38
+ conda\$1amazonei\$1pytorch\$1latest\$1p37
+ Filtro de explorador de archivos
+ Índice
+ Compatibilidad con varios idiomas
+ Modo simple
+ Modo de interfaz única
+ Edición en vivo de archivos SVG con renderización actualizada
+ Interfaz de usuario para etiquetas de celdas de cuadernos
### Cambios importantes en JupyterLab 3
Para obtener información sobre los cambios importantes al usar JupyterLab 3, consulta los siguientes registros de JupyterLab cambios:
+ [v2.0.0](https://github.com/jupyterlab/jupyterlab/releases)
+ [v3.0.0](https://jupyterlab.readthedocs.io/en/stable/getting_started/changelog.html#for-developers)
**Cambios en la versión del paquete**
JupyterLab La versión 3 presenta los siguientes cambios en la versión del paquete con respecto a la JupyterLab 1:
+ JupyterLab se ha actualizado de la versión 1.x a la 3.x.
+ El cuaderno de Jupyter se ha actualizado de la versión 5.x a la 6.x.
+ jupyterlab-git se ha actualizado a la versión 0.37.1.
+ nbserverproxy 0.x (0.3.2) se ha sustituido por 3.x (3.2.1). jupyter-server-proxy
# Crea un cuaderno con tu versión JupyterLab
**importante**
JupyterLab Las versiones 1 y JupyterLab 3 dejarán de ser compatibles a partir del 30 de junio de 2025. Ya no podrá crear instancias de cuaderno nuevas ni reiniciar instancias de cuaderno detenidas con estas versiones. Las instancias en servicio existentes pueden seguir funcionando, pero no recibirán actualizaciones de seguridad ni correcciones de errores. Migre a JupyterLab 4 instancias de portátiles para obtener soporte continuo. Para obtener más información, consulte [JupyterLab mantenimiento de versiones](nbi-jl.md#nbi-jl-version-maintenance).
Puede seleccionar la JupyterLab versión al crear la instancia de su bloc de notas desde la consola siguiendo los pasos que se indican[Crear una instancia de Amazon SageMaker Notebook](howitworks-create-ws.md).
También puede seleccionar la JupyterLab versión pasando el `platform-identifier` parámetro al crear la instancia de su bloc de notas de la AWS CLI siguiente manera:
```
create-notebook-instance --notebook-instance-name \
--instance-type \
--role-arn \
--platform-identifier notebook-al2-v3
```
# Vea la JupyterLab versión de un portátil desde la consola
**importante**
JupyterLab Las versiones 1 y JupyterLab 3 dejarán de ser compatibles a partir del 30 de junio de 2025. Ya no podrá crear instancias de cuaderno nuevas ni reiniciar instancias de cuaderno detenidas con estas versiones. Las instancias en servicio existentes pueden seguir funcionando, pero no recibirán actualizaciones de seguridad ni correcciones de errores. Migre a JupyterLab 4 instancias de portátiles para obtener soporte continuo. Para obtener más información, consulte [JupyterLab mantenimiento de versiones](nbi-jl.md#nbi-jl-version-maintenance).
Puede ver la JupyterLab versión de un bloc de notas mediante el siguiente procedimiento:
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación de la izquierda, seleccione **Cuaderno**.
1. En el menú desplegable, seleccione **Instancias de bloc de notas** para ir a la página de **Instancias de bloc de notas**.
1. En la lista de instancias de cuaderno, seleccione el nombre de su instancia de cuaderno.
1. En la página de **configuración de la instancia de Notebook**, consulta el **identificador de plataforma** para ver la JupyterLab versión del bloc de notas.
# Crear una instancia de Amazon SageMaker Notebook
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Una instancia de Amazon SageMaker Notebook es una instancia de cómputo de aprendizaje automático que ejecuta la aplicación Jupyter Notebook. SageMaker La IA gestiona la creación de la instancia y los recursos relacionados. Utilice los cuadernos de Jupyter en su instancia de cuaderno para:
+ preparar y procesar datos
+ escribir código para entrenar modelos
+ implementar modelos en el alojamiento de SageMaker IA
+ probar o validar modelos
Para crear una instancia de notebook, usa la consola de SageMaker IA o la [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html)API.
El tipo de instancia de cuaderno que elija dependerá del modo en que vaya a utilizarla. Asegúrese de que la instancia de cuaderno no esté vinculada por memoria, CPU o E/S. Para cargar un conjunto de datos en la memoria de la instancia de cuaderno para realizar tareas de exploración o preprocesamiento, elija un tipo de instancia que tenga suficiente memoria RAM para el conjunto de datos. Esto requeriría una instancia con al menos 16 GB de memoria (.xlarge o superior). Si planea utilizar el cuaderno para tareas de preprocesamiento de computación intensivas, le recomendamos que elija una instancia optimizada para la computación, como c4 o c5.
Una buena práctica cuando se utiliza un SageMaker bloc de notas es utilizar la instancia del bloc de notas para organizar otros AWS servicios. Por ejemplo, puede utilizar la instancia de cuaderno para administrar el procesamiento de conjuntos de datos de gran tamaño. Para ello, haga llamadas a los servicios de AWS Glue for ETL (extracción, transformación y carga) o a Amazon EMR para mapeo y reducción de datos mediante Hadoop. Puede utilizar AWS los servicios como formas temporales de cálculo o almacenamiento de sus datos.
Puede almacenar y recuperar los datos de entrenamiento y pruebas utilizando un bucket de Amazon Simple Storage Service. Luego, puede usar la SageMaker IA para entrenar y construir su modelo. De este modo, el tipo de instancia del cuaderno no influiría en la velocidad del entrenamiento del modelo y las pruebas.
Tras recibir la solicitud, SageMaker AI hace lo siguiente:
+ **Crea una interfaz de red**: si eliges la configuración de VPC opcional SageMaker , AI crea la interfaz de red en tu VPC. Utiliza el ID de subred que se proporciona en la solicitud para determinar en qué zona de disponibilidad se debe crear la subred. SageMaker La IA asocia el grupo de seguridad que usted proporciona en la solicitud a la subred. Para obtener más información, consulte [Conexión de una instancia de cuaderno en una VPC a recursos externos](appendix-notebook-and-internet-access.md).
+ **Lanza una instancia de procesamiento de ML**: la SageMaker IA lanza una instancia de procesamiento de ML en una SageMaker VPC de IA. SageMaker La IA realiza las tareas de configuración que le permiten gestionar su instancia de notebook. Si especificó su VPC, la SageMaker IA habilita el tráfico entre su VPC y la instancia de notebook.
+ **Instala los paquetes y bibliotecas de Anaconda para las plataformas de aprendizaje profundo más comunes**: la SageMaker IA instala todos los paquetes de Anaconda que se incluyen en el instalador. [Para obtener más información, consulte la lista de paquetes de Anaconda.](https://docs.anaconda.com/free/anaconda/pkg-docs/) SageMaker La IA también instala las bibliotecas de aprendizaje MXNet profundo TensorFlow y Apache.
+ **Adjunta un volumen de almacenamiento de ML: la SageMaker IA adjunta un volumen** de almacenamiento de ML a la instancia de procesamiento de ML. Puede utilizar el volumen como área de trabajo para limpiar el conjunto de datos de entrenamiento o para almacenar temporalmente datos de validación, prueba u otros. Elija cualquier tamaño entre 5 GB y 16384 GB, en incrementos de 1 GB, para el volumen. El valor predeterminado es 5 GB. Los volúmenes de almacenamiento de aprendizaje automático están cifrados, por lo que la SageMaker IA no puede determinar la cantidad de espacio libre disponible en el volumen. Por este motivo, puede aumentar el tamaño del volumen al actualizar una instancia de cuaderno, pero no puede reducir el tamaño del volumen. Si desea reducir el tamaño del volumen de almacenamiento de machine learning en uso, cree otra instancia de cuaderno con el tamaño deseado.
Solo los archivos y los datos guardados dentro de la carpeta `/home/ec2-user/SageMaker` se conservan entre las sesiones de instancia de cuaderno. Los archivos y los datos que se guarden fuera de este directorio se sobrescribirán cuando la instancia de cuaderno se detenga y se reinicie. El `/tmp` directorio de cada instancia de bloc de notas proporciona un mínimo de 10 GB de almacenamiento en un almacén de instancias. Un almacén de instancias es un almacén temporal, de nivel de bloques, que no es persistente. Cuando la instancia se detiene o se reinicia, SageMaker AI elimina el contenido del directorio y cualquier personalización del sistema operativo. Este almacenamiento temporal forma parte del volumen raíz de la instancia de cuaderno.
Si la instancia del bloc de notas no está actualizada y ejecuta un software no seguro, es posible que SageMaker AI actualice la instancia periódicamente como parte del mantenimiento regular. Durante estas actualizaciones, los datos que se encuentran fuera de la carpeta no `/home/ec2-user/SageMaker` se conservan. Para obtener más información sobre los parches de mantenimiento y seguridad, consulte[Mantenimiento](nbi.md#nbi-maintenance).
Si el tipo de instancia utilizado por la instancia del bloc de notas es NVMe compatible, los clientes pueden usar los volúmenes de almacenamiento de NVMe instancias disponibles para ese tipo de instancia. En el caso de las instancias con volúmenes de NVMe almacenamiento, todos los volúmenes del almacén de instancias se adjuntan automáticamente a la instancia en el momento del lanzamiento. Para obtener más información sobre los tipos de instancias y sus volúmenes de NVMe almacenamiento asociados, consulte los [detalles del tipo de instancia de Amazon Elastic Compute Cloud](https://aws.amazon.com/ec2/instance-types/).
Para que el volumen de NVMe almacenamiento adjunto esté disponible para tu instancia de bloc de notas, sigue los pasos que se indican en [Hacer que los volúmenes de almacén de instancias estén disponibles en tu instancia](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/add-instance-store-volumes.html#making-instance-stores-available-on-your-instances). Complete los pasos con acceso raíz o mediante un script de configuración del ciclo de vida.
**nota**
NVMe los volúmenes de los almacenes de instancias no son almacenamiento persistente. Este almacenamiento se mantiene con la instancia y se debe volver a configurar cada vez que se lance una instancia con este almacenamiento.
**Para crear una instancia de SageMaker AI notebook:**
1. Abre la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Elija **Instancias de bloc de notas** y, a continuación, **Crear instancia de bloc de notas**.
1. En la página **Crear instancia de bloc de notas**, proporcione la siguiente información:
1. Para **Nombre de instancia del bloc de notas**, escriba un nombre para su instancia de cuaderno.
1. Para el **Tipo de instancia de bloc de notas**, elija un tamaño de instancia adecuado para su caso de uso. Para ver una lista de los tipos de instancias y las cuotas compatibles, consulta [Amazon SageMaker AI Service Quotas](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html#limits_sagemaker).
1. En **Identificador de plataforma**, elija un tipo de plataforma en el que crear la instancia del cuaderno. Este tipo de plataforma determina el sistema operativo y la JupyterLab versión con la que se crea la instancia de tu notebook. La versión más reciente y recomendada es `notebook-al2023-v1` para una instancia de notebook Amazon Linux 2023. A partir del 30 de junio de 2025, solo se admiten JupyterLab 4 instancias nuevas. Para obtener información sobre los tipos de identificadores de plataforma, consulte [AL2023 instancias de bloc de notas](nbi-al2023.md) y[Instancias de cuaderno de Amazon Linux 2](nbi-al2.md). Para obtener información sobre JupyterLab las versiones, consulte[JupyterLab control de versiones](nbi-jl.md).
**importante**
JupyterLab Las versiones 1 y JupyterLab 3 dejarán de ser compatibles a partir del 30 de junio de 2025. Ya no podrá crear instancias de cuaderno nuevas ni reiniciar instancias de cuaderno detenidas con estas versiones. Las instancias en servicio existentes pueden seguir funcionando, pero no recibirán actualizaciones de seguridad ni correcciones de errores. Migre a JupyterLab 4 instancias de portátiles para obtener soporte continuo. Para obtener más información, consulte [JupyterLab mantenimiento de versiones](nbi-jl.md#nbi-jl-version-maintenance).
1. (Opcional) La **configuración adicional** permite a los usuarios avanzados crear un script de intérprete de comandos que se puede ejecutar al crear o iniciar la instancia. Este script, denominado script de configuración del ciclo de vida, se puede utilizar para establecer el entorno del cuaderno o para realizar otras funciones. Para obtener información, consulte [Personalización de una instancia de SageMaker bloc de notas mediante un script LCC](notebook-lifecycle-config.md).
1. (Opcional) La **configuración adicional** también le permite especificar el tamaño, en GB, del volumen de almacenamiento de machine learning que está conectado a la instancia de cuaderno. Puede elegir un tamaño entre 5 GB y 16 384 GB, en incrementos de 1 GB. Puede utilizar el volumen para limpiar los conjuntos de datos de entrenamiento o para almacenar temporalmente datos de validación de la tienda u otros datos con los que trabajar.
1. (Opcional) Para obtener una **versión mínima de IMDS**, seleccione una versión de la lista desplegable. Si este valor se establece en v1, ambas versiones se pueden usar con la instancia de cuaderno. Si se selecciona la versión 2, solo se IMDSv2 puede usar con la instancia de notebook. Para obtener información al respecto IMDSv2, consulte [Uso IMDSv2](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/configuring-instance-metadata-service.html).
**nota**
A partir del 31 de octubre de 2022, la versión IMDS mínima predeterminada para las instancias de SageMaker notebook cambiará de IMDSv1 a IMDSv2.
A partir del 1 de febrero de 2023, IMDSv1 ya no estará disponible para la creación de nuevas instancias de bloc de notas. Después de esta fecha, puede crear instancias de cuaderno con una versión de IMDS mínima de 2.
1. Para el **rol de IAM**, elige un rol de IAM existente en tu cuenta con los permisos necesarios para acceder a los recursos de SageMaker IA o **crea un nuevo** rol. Si eliges **Crear un nuevo rol**, SageMaker AI crea un rol de IAM denominado. `AmazonSageMaker-ExecutionRole-YYYYMMDDTHHmmSS` La política AWS gestionada `AmazonSageMakerFullAccess` está asociada al rol. El rol proporciona permisos que permiten a la instancia de notebook llamar a SageMaker AI y Amazon S3.
1. En **Acceso raíz**, para conceder acceso raíz a todos los usuarios de instancia con cuaderno, elija **Habilitado**. Para eliminar el acceso raíz para los usuarios, elija **Deshabilitar**. Si concede acceso raíz, todos los usuarios de instancias de cuaderno tendrán privilegios de administrador y podrán obtener acceso a todos los archivos que contiene y editarlos.
1. (Opcional) La **clave de cifrado** permite cifrar los datos del volumen de almacenamiento de machine learning conectado a la instancia de cuaderno mediante una clave AWS Key Management Service (AWS KMS). Si planea almacenar información confidencial en el volumen de almacenamiento de machine learning, considere cifrar la información.
1. (Opcional) **Red** le permite colocar su instancia de cuaderno dentro de una nube privada virtual (VPC). Una VPC proporciona seguridad adicional y restringe el acceso a los recursos de la VPC desde orígenes ajenos a la VPC. Para obtener más información VPCs, consulte la Guía del [usuario de Amazon VPC](https://docs.aws.amazon.com/vpc/latest/userguide/).
**Para agregar la instancia de cuaderno a una VPC:**
1. Elija la **VPC** y un. **SubnetId**
1. En **Grupo de seguridad**, seleccione el grupo de seguridad predeterminado de la VPC.
1. Si necesita que su instancia de cuaderno tenga acceso a internet, habilite el acceso directo a internet. En **Acceso directo a Internet**, elija **Habilitar**. El acceso a internet puede hacer que su instancia de cuaderno sea menos segura. Para obtener más información, consulte [Conexión de una instancia de cuaderno en una VPC a recursos externos](appendix-notebook-and-internet-access.md).
1. (Opcional) Para asociar repositorios Git con la instancia con cuaderno, elija un repositorio predeterminado y hasta tres repositorios adicionales. Para obtener más información, consulte [Repositorios de Git con instancias de SageMaker AI Notebook](nbi-git-repo.md).
1. Elija **Crear instancia de bloc de notas**.
En unos minutos, Amazon SageMaker AI lanza una instancia de cómputo de aprendizaje automático (en este caso, una instancia de notebook) y le adjunta un volumen de almacenamiento de aprendizaje automático. La instancia de cuaderno cuenta con un servidor de cuaderno de Jupyter configurado previamente y un conjunto de bibliotecas de Anaconda. Para obtener más información, consulte la API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html).
1. Cuando el estado de la instancia de cuaderno es `InService`, en la consola, la instancia de cuaderno está lista para su uso. Elija **Abrir Jupyter** junto al nombre del cuaderno para abrir el panel clásico de Jupyter.
**nota**
Para aumentar la seguridad de tu instancia de Amazon SageMaker Notebook, todos los `notebook.region.sagemaker.aws` dominios regionales se registran en la [lista de sufijos públicos (PSL](https://publicsuffix.org/)) de Internet. Para mayor seguridad, le recomendamos que utilice cookies con un `__Host-` prefijo para establecer cookies confidenciales en los dominios de sus instancias de notebook. SageMaker Esta práctica lo ayuda a proteger su dominio de los intentos de falsificación de solicitudes entre sitios (CSRF). Para obtener más información, consulte la página [Set-Cookie](https://developer.mozilla.org/en-US/docs/Web/HTTP/Headers/Set-Cookie#cookie_prefixes) en el sitio web de la documentación para desarrolladores [mozilla.org](https://www.mozilla.org/en-GB/?v=1).
Puede elegir **Abrir JupyterLab para abrir** el JupyterLab panel de control. El panel proporciona acceso a su instancia de cuaderno.
Para obtener más información sobre los cuadernos de Jupyter, consulte la sección sobre [el cuaderno de Jupyter](https://jupyter-notebook.readthedocs.io/en/stable/).
# Acceso a instancias de cuaderno
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Para acceder a tus instancias de Amazon SageMaker Notebook, elige una de las siguientes opciones:
+ Usar la consola.
Seleccione **Instancias de bloc de notas**. La consola muestra una lista de instancias de cuaderno en su cuenta. Para abrir una instancia de cuaderno con una interfaz Jupyter estándar, elija **Abrir Jupyter** para dicha instancia. Para abrir una instancia de bloc de notas con una JupyterLab interfaz, selecciona **Abrir JupyterLab** para esa instancia.
![\[Ejemplo de la sección Instancias de cuaderno en la consola.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/ws-notebook-10.png)
La consola usa tus credenciales de inicio de sesión para enviar un [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html)Solicitud de API a SageMaker AI. SageMaker AI devuelve la URL de tu instancia de notebook y la consola abre la URL en otra pestaña del navegador y muestra el panel de control de Jupyter Notebook.
**nota**
La dirección URL que se obtiene de una llamada a [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html) solo es válida durante 5 minutos. Si intentas utilizar la URL una vez transcurrido el límite de 5 minutos, accederás a la página de inicio de Consola de administración de AWS sesión.
+ Usar la API.
Para obtener la dirección URL de la instancia con cuaderno, llame a la API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreatePresignedNotebookInstanceUrl.html) y utilice la dirección URL que la API devuelve para abrir la instancia con cuaderno.
Utilice el panel de cuaderno de Jupyter para crear y administrar cuadernos y para escribir código. Para obtener más información sobre cuadernos de Jupyter, consulte [http://jupyter.org/documentation.html](http://jupyter.org/documentation.html).
# Actualización de una instancia de cuaderno.
Tras crear una instancia de bloc de notas, puedes actualizarla mediante la consola de SageMaker IA y el funcionamiento de la [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateNotebookInstance.html)API.
Puede actualizar las etiquetas de una instancia de cuaderno que esté `InService`. Para actualizar cualquier otro atributo de una instancia de cuaderno, su estado debe ser `Stopped`.
**Para actualizar una instancia de bloc de notas en la consola de SageMaker IA:**
1. Abre la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Seleccione **Instancias de bloc de notas**.
1. Elija la instancia de cuaderno que desee actualizar seleccionando el **nombre** de la instancia de cuaderno en la lista.
1. Si el **estado** de su cuaderno no es `Stopped`, seleccione el botón **Detener** para detener la instancia de cuaderno.
Al hacerlo, el estado de la instancia de cuaderno cambia a `Stopping`. Espere a que el estado cambie a `Stopped` para completar los siguientes pasos.
1. Seleccione el botón **Editar** para abrir la página **Editar instancia del bloc de notas**. Para obtener información acerca de las propiedades del cuaderno que pueda actualizar, consulte [Crear una instancia de Amazon SageMaker Notebook](howitworks-create-ws.md).
1. Actualice la instancia de su cuaderno y, cuando haya terminado, seleccione el botón **Actualizar instancia de bloc de notas** situado en la parte inferior de la página para volver a la página de instancias de cuaderno. El estado de su instancia de cuaderno cambia a **Actualizando**.
Cuando se completa la actualización de la instancia de cuaderno, el estado cambia a `Stopped`.
# Personalización de una instancia de SageMaker bloc de notas mediante un script LCC
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Una *configuración del ciclo de vida* (LCC) proporciona los scripts de intérprete de comandos que se ejecutan solo cuando crea una instancia de cuaderno o cuando inicia una. Al crear una instancia de cuaderno, puede crear una nueva LCC o asociar una LCC de la que ya disponga. Los scripts de configuración del ciclo de vida son útiles para los siguientes casos de uso:
+ Instalación de paquetes o cuadernos de muestra en una instancia de cuaderno
+ Configuración de red y seguridad para una instancia de cuaderno
+ Uso de un script de intérprete de comandos para personalizar una instancia de cuaderno
También puede usar un script de configuración del ciclo de vida para acceder a AWS los servicios desde su portátil. Por ejemplo, puede crear un script que le permita usar su bloc de notas para controlar otros AWS recursos, como una instancia de Amazon EMR.
[Mantenemos un repositorio público de los scripts de configuración del ciclo de vida de las computadoras portátiles que abordan los casos de uso más comunes para personalizar las instancias de las computadoras portátiles en https://github.com/aws-samples/ amazon-sagemaker-notebook-instance -. lifecycle-config-samples](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples)
**nota**
Cada script tiene un límite de 16 384 caracteres.
El valor de la variable de entorno `$PATH` que está disponible para ambos scripts es `/usr/local/sbin:/usr/local/bin:/usr/bin:/usr/sbin:/sbin:/bin`. El directorio de trabajo, que es el valor de la variable de entorno `$PWD`, es `/`.
Vea CloudWatch los registros de las configuraciones del ciclo de vida de las instancias de portátiles en el grupo de registros del `/aws/sagemaker/NotebookInstances` flujo `[notebook-instance-name]/[LifecycleConfigHook]` de registros.
Los scripts no se pueden ejecutar durante más de 5 minutos. Si un script se ejecuta durante más de 5 minutos, se produce un error y no se crea o inicia la instancia de cuaderno. Para ayudar a reducir el tiempo de ejecución de los scripts, pruebe lo siguiente:
Reduzca el número de pasos necesarios. Por ejemplo, limitar los entornos de Conda donde se instalarán paquetes de gran tamaño.
Ejecute tareas en procesos paralelos.
Utilice el comando `nohup` en su script.
Para ver una lista de las configuraciones del ciclo de vida de las instancias de notebook que haya creado anteriormente, seleccione la **configuración del ciclo** de vida en la consola de SageMaker IA. Puede asociar una LCC de una instancia de cuaderno al crear una nueva instancia de cuaderno. Para obtener más información acerca de la creación de una instancia de cuaderno, consulte [Crear una instancia de Amazon SageMaker Notebook](howitworks-create-ws.md).
# Creación de un script de configuración de ciclo de vida
El siguiente procedimiento muestra cómo crear un script de configuración del ciclo de vida para usarlo con una instancia de Amazon SageMaker Notebook. Para obtener más información acerca de la creación de una instancia de cuaderno, consulte [Crear una instancia de Amazon SageMaker Notebook](howitworks-create-ws.md).
**Para crear una configuración del ciclo de vida, realice el siguiente procedimiento:**
1. Abre la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, seleccione **Configuraciones de ciclo de vida**.
1. En la página **Configuraciones del ciclo de vida**, seleccione la pestaña **Instancia de bloc de notas**.
1. Seleccione **Crear configuración**.
1. En **Nombre**, escriba un nombre con caracteres alfanuméricos y guiones, pero sin espacios. El nombre puede tener un máximo de 63 caracteres.
1. (Opcional) Para crear un script que se ejecute al crear el cuaderno y cada vez que lo inicie, elija **Iniciar bloc de notas**.
1. En el editor **Iniciar bloc de notas**, escriba el script.
1. (Opcional) Para crear un script que se ejecute solo una vez, al crear el cuaderno, elija **Crear bloc de notas**.
1. En el editor **Crear bloc de notas**, escriba la red de configuración del script.
1. Seleccione **Crear configuración**.
## Prácticas recomendadas de configuración del ciclo de vida
A continuación se indican las prácticas recomendadas para utilizar configuraciones del ciclo de vida:
**importante**
No recomendamos almacenar información confidencial en el script de configuración del ciclo de vida.
**importante**
Los scripts de configuración del ciclo de vida se ejecutan con acceso root y con los privilegios de la función de ejecución de IAM de la instancia de notebook, independientemente de la configuración de acceso root para los usuarios de notebooks. Los directores con permisos para crear o modificar las configuraciones del ciclo de vida y actualizar las instancias de notebook pueden ejecutar código con las credenciales de la función de ejecución. Para obtener más información, consulte [Controle el acceso raíz a una instancia de notebook SageMaker](nbi-root-access.md).
+ Las configuraciones del ciclo de vida se ejecutan como usuario `root`. Si su script realiza cualquier cambio en el directorio `/home/ec2-user/SageMaker` (por ejemplo, instalar un paquete con `pip`), use el comando `sudo -u ec2-user` que se va a ejecutar como usuario `ec2-user`. Este es el mismo usuario con el que se ejecuta Amazon SageMaker AI.
+ SageMaker Las instancias de cuadernos de IA utilizan `conda` entornos para implementar diferentes núcleos para los cuadernos de Jupyter. Si desea instalar paquetes que están disponibles para uno o varios kernels de cuaderno, incluya los comandos para instalar los paquetes con comandos de entorno `conda` que activen el entorno conda que contenga el kernel donde desee instalar los paquetes.
Por ejemplo, si desea instalar un paquete solo para el entorno `python3`, use el siguiente código:
```
#!/bin/bash
sudo -u ec2-user -i <
**importante**
Actualmente, todos los paquetes de los entornos de instancias de notebook tienen licencia para su uso con Amazon SageMaker AI y no requieren licencias comerciales adicionales. Sin embargo, esto podría estar sujeto a cambios en el futuro, por lo que recomendamos revisar los términos de licencia con regularidad para comprobar las actualizaciones.
Las instancias de Amazon SageMaker Notebook vienen con varios entornos ya instalados. Estos entornos contienen núcleos de Jupyter y paquetes de Python que incluyen: scikit, Pandas,, y. NumPy TensorFlow MXNet Estos entornos, junto con todos los archivos de la carpeta `sample-notebooks`, se actualizan cuando detiene e inicia una instancia de cuaderno. También puede instalar sus propios entornos que contienen la opción de los paquetes y kernels.
Los diferentes núcleos de Jupyter en las instancias de Amazon SageMaker Notebook son entornos conda independientes. Para obtener información sobre los entornos conda, consulte la sección de [administración de entornos](https://conda.io/docs/user-guide/tasks/manage-environments.html) en la documentación de *Conda*.
Instale entornos y kernels personalizados en el volumen de Amazon EBS de la instancia de cuaderno. Esto garantiza que persistan cuando se detiene y se reinicia la instancia de notebook, y que la IA no actualice las bibliotecas externas que instale. SageMaker Para ello, utilice una configuración del ciclo de vida que incluya un script que se ejecute al crear la instancia de cuaderno (`on-create)` y un script que se ejecute cada vez que se reinicie la instancia de cuaderno (`on-start`). Para obtener más información acerca de las configuraciones de ciclo de vida utilizando instancias de cuaderno, consulte [Personalización de una instancia de SageMaker bloc de notas mediante un script LCC](notebook-lifecycle-config.md). Hay un GitHub repositorio que contiene ejemplos de scripts de configuración del ciclo de vida en [SageMaker AI Notebook Instance Lifecycle Config Samples](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples).
Los ejemplos de [https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-create.sh](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-create.sh) y [https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-start.sh](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/persistent-conda-ebs/on-start.sh) muestran las mejores prácticas para instalar entornos y núcleos en una instancia de notebook. El script `on-create` instala la biblioteca `ipykernel` para crear entornos personalizados como kernels de Jupyter y, a continuación, utiliza `pip install` y `conda install` para instalar las bibliotecas. Puede adaptar el script para crear entornos personalizados e instalar las bibliotecas que desee. SageMaker AI no actualiza estas bibliotecas cuando detienes y reinicias la instancia del bloc de notas, por lo que puedes asegurarte de que tu entorno personalizado tiene las versiones específicas de las bibliotecas que deseas. El script `on-start` instala todos los entornos personalizados que cree como kernels de Jupyter para que aparezcan en la lista desplegable del menú **Nuevo** de Jupyter.
## Herramientas de instalación de paquetes
SageMaker los portátiles admiten las siguientes herramientas de instalación de paquetes:
+ instalación conda
+ instalación pip
Puede instalar paquetes mediante los siguientes métodos:
+ Scripts de configuración del ciclo de vida.
Para ver ejemplos de scripts, consulta los [ejemplos de SageMaker AI Notebook Instance Lifecycle Config](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples). Para obtener más información sobre la configuración del ciclo de vida, consulte [Personalización de una instancia de bloc de notas con un script de configuración del ciclo de vida](https://docs.aws.amazon.com/sagemaker/latest/dg/notebook-lifecycle-config.html).
+ Cuadernos: se admiten los siguientes comandos.
+ `%conda install`
+ `%pip install`
+ El terminal de Jupyter: puede instalar paquetes directamente con pip y conda.
Desde un cuaderno se puede usar la sintaxis de comandos del sistema (las líneas que comienzan por \$1) para instalar paquetes, por ejemplo, `!pip install` y `!conda install`. Más recientemente, se agregaron nuevos comandos a IPython: `%pip` y`%conda`. Estos comandos son los recomendados para instalar los paquetes desde un cuaderno, ya que tienen en cuenta correctamente el entorno activo o el intérprete que se está utilizando. Para obtener más información, consulte [Añadir las funciones mágicas %pip y %conda](https://github.com/ipython/ipython/pull/11524).
### Conda
Conda es un sistema de administración de paquetes y un sistema de administración de entornos de código abierto, que puede instalar paquetes y sus dependencias. SageMaker La IA admite el uso de Conda con cualquiera de los dos canales principales, el canal predeterminado y el canal conda-forge. Para obtener más información, consulte [Conda channels](https://docs.conda.io/projects/conda/en/latest/user-guide/concepts/channels.html). El canal conda-forge es un canal comunitario en el que los colaboradores pueden subir paquetes.
**nota**
Debido a la forma en que Conda resuelve el gráfico de dependencias, la instalación de paquetes desde conda-forge puede llevar mucho más tiempo (en el peor de los casos, más de 10 minutos).
La AMI de aprendizaje profundo viene con muchos entornos de Conda y muchos paquetes preinstalados. Debido a la cantidad de paquetes preinstalados, es difícil encontrar un conjunto de paquetes que garanticen su compatibilidad. Es posible que aparezca una advertencia que diga: “The environment is inconsistent, please check the package plan carefully”. A pesar de esta advertencia, la SageMaker IA se asegura de que todos los entornos proporcionados por la SageMaker IA sean correctos. SageMaker AI no puede garantizar que los paquetes instalados por los usuarios funcionen correctamente.
**nota**
Los usuarios de SageMaker AI AWS Deep Learning AMIs y Amazon EMR pueden acceder al repositorio comercial de Anaconda sin necesidad de obtener una licencia comercial hasta el 1 de febrero de 2024 si utilizan Anaconda en esos servicios. Para cualquier uso del repositorio comercial de Anaconda después del 1 de febrero de 2024, los clientes son responsables de determinar sus propios requisitos de licencia de Anaconda.
Conda tiene dos métodos para activar entornos: conda. activate/deactivate, and source activate/deactivate Para obtener más información, consulte [Should I use 'conda activate' or 'source activate' in Linux](https://stackoverflow.com/questions/49600611/python-anaconda-should-i-use-conda-activate-or-source-activate-in-linux).
SageMaker La IA permite mover los entornos de Conda al volumen de Amazon EBS, que persiste cuando se detiene la instancia. Los entornos no persisten cuando se instalan en el volumen raíz, lo que es el comportamiento predeterminado. Para ver un ejemplo de script de ciclo de vida, consulte. [persistent-conda-ebs](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/tree/master/scripts/persistent-conda-ebs)
**Operaciones conda compatibles (consulte la nota al final de este tema)**
+ instalación conda de un paquete en un solo entorno
+ instalación conda de un paquete en todos los entornos
+ instalación conda de un paquete R en el entorno R
+ Instalación de un paquete desde el repositorio principal de conda
+ Instalación de un paquete desde conda-forge
+ Cambio de la ubicación de instalación de Conda para usar EBS
+ Compatible con conda activate y source activate
### Pip
Pip es la herramienta de facto para instalar y administrar paquetes de Python. De forma predeterminada, Pip busca paquetes en el Índice de paquetes de Python (PyPI). A diferencia de Conda, pip no tiene soporte de entorno integrado y no es tan exhaustivo como Conda cuando se trata de paquetes con native/system dependencias de biblioteca. Pip se puede usar para instalar paquetes en entornos Conda.
Puede usar repositorios de paquetes alternativos con pip en lugar de PyPI. Para ver un ejemplo de script de ciclo de vida, consulta [on-start.sh](https://github.com/aws-samples/amazon-sagemaker-notebook-instance-lifecycle-config-samples/blob/master/scripts/add-pypi-repository/on-start.sh).
**Operaciones pip compatibles (consulte la nota al final de este tema)**
+ Uso de pip para instalar un paquete sin un entorno conda activo (instalación de paquetes en todo el sistema)
+ Uso de pip para instalar un paquete en un entorno conda
+ Uso de pip para instalar un paquete en todos los entornos conda
+ Cambio de la ubicación de instalación de pip para usar EBS
+ Uso de un repositorio alternativo para instalar paquetes con pip
### No se admite
SageMaker El objetivo de AI es admitir tantas operaciones de instalación de paquetes como sea posible. Sin embargo, si los paquetes los instaló SageMaker AI o DLAMI y utiliza las siguientes operaciones en estos paquetes, es posible que la instancia de su notebook sea inestable:
+ Desinstalación
+ Degradación
+ Mejora
No ofrecemos soporte para la instalación de paquetes a través de yum install ni para la instalación de paquetes R desde CRAN.
Debido a posibles problemas con las condiciones o configuraciones de la red, o con la disponibilidad de Conda PyPi, no podemos garantizar que los paquetes se instalen en un período de tiempo fijo o determinista.
**nota**
No podemos garantizar que la instalación de un paquete se realice correctamente. Si se intenta instalar un paquete en un entorno con dependencias incompatibles, se puede producir un error. En tal caso, debe ponerse en contacto con el responsable de la biblioteca para ver si es posible actualizar las dependencias del paquete. Como alternativa, puede intentar modificar el entorno de tal manera que permita la instalación. Sin embargo, es probable que esta modificación implique eliminar o actualizar los paquetes existentes, lo que significa que ya no podemos garantizar la estabilidad de este entorno.
# Actualizaciones de software de instancias de cuaderno
Amazon SageMaker AI prueba y publica periódicamente el software que está instalado en las instancias de ordenadores portátiles. Esto incluye:
+ Actualizaciones del kernel
+ Parches de seguridad
+ AWS Actualizaciones del SDK
+ Actualizaciones del [SDK de Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable)
+ Actualizaciones de software de código abierto
Para asegurarse de que dispone de las actualizaciones de software más recientes, detenga y reinicie la instancia de su notebook, ya sea en la consola de SageMaker IA o llamando [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopNotebookInstance.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopNotebookInstance.html).
También puede actualizar manualmente el software instalado en la instancia de cuaderno mientras se está ejecutando utilizando comandos de actualización en un terminal o en un cuaderno.
**nota**
La actualización de kernels y algunos paquetes puede depender de si el acceso raíz está habilitado para la instancia de cuaderno. Para obtener más información, consulte [Controle el acceso raíz a una instancia de notebook SageMaker](nbi-root-access.md).
Puede consultar el [Personal Health Dashboard](https://aws.amazon.com/premiumsupport/technology/personal-health-dashboard/) o el boletín de seguridad en [Boletines de seguridad](https://aws.amazon.com/security/security-bulletins/) para obtener actualizaciones.
# Controlar una instancia Spark de Amazon EMR a través de un cuaderno
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Puede usar una instancia de bloc de notas creada con un script de configuración del ciclo de vida personalizado para acceder a AWS los servicios desde su bloc de notas. Por ejemplo, puede crear un script que le permite utilizar su cuaderno con Sparkmagic para controlar otros recursos de AWS , como por ejemplo una instancia de Amazon EMR. A continuación, puede utilizar la instancia de Amazon EMR para procesar los datos en lugar de ejecutar el análisis de datos en el cuaderno. Esto le permite crear una instancia de cuaderno más pequeña, ya que no la usará para procesar datos. Esto resulta útil cuando tiene conjuntos de datos grandes que precisan una instancia de cuaderno grande para procesar los datos.
El proceso requiere tres procedimientos con la consola Amazon SageMaker AI:
+ Creación de la instancia Spark de Amazon EMR
+ Creación del cuaderno de Jupyter
+ Pruebe la conexión notebook-to-Amazon EMR
**Para crear una instancia Spark de Amazon EMR que se pueda controlar desde un cuaderno mediante Sparkmagic**
1. Abra la consola de Amazon EMR en [https://console.aws.amazon.com/elasticmapreduce/](https://console.aws.amazon.com/elasticmapreduce/).
1. En el panel de navegación, elija **Create cluster (Crear clúster)**.
1. En la página **Create Cluster - Quick Options (Crear clúster: opciones rápidas)**, en **Software configuration (Configuración de software)**, seleccione **Spark: Spark 2.4.4 on Hadoop 2.8.5 YARN with Ganglia 3.7.2 and Zeppelin 0.8.2 (Spark: Spark 2.4.4 en Hadoop 2.8.5 YARN con Ganglia 3.7.2 y Zeppelin 0.8.2)**.
1. Establezca parámetros adicionales en la página y, a continuación, elija **Create cluster (Crear clúster)**.
1. En la página **Cluster (Clúster)**, elija el nombre del clúster que haya creado. Tenga en cuenta el **Master Public DNS (DNS público maestro)**, el **EMR master's security group (Grupo de seguridad del elemento maestro de EMR)** y el nombre de la VPC y el ID de la subred donde se creó el clúster de EMR. Utilizará estos valores cuando cree un cuaderno.
**Para crear un cuaderno que utilice Sparkmagic para controlar una instancia Spark de Amazon EMR**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación, en **Instancias de bloc de notas**, elija **Crear bloc de notas**.
1. Introduzca el nombre de la instancia de cuaderno y seleccione el tipo de instancia.
1. Elija **Configuración adicional** y, a continuación, en **Configuración de ciclo de vida**, elija **Crear una nueva configuración del ciclo de vida**.
1. Añada el siguiente código al script de configuración del ciclo de vida:
```
# OVERVIEW
# This script connects an Amazon EMR cluster to an Amazon SageMaker notebook instance that uses Sparkmagic.
#
# Note that this script will fail if the Amazon EMR cluster's master node IP address is not reachable.
# 1. Ensure that the EMR master node IP is resolvable from the notebook instance.
# One way to accomplish this is to have the notebook instance and the Amazon EMR cluster in the same subnet.
# 2. Ensure the EMR master node security group provides inbound access from the notebook instance security group.
# Type - Protocol - Port - Source
# Custom TCP - TCP - 8998 - $NOTEBOOK_SECURITY_GROUP
# 3. Ensure the notebook instance has internet connectivity to fetch the SparkMagic example config.
#
# https://aws.amazon.com/blogs/machine-learning/build-amazon-sagemaker-notebooks-backed-by-spark-in-amazon-emr/
# PARAMETERS
EMR_MASTER_IP=your.emr.master.ip
cd /home/ec2-user/.sparkmagic
echo "Fetching Sparkmagic example config from GitHub..."
wget https://raw.githubusercontent.com/jupyter-incubator/sparkmagic/master/sparkmagic/example_config.json
echo "Replacing EMR master node IP in Sparkmagic config..."
sed -i -- "s/localhost/$EMR_MASTER_IP/g" example_config.json
mv example_config.json config.json
echo "Sending a sample request to Livy.."
curl "$EMR_MASTER_IP:8998/sessions"
```
1. En la sección `PARAMETERS` del script, sustituya `your.emr.master.ip` por el nombre DNS público maestro de la instancia de Amazon EMR.
1. Seleccione **Crear configuración**.
1. En la página **Crear bloc de notas**, seleccione **Red: opcional**.
1. Seleccione la VPC y la subred donde está ubicada la instancia de Amazon EMR.
1. Seleccione el grupo de seguridad utilizado por el nodo maestro de Amazon EMR.
1. Elija **Crear instancia de bloc de notas**.
Mientras se crea la instancia de cuaderno, el estado es **Pendiente**. Una vez que se haya creado la instancia y el script de configuración del ciclo de vida se haya ejecutado correctamente, el estado es **InService**.
**nota**
Si la instancia de bloc de notas no se puede conectar a la instancia de Amazon EMR, la SageMaker IA no podrá crear la instancia de bloc de notas. La conexión puede fallar si la instancia de Amazon EMR y el cuaderno no están en la misma VPC y subred, si el cuaderno no utiliza el grupo de seguridad maestro de Amazon EMR o si el nombre DNS público maestro del script no es correcto.
**Para probar la conexión entre la instancia de Amazon EMR y el cuaderno**
1. Cuando el estado de la libreta sea **InService**, selecciona **Abrir Jupyter** para abrir la libreta.
1. Selecciona **Nuevo** y, a continuación, selecciona **Sparkmagic** (). PySpark
1. En la celda de código, introduzca **%%info** y, a continuación, ejecute la celda.
El resultado debería ser similar al siguiente
```
Current session configs: {'driverMemory': '1000M', 'executorCores': 2, 'kind': 'pyspark'}
No active sessions.
```
# Establecimiento del kernel del cuaderno
Amazon SageMaker AI proporciona varios núcleos para Jupyter que admiten Python 2 y 3 MXNet, TensorFlow Apache y. PySpark Para establecer un kernel para un nuevo cuaderno en el panel de cuaderno de Jupyter, seleccione **Nuevo** y, a continuación, elija el kernel en la lista. Para obtener más información sobre los kernels disponibles, consulte [Kernels disponibles](nbi-al2.md#nbi-al2-kernel).
![\[Ubicación de la lista desplegable Nuevo en el panel del cuaderno de Jupyter.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/nbi-set-kernel.png)
También puede crear un kernel personalizado que puede usar en su instancia de cuaderno. Para obtener información, consulte [Instalación de una biblioteca externa y un kernel](nbi-add-external.md).
# Repositorios de Git con instancias de SageMaker AI Notebook
Asocie repositorios de Git a su instancia de cuaderno para guardar sus cuadernos de notas en un entorno de control de origen que persiste incluso si se detiene o se elimina su instancia de cuaderno. Puede asociar una repositorio predeterminado y hasta un máximo de tres repositorios adicionales a una instancia de cuaderno. Los repositorios se pueden alojar en AWS CodeCommit o en cualquier otro servidor Git. GitHub Asociar repositorios de Git a su instancia de cuaderno pueden ser útil para:
+ Persistencia: los cuadernos de una instancia de cuaderno se almacenan en volúmenes de Amazon EBS duraderos, pero no persisten más allá de la vida de su instancia de cuaderno. Almacenar cuadernos en un repositorio de Git le permite almacenar y utilizar cuadernos incluso si detiene o elimina su instancia de cuaderno.
+ Colaboración: los miembros de un equipo suelen colaborar en proyectos de machine learning. Almacenar los cuadernos en repositorios de Git permite a los miembros del equipo que trabajan en instancias de cuadernos diferentes compartir los cuadernos y colaborar en ellos en un entorno de control de origen.
+ Aprendizaje: muchos cuadernos de Jupyter que muestran técnicas de aprendizaje automático están disponibles en repositorios de Git alojados públicamente, como en. GitHub Puede asociar su instancia de cuaderno a un repositorio para cargar fácilmente los cuadernos de Jupyter contenidos en dicho repositorio.
Hay dos formas de asociar un repositorio de Git a una instancia de cuaderno:
+ Añade un repositorio de Git como recurso a tu cuenta de Amazon SageMaker AI. A continuación, para acceder al repositorio, puede especificar un secreto de AWS Secrets Manager que contenga las credenciales. De esta forma, podrá obtener acceso a los repositorios que requieran autenticación.
+ Asociar un repositorio de Git público que no sea un recurso a su cuenta. Si lo hace, no podrá especificar credenciales para obtener acceso al repositorio.
**Topics**
+ [Agrega un repositorio de Git a tu cuenta de Amazon SageMaker AI](nbi-git-resource.md)
+ [Creación de una instancia del cuaderno con un repositorio de Git asociado](nbi-git-create.md)
+ [Asocie un CodeCommit repositorio de una AWS cuenta diferente a una instancia de Notebook](nbi-git-cross.md)
+ [Uso de repositorios de Git en una instancia del cuaderno](git-nbi-use.md)
# Agrega un repositorio de Git a tu cuenta de Amazon SageMaker AI
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Para gestionar tus GitHub repositorios, asociarlos fácilmente a las instancias de tu bloc de notas y asociar credenciales a los repositorios que requieren autenticación, añade los repositorios como recursos en tu cuenta de Amazon SageMaker AI. Puede ver una lista de los repositorios que están almacenados en su cuenta y los detalles de cada repositorio en la consola de SageMaker IA y mediante la API.
Puedes añadir repositorios de Git a tu cuenta de SageMaker IA en la consola de SageMaker IA o mediante. AWS CLI
**nota**
Puedes usar la API de SageMaker IA [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateCodeRepository.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateCodeRepository.html)para añadir repositorios de Git a tu cuenta de SageMaker IA, pero aquí no se proporcionan step-by-step instrucciones.
## Agrega un repositorio de Git a tu cuenta de SageMaker IA (consola)
**Para añadir un repositorio de Git como recurso en tu cuenta de SageMaker IA**
1. Abre la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Bajo **Cuadernos**, seleccione **Repositorios Git**, y seleccione **Agregar repositorio**.
1. Para añadir un CodeCommit repositorio, elige **AWS CodeCommit**. Para añadir uno GitHub u otro repositorio basado en Git, selecciona **GitHub/Otro repositorio basado en Git**.
**Para añadir un repositorio existente CodeCommit**
1. Elija **Use existing repository (Usar repositorio existente)**.
1. En **Repository (Repositorio)**, elija un repositorio de la lista.
1. Introduzca un nombre para usarlo en el repositorio en SageMaker AI. El nombre debe tener entre 1 y 63 caracteres. Los caracteres válidos son a-z, A-Z, 0-9 y - (guion).
1. Elija **Add repository (Añadir repositorio)**.
**Para crear un CodeCommit repositorio nuevo**
1. Seleccione **Create new repository (Crear nuevo repositorio)**.
1. Introduce un nombre para el repositorio que puedas usar tanto CodeCommit en AI como en SageMaker AI. El nombre debe tener entre 1 y 63 caracteres. Los caracteres válidos son a-z, A-Z, 0-9 y - (guion).
1. Elija **Create repository**.
**Para añadir un repositorio de Git alojado en un lugar que no sea CodeCommit**
1. Elija **GitHub/Otro repositorio basado en Git**.
1. Introduzca un nombre de hasta 63 caracteres. Los caracteres válidos incluyen caracteres alfanuméricos, un guión (-) y 0-9.
1. Introduzca la dirección URL del repositorio. No proporcione un nombre de usuario en la URL. Añada las credenciales de inicio de sesión tal y AWS Secrets Manager como se describe en el siguiente paso.
1. Para **Git credentials (Credenciales de Git)**, seleccione las credenciales que se van a utilizar para autenticarse en el repositorio. Esto es necesario únicamente si el repositorio de Git es privado.
**nota**
Si ha habilitado la autenticación de dos factores para el repositorio de Git, especifique un token de acceso personal generado por el proveedor de servicios Git en el campo `password`.
1. Para usar un secreto de AWS Secrets Manager existente, selecciona **Usar secreto existente** y, a continuación, elige un secreto de la lista. Para obtener información sobre la creación y almacenamiento de un secreto, consulte la sección [Creación de un secreto básico](https://docs.aws.amazon.com/secretsmanager/latest/userguide/manage_create-basic-secret.html) en la *Guía del usuario de AWS Secrets Manager*. El nombre del secreto que utilice debe contener la cadena `sagemaker`.
**nota**
El secreto debe tener una etiqueta de ensayo `AWSCURRENT` y debe tener el siguiente formato:
`{"username": UserName, "password": Password}`
En el GitHub caso de los repositorios, te recomendamos que utilices un token de acceso personal `password` sobre el terreno. Para obtener más información, consulte [https://help.github.com/articles/creating-a-personal-access- token-for-the-command -line/](https://help.github.com/articles/creating-a-personal-access-token-for-the-command-line/).
1. Para crear un nuevo secreto de AWS Secrets Manager, selecciona **Crear secreto**, escribe un nombre para el secreto y, a continuación, introduce las credenciales de inicio de sesión que se usarán para autenticarse en el repositorio. El nombre del secreto debe contener la cadena `sagemaker`.
**nota**
El rol de IAM que se utiliza para crear el secreto debe tener el permiso `secretsmanager:GetSecretValue` en su política de IAM.
El secreto debe tener una etiqueta de ensayo `AWSCURRENT` y debe tener el siguiente formato:
`{"username": UserName, "password": Password}`
En el GitHub caso de los repositorios, te recomendamos usar un token de acceso personal.
1. Para no utilizar ninguna credencial, elija **No secret (Sin secreto)**.
1. Elija **Crear secreto**.
# Añada un repositorio de Git a su cuenta de Amazon SageMaker AI (CLI)
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Utilice el `create-code-repository` AWS CLI comando para añadir un repositorio de Git a Amazon SageMaker AI para que los usuarios puedan acceder a recursos externos. Especifique un nombre para el repositorio como valor del argumento `code-repository-name`. El nombre debe tener entre 1 y 63 caracteres. Los caracteres válidos son a-z, A-Z, 0-9 y - (guion). Especifique también lo siguiente:
+ La ramificación predeterminada.
+ La dirección URL del repositorio de Git.
**nota**
No proporcione un nombre de usuario en la URL. Añada las credenciales de inicio de sesión tal y AWS Secrets Manager como se describe en el siguiente paso.
+ El nombre de recurso de Amazon (ARN) de un secreto de AWS Secrets Manager que contiene las credenciales que se van a utilizar para autenticar el repositorio como valor del argumento `git-config`
Para obtener información sobre la creación y almacenamiento de un secreto, consulte la sección [Creación de un secreto básico](https://docs.aws.amazon.com/secretsmanager/latest/userguide/manage_create-basic-secret.html) en la *Guía del usuario de AWS Secrets Manager*. El siguiente comando crea un repositorio nuevo con el nombre `MyRespository` de tu cuenta de Amazon SageMaker AI que apunta a un repositorio de Git alojado en`https://github.com/myprofile/my-repo"`.
Para Linux, OS X o Unix:
```
aws sagemaker create-code-repository \
--code-repository-name "MyRepository" \
--git-config Branch=branch,RepositoryUrl=https://github.com/myprofile/my-repo,SecretArn=arn:aws:secretsmanager:us-east-2:012345678901:secret:my-secret-ABc0DE
```
Para Windows:
```
aws sagemaker create-code-repository ^
--code-repository-name "MyRepository" ^
--git-config "{\"Branch\":\"master\", \"RepositoryUrl\" :
\"https://github.com/myprofile/my-repo\", \"SecretArn\" : \"arn:aws:secretsmanager:us-east-2:012345678901:secret:my-secret-ABc0DE\"}"
```
**nota**
El secreto debe tener una etiqueta de ensayo `AWSCURRENT` y debe tener el siguiente formato:
`{"username": UserName, "password": Password}`
En el GitHub caso de los repositorios, recomendamos utilizar un token de acceso personal.
# Creación de una instancia del cuaderno con un repositorio de Git asociado
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Puedes asociar los repositorios de Git a una instancia de bloc de notas al crear la instancia de bloc de notas mediante el Consola de administración de AWS, o el AWS CLI. Si quieres usar un CodeCommit repositorio que esté en una AWS cuenta diferente a la de la instancia de notebook, configura el acceso multicuenta al repositorio. Para obtener información, consulte [Asocie un CodeCommit repositorio de una AWS cuenta diferente a una instancia de Notebook](nbi-git-cross.md).
**Topics**
+ [Creación de una instancia de cuaderno a un repositorio Git asociado (consola)](#nbi-git-create-console)
+ [Creación de una instancia de cuaderno con un repositorio de Git asociado (CLI)](nbi-git-create-cli.md)
## Creación de una instancia de cuaderno a un repositorio Git asociado (consola)
**Para crear una instancia de bloc de notas y asociar repositorios de Git en la consola Amazon SageMaker AI**
1. Siga las instrucciones de [Crear una instancia de Amazon SageMaker Notebook para el tutorial](gs-setup-working-env.md).
1. En el caso de los **Repositorios Git**, elija los repositorios de Git que se asociarán a la instancia de cuaderno.
1. En **Repositorio predeterminado**, elige un repositorio que quieras usar como repositorio predeterminado. SageMaker AI clona este repositorio como un subdirectorio en el directorio de inicio de Jupyter en. `/home/ec2-user/SageMaker` Al abrir su instancia de cuaderno, esta se abre en el repositorio. Para elegir un repositorio que se almacena como recurso en su cuenta, elija el nombre en la lista. Para añadir un repositorio nuevo como recurso a tu cuenta, selecciona **Añadir un repositorio a SageMaker AI (abre el flujo Añadir repositorio en una ventana nueva)** y, a continuación, sigue las instrucciones que se indican en. [Creación de una instancia de cuaderno a un repositorio Git asociado (consola)](#nbi-git-create-console) Para clonar un repositorio público que no está almacenado en su cuenta, elija **Clonar un repositorio Git público solo en esta instancia de cuaderno** y, a continuación, especifique la dirección URL de dicho repositorio.
1. En el **repositorio adicional 1**, elige el repositorio que quieras añadir como directorio adicional. SageMaker AI clona este repositorio como un subdirectorio en el directorio de inicio de Jupyter en. `/home/ec2-user/SageMaker` Para elegir un repositorio que se almacena como recurso en su cuenta, elija el nombre en la lista. Para añadir un repositorio nuevo como recurso a tu cuenta, selecciona **Añadir un repositorio a SageMaker AI (abre el flujo Añadir repositorio en una ventana nueva)** y, a continuación, sigue las instrucciones que se indican en. [Creación de una instancia de cuaderno a un repositorio Git asociado (consola)](#nbi-git-create-console) Para clonar un repositorio que no esté almacenado en su cuenta, elija **Clonar un repositorio Git público solo en esta instancia de cuaderno** y, a continuación, especifique la dirección URL de dicho repositorio.
Repita este paso hasta tres veces para añadir hasta tres repositorios adicionales a su instancia de cuaderno.
# Creación de una instancia de cuaderno con un repositorio de Git asociado (CLI)
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Para crear una instancia de cuaderno y asociar repositorios de Git utilizando la AWS CLI, utilice el comando `create-notebook-instance` de la siguiente manera:
+ Especifique el repositorio que quiera usar como repositorio predeterminado como valor del argumento `default-code-repository`. Amazon SageMaker AI clona este repositorio como un subdirectorio en el directorio de inicio de Jupyter en. `/home/ec2-user/SageMaker` Al abrir su instancia de cuaderno, esta se abre en el repositorio. Para usar un repositorio almacenado como recurso en su cuenta de SageMaker IA, especifique el nombre del repositorio como valor del argumento. `default-code-repository` Para utilizar un repositorio que no está almacenado en su cuenta, especifique la dirección URL del repositorio como valor del argumento `default-code-repository`.
+ Especifique hasta tres repositorios adicionales como valor del `additional-code-repositories` argumento. SageMaker AI clona este repositorio como un subdirectorio en el directorio de inicio de Jupyter en`/home/ec2-user/SageMaker`, y el repositorio se excluye del repositorio predeterminado al añadirlo al `.git/info/exclude` directorio del repositorio predeterminado. Para usar los repositorios que están almacenados como recursos en tu cuenta de SageMaker AI, especifica los nombres de los repositorios como el valor del argumento. `additional-code-repositories` Para usar repositorios que no estén almacenados en su cuenta, especifique uno URLs de los repositorios como valor del argumento. `additional-code-repositories`
Por ejemplo, el siguiente comando crea una instancia de bloc de notas que tiene un repositorio denominado`MyGitRepo`, que se almacena como un recurso en tu cuenta de SageMaker IA, como repositorio predeterminado y un repositorio adicional que está alojado en: GitHub
```
aws sagemaker create-notebook-instance \
--notebook-instance-name "MyNotebookInstance" \
--instance-type "ml.t2.medium" \
--role-arn "arn:aws:iam::012345678901:role/service-role/AmazonSageMaker-ExecutionRole-20181129T121390" \
--default-code-repository "MyGitRepo" \
--additional-code-repositories "https://github.com/myprofile/my-other-repo"
```
**nota**
Si utilizas un AWS CodeCommit repositorio cuyo nombre no contiene SageMaker «», añade los `codecommit:GitPush` permisos `codecommit:GitPull` y al rol que le transfieras como `role-arn` argumento del `create-notebook-instance` comando. Para obtener información sobre cómo añadir permisos a un rol, consulte [Adición y eliminación de políticas de IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) en la *Guía del usuario de AWS Identity and Access Management *.
# Asocie un CodeCommit repositorio de una AWS cuenta diferente a una instancia de Notebook
Para asociar un CodeCommit repositorio de una AWS cuenta diferente a su instancia de notebook, configure el acceso multicuenta al CodeCommit repositorio.
**Para configurar el acceso multicuenta a un CodeCommit repositorio y asociarlo a una instancia de bloc de notas:**
1. En la AWS cuenta que contiene el CodeCommit repositorio, cree una política de IAM que permita el acceso al repositorio de los usuarios de la cuenta que contiene su instancia de bloc de notas. Para obtener más información, consulte [Paso 1: Crear una política de acceso al repositorio en CuentaA](https://docs.aws.amazon.com/codecommit/latest/userguide/cross-account-administrator-a.html#cross-account-create-policy-a) en la *Guía del usuario de CodeCommit *.
1. En la AWS cuenta que contiene el CodeCommit repositorio, cree un rol de IAM y asocie a ese rol la política que creó en el paso anterior. Para obtener más información, consulte [Paso 2: Crear un rol de acceso al repositorio en CuentaA](https://docs.aws.amazon.com/codecommit/latest/userguide/cross-account-administrator-a.html#cross-account-create-role-a) en la *Guía del usuario de CodeCommit *.
1. Cree un perfil en la instancia de cuaderno que utiliza el rol que ha creado en el paso anterior:
1. Abra la instancia de cuaderno.
1. Abra un terminal en la instancia de cuaderno.
1. Edite un nuevo perfil escribiendo lo siguiente en la terminal:
```
vi /home/ec2-user/.aws/config
```
1. Edite el archivo con la siguiente información de perfil:
```
[profile CrossAccountAccessProfile]
region = us-west-2
role_arn = arn:aws:iam::CodeCommitAccount:role/CrossAccountRepositoryContributorRole
credential_source=Ec2InstanceMetadata
output = json
```
Dónde *CodeCommitAccount* está la cuenta que contiene el CodeCommit repositorio, *CrossAccountAccessProfile* es el nombre del nuevo perfil y *CrossAccountRepositoryContributorRole* es el nombre del rol que creó en el paso anterior.
1. En la instancia de cuaderno, configure git para utilizar el perfil que ha creado en el paso anterior:
1. Abra la instancia de cuaderno.
1. Abra un terminal en la instancia de cuaderno.
1. Edite el archivo de configuración de Git escribiendo lo siguiente en la terminal:
```
vi /home/ec2-user/.gitconfig
```
1. Edite el archivo con la siguiente información de perfil:
```
[credential]
helper = !aws codecommit credential-helper --profile CrossAccountAccessProfile $@
UseHttpPath = true
```
Dónde *CrossAccountAccessProfile* está el nombre del perfil que creó en el paso anterior.
# Uso de repositorios de Git en una instancia del cuaderno
Al abrir una instancia de cuaderno que tiene repositorios de Git asociados, se abre en el repositorio predeterminado, que se instala en su instancia de cuaderno directamente bajo `/home/ec2-user/SageMaker`. Puede abrir y crear cuadernos y puede ejecutar manualmente comandos de Git en una celda de un cuaderno. Por ejemplo:
```
!git pull origin master
```
Para abrir cualquiera de los repositorios adicionales, navegue hacia arriba un nivel de carpeta. Los repositorios adicionales también se instalan como directorios en `/home/ec2-user/SageMaker`.
Si abres la instancia del bloc de notas con una JupyterLab interfaz, la extensión jupyter-git estará instalada y disponible para su uso. [Para obtener información sobre la extensión jupyter-git, consulta jupyterlab-git. JupyterLab https://github.com/jupyterlab/](https://github.com/jupyterlab/jupyterlab-git)
Cuando abres una instancia de bloc de notas JupyterLab, verás los repositorios de git asociados a ella en el menú de la izquierda:
![\[Ejemplo de navegador de archivos en JupyterLab.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/git-notebook.png)
Puede utilizar la extensión jupyter-git para administrar git visualmente, en lugar de usar la línea de comandos:
![\[Ejemplo de la extensión jupyter-git en. JupyterLab\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/jupyterlab-git.png)
# Metadatos de instancias de cuadernos
Al crear una instancia de bloc de notas, Amazon SageMaker AI crea un archivo JSON en la instancia en la ubicación `/opt/ml/metadata/resource-metadata.json` que contiene el extremo `ResourceName` y `ResourceArn` de la instancia de bloc de notas. Puede obtener acceso a estos metadatos desde cualquier lugar de dentro de la instancia de cuaderno, incluidas las configuraciones de ciclo de vida. Para obtener información acerca de las configuraciones de ciclo de vida de instancias de cuaderno, consulte [Personalización de una instancia de SageMaker bloc de notas mediante un script LCC](notebook-lifecycle-config.md).
**nota**
El archivo `resource-metadata.json` se puede modificar con acceso raíz.
El archivo `resource-metadata.json` tiene la estructura siguiente:
```
{
"ResourceArn": "NotebookInstanceArn",
"ResourceName": "NotebookInstanceName"
}
```
Puede utilizar estos metadatos desde la instancia de cuaderno para obtener otra información acerca de la instancia de cuaderno. Por ejemplo, los siguientes comandos obtienen las etiquetas asociadas a la instancia de cuaderno:
```
NOTEBOOK_ARN=$(jq '.ResourceArn'
/opt/ml/metadata/resource-metadata.json --raw-output)
aws sagemaker list-tags --resource-arn $NOTEBOOK_ARN
```
El resultado es similar al siguiente:
```
{
"Tags": [
{
"Key": "test",
"Value": "true"
}
]
}
```
# Supervise los registros de Jupyter en Amazon Logs CloudWatch
Los registros de Jupyter incluyen información importante, como eventos, métricas e información de salud, que proporcionan información útil al ejecutar Amazon Notebooks. SageMaker Al importar los registros de Jupyter a CloudWatch Logs, los clientes pueden usar los CloudWatch registros para detectar comportamientos anómalos, configurar alarmas y descubrir información para que los cuadernos de IA funcionen mejor. SageMaker Puede acceder a los registros incluso cuando la instancia de Amazon EC2 que aloja el cuaderno no responda y utilizar los registros para solucionar los problemas del cuaderno que no responde. La información confidencial, como la AWS cuenta IDs, las claves secretas y los identificadores de autenticación prefirmados, URLs se elimina para que los clientes puedan compartir los registros sin filtrar información privada.
**Para ver los registros de Jupyter de una instancia de cuaderno:**
1. Inicie sesión en la consola de SageMaker IA Consola de administración de AWS y ábrala en. [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Seleccione **Instancias de bloc de notas**.
1. En la lista de instancias de cuaderno, elija la instancia de cuaderno cuyos registros de Jupyter desea ver seleccionando el **Nombre** de la instancia de cuaderno.
Esto le llevará a la página de detalles de esa instancia de cuaderno.
1. En **Monitorear** en la página de detalles de la instancia de cuaderno, elija **Ver registros**.
1. En la CloudWatch consola, elige el flujo de registro de tu instancia de notebook. Su nombre tiene el formato `NotebookInstanceName/jupyter.log`.
Para obtener más información sobre la supervisión de CloudWatch los registros de la SageMaker IA, consulte[CloudWatch Registros para Amazon SageMaker AI](logging-cloudwatch.md).
# Laboratorio Amazon SageMaker Studio
**nota**
A partir del 8 de agosto de 2025, Amazon SageMaker Studio Lab utiliza JupyterLab 4 en lugar de JupyterLab 3. Si tiene problemas de dependencia, vuelva a instalar las extensiones que haya agregado a sus entornos.
Amazon SageMaker Studio Lab es un servicio gratuito que ofrece a los clientes acceso a los recursos AWS informáticos en un entorno basado en el código abierto JupyterLab 4. Se basa en la misma arquitectura e interfaz de usuario que Amazon SageMaker Studio Classic, pero con un subconjunto de capacidades de Studio Classic.
Con Studio Lab, puede usar recursos AWS informáticos para crear y ejecutar sus cuadernos Jupyter sin necesidad de abrir una cuenta. AWS Como Studio Lab se basa en el código abierto JupyterLab, puedes aprovechar las extensiones de Jupyter de código abierto para ejecutar tus cuadernos de Jupyter.
**Studio Lab comparado con Amazon SageMaker Studio Classic**
Si bien Studio Lab proporciona acceso gratuito a los recursos AWS informáticos, Amazon SageMaker Studio Classic ofrece las siguientes capacidades avanzadas de aprendizaje automático que Studio Lab no admite.
+ Integración y entrega continuas (canalizaciones)
+ Predicciones en tiempo real
+ Entrenamiento distribuido a gran escala
+ Preparación de datos (Amazon SageMaker Data Wrangler)
+ Etiquetado de datos (Amazon SageMaker Ground Truth)
+ Almacén de características
+ Análisis de sesgos (Clarify)
+ Implementación de modelos
+ Supervisión de modelos
Studio Classic también admite un control de acceso y una seguridad detallados mediante AWS Identity and Access Management (IAM), Amazon Virtual Private Cloud (Amazon VPC) y (). AWS Key Management Service AWS KMS Studio Lab no es compatible con estas funciones de Studio Classic, ni admite el uso de estimadores ni de algoritmos de IA integrados. SageMaker
Para exportar sus proyectos de Studio Lab a fin de usarlos con Studio Classic, consulte [Exportación de un entorno de Amazon SageMaker Studio Lab a Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
En los siguientes temas se proporciona información Studio Lab y cómo utilizarlo.
**Topics**
+ [Descripción general de los componentes de Amazon SageMaker Studio Lab](studio-lab-overview.md)
+ [A bordo de Amazon SageMaker Studio Lab](studio-lab-onboard.md)
+ [Administre su cuenta](studio-lab-manage-account.md)
+ [Lance el tiempo de ejecución de su proyecto de Amazon SageMaker Studio Lab](studio-lab-manage-runtime.md)
+ [Utilice los recursos iniciales de Amazon SageMaker Studio Lab](studio-lab-integrated-resources.md)
+ [Entornos preinstalados de Studio Lab](studio-lab-environments.md)
+ [Utilice el tiempo de ejecución del proyecto Amazon SageMaker Studio Lab](studio-lab-use.md)
+ [Resolución de problemas](studio-lab-troubleshooting.md)
# Descripción general de los componentes de Amazon SageMaker Studio Lab
Amazon SageMaker Studio Lab consta de los siguientes componentes. En los temas siguientes se explican estos componentes con más detalle.
**Topics**
+ [Página de inicio](#studio-lab-overview-landing)
+ [Cuenta de Studio Lab](#studio-lab-overview-account)
+ [Página de información general del proyecto](#studio-lab-overview-project-overview)
+ [Página de vista previa](#studio-lab-overview-preview)
+ [Proyecto](#studio-lab-overview-project)
+ [Tipo de instancia de computación](#studio-lab-overview-project-compute)
+ [Tiempo de ejecución del proyecto](#studio-lab-overview-runtime)
+ [Session](#studio-lab-overview-session)
## Página de inicio
En la página de inicio puede solicitar una cuenta o iniciar sesión en una ya existente. Para ir a la página de destino, consulte el [sitio web de Amazon SageMaker Studio Lab](https://studiolab.sagemaker.aws/). Para obtener más información sobre cómo crear una cuenta de Studio Lab, consulte [A bordo de Amazon SageMaker Studio Lab](studio-lab-onboard.md).
En la siguiente captura de pantalla se muestra la interfaz de la página de inicio de Studio Lab, en la que puede solicitar una cuenta de usuario e iniciar sesión.
![\[El diseño de la página de inicio de Amazon SageMaker Studio Lab.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio-lab-landing.png)
## Cuenta de Studio Lab
Su cuenta de Studio Lab le permite obtener acceso a Studio Lab. Para obtener más información sobre cómo crear una cuenta de usuario, consulte [A bordo de Amazon SageMaker Studio Lab](studio-lab-onboard.md).
## Página de información general del proyecto
Puede inicializar una instancia de computación y consultar información sobre el proyecto en esta página. Para acceder a esta página, debe iniciar sesión desde el [sitio web de Amazon SageMaker Studio Lab](https://studiolab.sagemaker.aws/). La URL tiene el siguiente formato:
```
https://studiolab.sagemaker.aws/users/
```
En la siguiente captura de pantalla se muestra la información general del proyecto en la interfaz de usuario de Studio Lab.
![\[Diseño de la interfaz de usuario de información general del proyecto\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio-lab-overview.png)
## Página de vista previa
En esta página, puede obtener acceso a una vista previa de solo lectura de un cuaderno de Jupyter. El cuaderno no se puede ejecutar desde la vista previa, pero sí lo puede copiar en su proyecto. Para muchos clientes, esta puede ser la primera página de Studio Lab que vean, ya que es posible que estén abriendo cuaderno tras GitHub cuaderno. Para obtener más información sobre cómo utilizar GitHub los recursos, consulte[Usa los recursos GitHub](studio-lab-use-external.md#studio-lab-use-external-clone-github).
Para copiar la vista previa del cuaderno en su proyecto de Studio Lab:
1. Inicie sesión en su cuenta de Studio Lab. Para obtener más información sobre cómo crear una cuenta de Studio Lab, consulte [A bordo de Amazon SageMaker Studio Lab](studio-lab-onboard.md).
1. En **Instancia de computación del cuaderno**, elija un tipo de instancia de computación. Para obtener más información sobre los tipos de instancias de computación, consulte [Tipo de instancia de computación](#studio-lab-overview-project-compute).
1. Seleccione **Iniciar tiempo de ejecución**. Es posible que se le pida que resuelva un acertijo de CAPTCHA. Para obtener más información sobre CAPTCHA, consulte [¿Qué es un acertijo de CAPTCHA?](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)
1. Configuración única, para iniciar el tiempo de ejecución por primera vez con la cuenta de Studio Lab:
1. Introduce un número de teléfono móvil para asociarlo a tu cuenta de Amazon SageMaker Studio Lab y selecciona **Continuar**.
Para obtener información sobre los países y regiones compatibles, consulte [Países y regiones compatibles (canal SMS)](https://docs.aws.amazon.com/pinpoint/latest/userguide/channels-sms-countries.html).
1. Introdzca el código de 6 dígitos enviado al número de teléfono móvil asociado y seleccione **Verify (Verificar)**.
1. Seleccione **Copiar en el proyecto**.
## Proyecto
Su proyecto contiene todos sus archivos y carpetas, incluidos los cuadernos de Jupyter. Dispone de control pleno sobre los archivos de su proyecto. Su proyecto también incluye la interfaz de usuario JupyterLab basada. Desde esta interfaz, puede interactuar con sus blocs de notas de Jupyter, editar sus archivos de código fuente, integrarlos y conectarse a Amazon S3. GitHub Para obtener más información, consulte [Utilice el tiempo de ejecución del proyecto Amazon SageMaker Studio Lab](studio-lab-use.md).
En la siguiente captura de pantalla se muestra un proyecto de Studio Lab con el explorador de archivos abierto y el lanzador de Studio Lab en pantalla.
![\[Diseño de la interfaz de usuario del proyecto\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio-lab-ui.png)
## Tipo de instancia de computación
El tiempo de ejecución de su proyecto de Amazon SageMaker Studio Lab se basa en una instancia EC2. Se le asignan 15 GB de almacenamiento y 16 GB de RAM. La disponibilidad de las instancias de computación no está garantizada y está sujeta a la demanda. Si necesita recursos de computación o de almacenamiento adicionales, puede ser conveniente cambiar a Studio.
Amazon SageMaker Studio Lab ofrece la posibilidad de elegir entre una CPU (unidad central de procesamiento) y una GPU (unidad de procesamiento gráfico). En las siguientes secciones se proporciona información sobre estas dos opciones, así como orientación sobre cuál seleccionar.
**CPU**
Una unidad central de procesamiento (CPU) se ha diseñado para administrar una amplia gama de tareas de manera eficiente, pero existe un número limitado de tareas que puede ejecutar simultáneamente. En el machine learning, se recomienda utilizar una CPU para los algoritmos con un uso intensivo de recursos de computación, como series temporales, pronósticos y datos tabulares.
El tipo de computación de la CPU dispone de hasta 4 horas seguidas, con un límite de 8 horas en un periodo de 24 horas.
**GPU**
Una unidad de procesamiento de gráficos (GPU) se ha diseñado para procesar imágenes y vídeo de alta resolución de forma simultánea. Se recomienda utilizar una GPU para las tareas de aprendizaje profundo, sobre todo los transformadores y la visión artificial.
El tipo de computación de la GPU dispone de hasta 4 horas seguidas, con un límite de 4 horas en un periodo de 24 horas.
**Tiempo de computación**
Cuando el tiempo de computación de Studio Lab alcanza su límite, la instancia detiene todos los cálculos en ejecución. Studio Lab no admite aumentos de los límites de tiempo.
Studio Lab guarda automáticamente el entorno cuando se actualiza y cada vez que se crea un archivo nuevo. Las extensiones y los paquetes instalados de forma personalizada persisten incluso después de que finalice el tiempo de ejecución.
Las ediciones de archivos se guardan periódicamente, pero no se conservan cuando finaliza el tiempo de ejecución. Para asegurarse de no perder los progresos realizados, guarde el trabajo manualmente. Si tiene contenido en el proyecto de Studio Lab que no desea perder, recomendamos hacer una copia de seguridad del contenido en otro lugar. Para obtener más información sobre la exportación del entorno y los archivos, consulte [Exportación de un entorno de Amazon SageMaker Studio Lab a Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
Durante un proceso de cálculo prolongado, no es necesario que mantenga el proyecto abierto. Por ejemplo, puede empezar a entrenar un modelo y, a continuación, cerrar el navegador. La instancia sigue ejecutándose hasta el límite del tipo de computación en un periodo de 24 horas. Más tarde, puede iniciar sesión para continuar trabajando.
Recomendamos utilizar puntos de comprobación en los trabajos de aprendizaje profundo. Puede utilizar los puntos de comprobación guardados para reiniciar un trabajo a partir del punto de comprobación guardado anteriormente. Para obtener más información, consulte [E/S de archivo](https://d2l.ai/chapter_deep-learning-computation/read-write.html?highlight=checkpointing).
## Tiempo de ejecución del proyecto
El tiempo de ejecución del proyecto es el periodo de tiempo durante el que se ejecuta la instancia de computación.
## Session
Cada vez que se inicializa el proyecto, comienza una sesión de usuario.
# A bordo de Amazon SageMaker Studio Lab
Para incorporarse a Amazon SageMaker Studio Lab, siga los pasos de esta guía. En las siguientes secciones, aprenderá a solicitar una cuenta de Studio Lab, crear su cuenta e iniciar sesión.
**Topics**
+ [Solicitud de una cuenta de Studio Lab](#studio-lab-onboard-request)
+ [Creación de una cuenta de Studio Lab](#studio-lab-onboard-register)
+ [Inicio de sesión en Studio Lab](#studio-lab-onboard-signin)
## Solicitud de una cuenta de Studio Lab
Para usar Studio Lab, antes debe solicitar aprobación para crear una cuenta de Studio Lab. No se puede usar una AWS cuenta para incorporarse a Studio Lab.
En los siguientes pasos se muestra cómo solicitar una cuenta de Studio Lab.
1. Diríjase a la [página de inicio de Studio Lab](https://studiolab.sagemaker.aws).
1. Seleccione **Solicitar una cuenta**.
1. Escriba la información requerida en el formulario.
1. Seleccione **Enviar solicitud**.
1. Si recibe un correo electrónico para verificar su dirección de correo electrónico, siga las instrucciones que contiene para llevar a cabo este paso.
Para que pueda registrar una cuenta de Studio Lab, antes debe aprobarse su solicitud de una cuenta. Su solicitud se revisará en un plazo de cinco días laborables. Una vez aprobada su solicitud de cuenta, recibirá un correo electrónico con un enlace a la página de registro de cuentas de Studio Lab. Este enlace caduca siete días después de que se haya aprobado la solicitud. Si el enlace caduca, deberá enviar una nueva solicitud de cuenta.
Nota: Su solicitud de cuenta se denegará si el correo electrónico ha estado asociado a alguna actividad que infrinja nuestros [Términos de servicio](https://aws.amazon.com/service-terms/) u otros acuerdos.
### Códigos de referencia
Los códigos de referencia de Studio Lab permiten aprobar automáticamente las solicitudes de nuevas cuentas para apoyar eventos de machine learning como talleres, encuentros de programadores y clases. Con un código de referencia, un anfitrión de confianza puede ofrecer a sus participantes acceso inmediato a Studio Lab. Una vez creada una cuenta con un código de referencia, esta cuenta seguirá existiendo después de que caduque el código.
Para obtener un código de referencia, póngase en contacto con el equipo de [soporte de ventas](https://aws.amazon.com/contact-us/sales-support/). Para usar un código de referencia, escríbalo en el formulario de solicitud de cuenta.
## Creación de una cuenta de Studio Lab
Una vez aprobada la solicitud, siga los pasos que se describen a continuación para crear su cuenta de Studio Lab.
1. Seleccione **Crear cuenta** en el correo electrónico de aprobación de la solicitud de cuenta para abrir una página nueva.
1. En la nueva página, escriba su **correo electrónico**, una **contraseña** y un **nombre de usuario**.
1. Seleccione **Crear cuenta**.
Es posible que se le pida que resuelva un acertijo de CAPTCHA. Para obtener más información sobre CAPTCHA, consulte [¿Qué es un acertijo de CAPTCHA?](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)
## Inicio de sesión en Studio Lab
Tras registrar su cuenta, puede iniciar sesión en Studio Lab.
1. Diríjase a la [página de inicio de Studio Lab](https://studiolab.sagemaker.aws).
1. Seleccione **Iniciar sesión** para abrir una página nueva.
1. Escriba su **Correo electrónico** o **Nombre de usuario** y **Contraseña**.
1. Seleccione **Iniciar sesión** para abrir una página nueva del proyecto.
Es posible que se le pida que resuelva un acertijo de CAPTCHA. Para obtener más información sobre CAPTCHA, consulte [¿Qué es un acertijo de CAPTCHA?](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)
# Administre su cuenta
En el siguiente tema se proporciona información sobre la administración de su cuenta; por ejemplo, cómo cambiar la contraseña, eliminar su cuenta u obtener la información que hemos recopilado. Estos temas requieren que inicie sesión en su cuenta de Amazon SageMaker Studio Lab. Para obtener más información, consulte [Inicio de sesión en Studio Lab](studio-lab-onboard.md#studio-lab-onboard-signin).
## Cambiar la contraseña
Sigue estos pasos para cambiar tu contraseña de Amazon SageMaker Studio Lab.
1. Diríjase a la página de descripción general del proyecto de Studio Lab. La URL tiene el siguiente formato:
```
https://studiolab.sagemaker.aws/users/
```
1. En la esquina superior derecha, seleccione su nombre de usuario para abrir un menú desplegable.
1. En el menú desplegable, seleccione **Cambiar contraseña** para abrir una página nueva.
1. Escriba su contraseña actual en el campo **Ingrese su contraseña actual**.
1. Escriba su nueva contraseña en los campos **Crear una nueva contraseña** y **Confirme su nueva contraseña**.
1. Seleccione **Enviar**.
## Eliminación de una cuenta
Siga estos pasos para eliminar su cuenta de Studio Lab.
1. Diríjase a la página de descripción general del proyecto de Studio Lab. La URL tiene el siguiente formato:
```
https://studiolab.sagemaker.aws/users/
```
1. En la esquina superior derecha, seleccione su nombre de usuario para abrir un menú desplegable.
1. En el menú desplegable, seleccione **Eliminar contraseña** para abrir una página nueva.
1. Escriba su contraseña para confirmar la eliminación de su cuenta de Studio Lab.
1. Seleccione **Eliminar**.
## Información del cliente
Studio Lab recopila su dirección de correo electrónico, nombre de usuario, contraseña cifrada, archivos de proyecto y metadatos. Al solicitar una cuenta, puede optar por proporcionar su nombre y apellidos, país, nombre de la organización, ocupación y el motivo de su interés en este producto. Protegemos todos los datos personales de los clientes mediante cifrado. Para obtener más información sobre cómo se administra su información personal, consulte el [Aviso de privacidad](https://aws.amazon.com//privacy/).
Cuando elimina su cuenta, se borra de inmediato toda su información. Si tienes alguna consulta al respecto, envía el [formulario de Amazon SageMaker Studio Lab](https://pages.awscloud.com/GLOBAL_PM_PA_amazon-sagemaker_20211116_7014z000000rjq2-registration.html). Para obtener información y soporte relacionados con el cumplimiento de AWS , consulte [Soporte de cumplimiento](https://aws.amazon.com//contact-us/compliance-support/).
# Lance el tiempo de ejecución de su proyecto de Amazon SageMaker Studio Lab
El tiempo de ejecución de proyectos de Amazon SageMaker Studio Lab le permite escribir y ejecutar código directamente desde el navegador. Se basa en un terminal JupyterLab y una consola integrados y tiene integrados. Para obtener más información al respecto JupyterLab, consulte la [JupyterLabdocumentación](https://jupyterlab.readthedocs.io/en/stable/).
En el siguiente tema se proporciona información sobre cómo gestionar el tiempo de ejecución del proyecto. Estos temas requieren que inicie sesión en su cuenta de Amazon SageMaker Studio Lab. Para obtener más información sobre cómo iniciar sesión, consulte [Inicio de sesión en Studio Lab](studio-lab-onboard.md#studio-lab-onboard-signin). Para obtener más información sobre el proyecto, consulte [Descripción general de los componentes de Amazon SageMaker Studio Lab](studio-lab-overview.md).
**Topics**
+ [Iniciar el tiempo de ejecución del proyecto](#studio-lab-manage-runtime-start)
+ [Deteneer el tiempo de ejecución del proyecto](#studio-lab-manage-runtime-stop)
+ [Ver el tiempo de computación restante](#studio-lab-manage-runtime-view)
+ [Cambie el tipo de computación](#studio-lab-manage-runtime-change)
## Iniciar el tiempo de ejecución del proyecto
Para usar Studio Lab, debe iniciar el tiempo de ejecución del proyecto. Este tiempo de ejecución le da acceso al JupyterLab entorno.
1. Diríjase a la página de descripción general del proyecto de Studio Lab. La URL tiene el siguiente formato:
```
https://studiolab.sagemaker.aws/users/
```
1. En **My Project (Mi proyecto)**, seleccione un tipo de computación. Para obtener más información sobre los tipos de computación, consulte [Tipo de instancia de computación](studio-lab-overview.md#studio-lab-overview-project-compute).
1. Seleccione **Start runtime (Iniciar tiempo de ejecución)**.
Es posible que se le pida que resuelva un acertijo de CAPTCHA. Para obtener más información sobre CAPTCHA, consulte [¿Qué es un acertijo de CAPTCHA?](https://docs.aws.amazon.com/waf/latest/developerguide/waf-captcha-puzzle.html)
1. Configuración única, para iniciar el tiempo de ejecución por primera vez con la cuenta de Studio Lab:
1. Introduce un número de teléfono móvil para asociarlo a tu cuenta de Amazon SageMaker Studio Lab y selecciona **Continuar**.
Para obtener información sobre los países y regiones compatibles, consulte [Países y regiones compatibles (canal SMS)](https://docs.aws.amazon.com/pinpoint/latest/userguide/channels-sms-countries.html).
1. Introdzca el código de 6 dígitos enviado al número de teléfono móvil asociado y seleccione **Verify (Verificar)**.
1. Cuando se ejecute el tiempo de ejecución, seleccione **Open project (Abrir proyecto)** para abrir el entorno de ejecución del proyecto en una nueva pestaña del navegador.
## Deteneer el tiempo de ejecución del proyecto
Al detener el tiempo de ejecución del proyecto, los archivos no se guardan automáticamente. Para asegurarte de no perder su trabajo, guarde todos los cambios antes de detener el tiempo de ejecución del proyecto.
+ En **My Project (Mi proyecto)**, seleccione **Stop runtime (Detener el tiempo de ejecución)**.
## Ver el tiempo de computación restante
El tiempo de ejecución del proyecto tiene un tiempo de procesamiento limitado en función del tipo de procesamiento que seleccione. Para obtener más información acerca del tiempo de cómputo en Studio Lab, consulte [Tipo de instancia de computación](studio-lab-overview.md#studio-lab-overview-project-compute).
+ En **My Projecty (Mi proyecto)**, consulte **Time remaining (Tiempo restante)**.
## Cambie el tipo de computación
Puede cambiar el tipo de procesamiento en función de su flujo de trabajo. Para obtener más información sobre los tipos de computación, consulte [Tipo de instancia de computación](studio-lab-overview.md#studio-lab-overview-project-compute).
1. Guarde todos los archivos del proyecto antes de cambiar el tipo de procesamiento.
1. Diríjase a la página de descripción general del proyecto de Studio Lab. La URL tiene el siguiente formato:
```
https://studiolab.sagemaker.aws/users/
```
1. En **My Project (Mi proyecto)**, seleccione el tipo de procesamiento deseado (CPU o GPU).
1. Confirme su elección seleccionando **Restart (Reiniciar)** en el cuadro de diálogo **Restart project runtime? (Reiniciar tiempo de ejecución del proyecto?)**. Studio Lab detiene el tiempo de ejecución del proyecto actual y, a continuación, inicia un nuevo tiempo de ejecución del proyecto con el tipo de computación actualizado.
1. Una vez iniciado el tiempo de ejecución del proyecto, seleccione **Open project (Abrir proyecto)**. De esta forma se abre el entorno de ejecución del proyecto en una nueva pestaña del navegador. Para obtener información acerca de cada entorno de tiempo de ejecución, consulte [Utilice el tiempo de ejecución del proyecto Amazon SageMaker Studio Lab](studio-lab-use.md).
# Utilice los recursos iniciales de Amazon SageMaker Studio Lab
Amazon SageMaker Studio Lab admite los siguientes activos para ayudar a los profesionales del aprendizaje automático (ML) a empezar. En esta guía se muestra cómo clonar cuadernos para su proyecto.
**Cuaderno de introducción**
Studio Lab se suministra con un cuaderno de introducción que proporciona información general y orientación para los principales flujos de trabajo. Cuando se inicializa el tiempo de ejecución del proyecto por primera vez, este cuaderno se abre automáticamente.
**Dive into Deep Learning**
Dive into Deep Learning (D2L) es un libro interactivo de código abierto en el que se enseñan las ideas, la teoría matemática y el código en los que se basa el machine learning. Con más de 150 cuadernos de Jupyter, D2L ofrece una visión completa de los principios del aprendizaje profundo. Para obtener más información sobre D2L, consulte el [sitio web de D2L](https://d2l.ai/).
En el siguiente procedimiento se muestra cómo clonar en su instancia los cuadernos de Jupyter de D2L.
1. Inicie y abra el entorno de tiempo de ejecución del proyecto de Studio Lab como se indica en [Iniciar el tiempo de ejecución del proyecto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. Una vez abierto Studio Lab, seleccione la pestaña Git (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/git.png)) en la barra lateral izquierda.
1. Seleccione **Clonar un repositorio**.
Si no aparece la opción **Clonar un repositorio**, es posible que se encuentre ya en un repositorio de Git. En su lugar, utilice los siguientes pasos secundarios.
1. Elija la pestaña Carpeta (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder.png)) en la barra lateral izquierda.
1. Debajo de la barra de búsqueda de archivos, seleccione el icono de carpeta situado a la izquierda del repositorio seleccionado en ese momento. Al pasar el ratón sobre el icono de la carpeta, verá el directorio de usuarios (`/home/studio-lab-user`).
1. Cuando se encuentre en el directorio de usuarios, elija la pestaña Git en la barra lateral izquierda.
1. Seleccione **Clonar un repositorio**.
1. En **URL del repositorio de Git (.git)**, se le pedirá que proporcione una URL.
1. En una nueva pestaña del navegador, vaya a la página de descripción general del proyecto de Studio Lab. La URL tiene el siguiente formato:
```
https://studiolab.sagemaker.aws/users/
```
1. En **¿Es nuevo en machine learning?** elija **Dive into Deep Learning**.
1. En la nueva pestaña del navegador **Sumérjase en el aprendizaje profundo**, elija **GitHub**abrir una nueva página con los cuadernos de ejemplo.
1. Elija **Código** y copie la URL del GitHub repositorio en la pestaña **HTTPS**.
1. Vuelva a la pestaña del navegador de proyectos abierta de Studio Lab, pegue la URL del repositorio de D2L y clone el repositorio.
**AWS Universidad Machine Learning**
La AWS Machine Learning University (MLU) proporciona acceso a los cursos de aprendizaje automático que se utilizan para capacitar a los propios desarrolladores de Amazon. Con la AWS MLU, cualquier desarrollador puede aprender a utilizar el aprendizaje automático con la serie de aprendizaje MLU learn-at-your-own Accelerator de Pace. La serie MLU Accelerator está diseñada para ayudar a los desarrolladores a comenzar a utilizar el machine learning. Ofrece cursos básicos de tres días sobre estos tres temas: procesamiento del lenguaje natural, datos tabulares y visión artificial. Para obtener más información, consulte [Machine Learning University](https://aws.amazon.com//machine-learning/mlu/).
El siguiente procedimiento muestra cómo clonar los cuadernos Jupyter de AWS MLU en su instancia.
1. Inicie y abra el entorno de tiempo de ejecución del proyecto de Studio Lab como se indica en [Iniciar el tiempo de ejecución del proyecto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. Una vez abierto Studio Lab, seleccione la pestaña Git (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/git.png)) en la barra lateral izquierda.
1. Seleccione **Clonar un repositorio**.
Si no aparece la opción **Clonar un repositorio**, es posible que se encuentre ya en un repositorio de Git. En su lugar, utilice los siguientes pasos secundarios.
1. Elija la pestaña Carpeta (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder.png)) en la barra lateral izquierda.
1. Debajo de la barra de búsqueda de archivos, seleccione el icono de carpeta situado a la izquierda del repositorio seleccionado en ese momento. Al pasar el ratón sobre el icono de la carpeta, verá el directorio de usuarios (`/home/studio-lab-user`).
1. Cuando se encuentre en el directorio de usuarios, elija la pestaña Git en la barra lateral izquierda.
1. Seleccione **Clonar un repositorio**.
1. En **URL del repositorio de Git (.git)**, se le pedirá que proporcione una URL.
1. En una nueva pestaña del navegador, vaya a la página de descripción general del proyecto de Studio Lab. La URL tiene el siguiente formato:
```
https://studiolab.sagemaker.aws/users/
```
1. En **¿Es nuevo en machine learning?** elija **AWS Machine Learning University**.
1. En la nueva pestaña del navegador de **AWS Machine Learning University**, lea el apartado **Resumen del curso** de cada curso para encontrar uno que le interese.
1. Elija el GitHub repositorio de interés correspondiente en el **contenido del curso** para abrir una nueva página con los cuadernos de ejemplo.
1. Elija **Código** y copie la URL del GitHub repositorio en la pestaña **HTTPS**.
1. Vuelva a la pestaña del navegador de proyectos abierta de Studio Lab, pegue la URL del repositorio de MLU y elija **Clonar** para clonar el repositorio.
** Roboflow**
Roboflow le proporciona las herramientas para entrenar, afinar y etiquetar objetos para aplicaciones de visión artificial. Para obtener más información, consulta [https://roboflow.com/](https://roboflow.com/).
En el siguiente procedimiento se muestra cómo clonar en su instancia los cuadernos de Jupyter de Roboflow.
1. Diríjase a la página de descripción general del proyecto de Studio Lab. La URL tiene el siguiente formato:
```
https://studiolab.sagemaker.aws/users/
```
1. En **Recursos y comunidad**, busque **Crear imágenes generadas por IA**.
1. En **Crear imágenes generadas por IA**, seleccione **Abrir cuaderno**.
1. Siga el tutorial que aparece en la vista previa del cuaderno.
# Entornos preinstalados de Studio Lab
Amazon SageMaker Studio Lab usa entornos conda para administrar paquetes (o bibliotecas) para sus proyectos. En esta guía se explica qué son los entornos de conda, cómo interaccionar con ellos y cuáles son los entornos preinstalados disponibles en Studio Lab.
Un entorno de conda es un directorio que contiene una colección de paquetes que se han instalado. Permite crear entornos aislados con versiones de paquetes específicas, lo que evita conflictos entre proyectos con dependencias diferentes.
En Studio Lab puede interaccionar con los entornos de conda de dos maneras:
+ Terminal: utilice el terminal para crear, activar y administrar entornos.
+ JupyterLab Bloc de notas: al abrir un JupyterLab bloc de notas, seleccione el núcleo con el nombre del entorno que desee utilizar para utilizar los paquetes instalados en ese entorno.
Para ver un tutorial sobre la administración de entornos, consulte [Administración del entorno](studio-lab-use-manage.md).
Studio Lab se suministra con varios entornos preinstalados que pueden ser de memoria persistente o no persistente. Todos los cambios que se realicen en los entornos de memoria persistente se conservarán para la próxima sesión. Los cambios en los entornos de memoria no persistente no se mantendrán en las próximas sesiones, pero Amazon AI actualizará y probará la compatibilidad de los paquetes que contienen. SageMaker A continuación se ofrece información general sobre cada entorno y su caso de uso:
+ `sagemaker-distribution`: un entorno no persistente gestionado por Amazon SageMaker AI. Contiene paquetes populares para machine learning, ciencia de datos y visualización. Este entorno se actualiza periódicamente y se comprueba su compatibilidad. Utilice este entorno si desea una configuración totalmente administrada con paquetes comunes preinstalados.
El `sagemaker-distribution` entorno está estrechamente relacionado con el entorno utilizado en Amazon SageMaker Studio Classic, por lo que, tras pasar de Studio Lab a Studio Classic, los portátiles deberían funcionar de forma similar. Para obtener información sobre cómo exportar un entorno de Studio Lab a Studio Classic, consulte [Exportación de un entorno de Amazon SageMaker Studio Lab a Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
+ `default`: entorno persistente con la cantidad mínima de paquetes preinstalados. Utilice este entorno si desea un alto nivel de personalización mediante la instalación de paquetes adicionales.
+ `studiolab`: un entorno persistente en el que JupyterLab se instalan paquetes relacionados. Utilice este entorno para configurar la interfaz de JupyterLab usuario e instalar las extensiones de servidor de Jupyter.
+ `studiolab-safemode`: entorno no persistente que se activa automáticamente cuando hay un problema con el tiempo de ejecución del proyecto. Utilice este entorno para solucionar problemas. Para obtener información sobre cómo solucionar problemas, consulte [Resolución de problemas](studio-lab-troubleshooting.md).
+ `base`: entorno no persistente que se utiliza para las herramientas del sistema. Este entorno no está diseñado para que lo utilicen los clientes.
Para ver los paquetes de un entorno, ejecute el comando `conda list`.
Para obtener más información sobre la instalación de paquetes en su entorno, consulte [Personalización de un entorno](studio-lab-use-manage.md#studio-lab-use-manage-conda-default-customize).
Si tiene pensado pasar de Studio Lab a Amazon SageMaker Studio Classic, consulte[Exportación de un entorno de Amazon SageMaker Studio Lab a Amazon SageMaker Studio Classic](studio-lab-use-migrate.md).
Para obtener información sobre SageMaker las imágenes y sus versiones, consulte[SageMaker Imágenes de Amazon disponibles para su uso con las libretas Studio Classic](notebooks-available-images.md).
# Utilice el tiempo de ejecución del proyecto Amazon SageMaker Studio Lab
En los temas siguientes se proporciona información sobre el uso del tiempo de ejecución de proyectos de Amazon SageMaker Studio Lab. Para poder utilizar el tiempo de ejecución de proyectos de Studio Lab, debe incorporarlo a Studio Lab siguiendo los pasos que se indican a continuación[A bordo de Amazon SageMaker Studio Lab](studio-lab-onboard.md).
**Topics**
+ [Descripción general de la interfaz de usuario de Amazon SageMaker Studio Lab](studio-lab-use-ui.md)
+ [Crear o abrir un bloc de notas de Amazon SageMaker Studio Lab](studio-lab-use-create.md)
+ [Usa la barra de herramientas del bloc de notas de Amazon SageMaker Studio Lab](studio-lab-use-menu.md)
+ [Administración del entorno](studio-lab-use-manage.md)
+ [Usa recursos externos en Amazon SageMaker Studio Lab](studio-lab-use-external.md)
+ [Obtención de diferencias entre cuadernos](studio-lab-use-diff.md)
+ [Exportación de un entorno de Amazon SageMaker Studio Lab a Amazon SageMaker Studio Classic](studio-lab-use-migrate.md)
+ [Cierre de recursos de Studio Lab](studio-lab-use-shutdown.md)
# Descripción general de la interfaz de usuario de Amazon SageMaker Studio Lab
Amazon SageMaker Studio Lab amplía la JupyterLab interfaz. Los usuarios anteriores JupyterLab notarán similitudes entre la interfaz de usuario JupyterLab y la de Studio Lab, incluido el espacio de trabajo. Para obtener una descripción general de la JupyterLab interfaz básica, consulte [La JupyterLab interfaz](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
En la siguiente imagen se muestra Studio Lab con el explorador de archivos abierto y el lanzador de Studio Lab en pantalla.
![\[Diseño de la interfaz de usuario del proyecto\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio-lab-ui.png)
Encontrará la *barra de menús* en la parte superior de la pantalla. La *barra lateral izquierda* contiene iconos para abrir exploradores de archivos, exploradores de recursos y herramientas. La *barra de estado* se encuentra en la esquina inferior izquierda de Studio Lab.
El área de trabajo principal se divide horizontalmente en dos paneles. El panel izquierdo es el *explorador de archivos y recursos*. El panel derecho contiene una o más pestañas para recursos como cuadernos y terminales.
**Topics**
+ [Barra lateral izquierda](#studio-lab-use-ui-nav-bar)
+ [Explorador de archivos y recursos](#studio-lab-use-ui-browser)
+ [Área de trabajo principal](#studio-lab-use-ui-work)
## Barra lateral izquierda
La barra lateral izquierda incluye los siguientes iconos. Al pasar el cursor sobre un icono, aparece información sobre herramientas con el nombre del icono. Al seleccionar un icono, el explorador de archivos y recursos muestra la funcionalidad descrita. Para las entradas jerárquicas, una ruta de navegación seleccionable en la parte superior del explorador muestra su ubicación en la jerarquía.
| Icono | Description (Descripción) |
| --- | --- |
| ![\[Icono del Explorador de archivos\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/File_browser_squid@2x.png) | **Explorador de archivos** Elija el icono de **Cargar archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/File_upload_squid.png)) para agregar archivos a Studio Lab. Haga doble clic en un archivo para abrirlo en una nueva pestaña. Para abrir archivos adyacentes, elija una pestaña que contenga un cuaderno, Python o un archivo de texto y, a continuación, elija **Nueva vista para archivo**. En el menú de la parte superior del explorador de archivos, elija el signo más (**\$1**) para abrir el lanzador de Studio Lab. |
| ![\[El icono de Terminales y kernels en ejecución.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/Running_squid@2x.png) | **Ejecución de terminales y kernels** Permite ver una lista de todos los terminales y kernels en ejecución del proyecto. Para obtener más información, consulte [Cierre de recursos de Studio Lab](studio-lab-use-shutdown.md). |
| ![\[Icono de Git\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/Git_squid@2x.png) | **Git** Puede conectarse a un repositorio Git y luego acceder a una gama completa de herramientas y operaciones de Git. Para obtener más información, consulte [Usa recursos externos en Amazon SageMaker Studio Lab](studio-lab-use-external.md). |
| ![\[Icono de Índice\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab-toc.png) | **Índice** Permite acceder al índice de su cuaderno de Jupyter actual. |
| ![\[Icono de Administrador de extensiones\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab-extension.png) | **Administrador de extensiones** Puede habilitar y administrar JupyterLab extensiones de terceros. |
## Explorador de archivos y recursos
El explorador de archivos y recursos muestra listas de sus cuadernos y archivos. En el menú de la parte superior del navegador de archivos, elija el signo más (**\$1**) para abrir el lanzador de Studio Lab. El lanzador le permite crear un cuaderno o abrir un terminal.
## Área de trabajo principal
El área de trabajo principal incluye varias pestañas que contienen los cuadernos y los terminales abiertos.
# Crear o abrir un bloc de notas de Amazon SageMaker Studio Lab
Al crear una libreta en Amazon SageMaker Studio Lab o abrir una libreta en Studio Lab, debe seleccionar un núcleo para la libreta. En los temas siguientes se describe cómo crear y abrir cuadernos en Studio Lab.
Para obtener información sobre cómo apagar el cuaderno, consulte [Cierre de recursos de Studio Lab](studio-lab-use-shutdown.md).
**Topics**
+ [Apertura de un cuaderno de Studio Lab](#studio-lab-use-create-open)
+ [Creación de un cuaderno desde el menú Archivo](#studio-lab-use-create-file)
+ [Creación de un cuaderno desde el lanzador](#studio-lab-use-create-launcher)
## Apertura de un cuaderno de Studio Lab
Studio Lab sólo puede abrir los cuadernos que aparecen en el explorador de archivos de Studio Lab. Para clonar un cuaderno en el explorador de archivos desde un repositorio externo, consulte [Usa recursos externos en Amazon SageMaker Studio Lab](studio-lab-use-external.md).
**Para abrir un cuaderno**
1. En la barra lateral izquierda, elija el icono del **Explorador de archivos** (![\[Dark blue square icon with a white outline of a cloud and an arrow pointing upward.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/File_browser_squid.png)) para mostrar el explorador de archivos.
1. Busque y haga doble clic en un archivo de cuaderno y haga doble clic en él para abrirlo en una nueva pestaña.
## Creación de un cuaderno desde el menú Archivo
**Para crear un cuaderno desde el menú Archivo**
1. En el menú de la parte superior de Studio Lab, elija **Archivo**, seleccione **Nuevo**, y, a continuación, elija **Cuaderno**.
1. Para usar el kernel predeterminado, en el cuadro de diálogo **Seleccionar kernel**, elija **Seleccionar**. De lo contrario, utilice el menú desplegable para seleccionar un kernel diferente.
## Creación de un cuaderno desde el lanzador
**Para crear un cuaderno desde el lanzador**
1. Para abrir el lanzador, utilice el método abreviado de teclado `Ctrl + Shift + L`.
También puede abrir el lanzador desde la barra lateral izquierda: seleccione el icono del **Explorador de archivos** y, a continuación, seleccione el icono del signo más (**\$1**).
1. Para usar el kernel predeterminado desde el lanzador, en **Cuaderno**, seleccione **default:Python**. De lo contrario, seleccione un kernel diferente.
Después de elegir el kernel, su cuaderno se inicializa y se abre en una nueva pestaña de Studio Lab.
Para ver la sesión del kernel del cuaderno, en la barra lateral izquierda, elija el icono de **Terminales y kernels en ejecución** (![\[Square icon with a white outline of a cloud on a dark blue background.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/Running_squid.png)). Puede detener la sesión del kernel del cuaderno desde esta vista.
# Usa la barra de herramientas del bloc de notas de Amazon SageMaker Studio Lab
Los cuadernos Amazon SageMaker Studio Lab amplían la JupyterLab interfaz. Para obtener una descripción general de la JupyterLab interfaz básica, consulte [La JupyterLab interfaz](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
En la siguiente imagen se muestran la barra de herramientas y una celda vacía de un cuaderno de Studio Lab.
![\[Diseño de la barra de herramientas del cuaderno, incluidos los iconos de la barra de herramientas\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio-lab-menu.png)
Al pasar el cursor sobre un icono de la barra de herramientas, aparece información sobre herramientas con la función del icono. Hay comandos adicionales del cuaderno en el menú principal de Studio Lab. La barra de menús incluye los siguientes iconos:
| Icono | Description (Descripción) |
| --- | --- |
| ![\[Icono de Guardar y punto de comprobación\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab-save-and-checkpoint.png) | **Guardar y punto de comprobación** Guarda el cuaderno y actualiza el archivo de punto de comprobación. |
| ![\[El icono de Insertar celda.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab-insert-cell.png) | **Insertar celda** Inserta una celda de código debajo de la celda actual. La celda actual se identifica con el marcador vertical azul en el margen izquierdo. |
| ![\[Icono Cortar, copiar y pegar celdas\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab_cut_copy_paste.png) | **Cortar, copiar y pegar celdas** Corta, copia y pega las celdas seleccionadas. |
| ![\[Icono de Ejecutar celdas\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab-run.png) | **Ejecutar celdas** Ejecuta las celdas seleccionadas. La celda que sigue a la última celda seleccionada pasa a ser la nueva celda seleccionada. |
| ![\[El icono de Interrumpir kernel.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab-interrupt-kernel.png) | **Interrumpir kernel** Interrumpe el kernel, con lo que se cancela la operación que se encuentre en ejecución en ese momento. El kernel permanece activo. |
| ![\[El icono de Reiniciar kernel.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab-restart-kernel.png) | **Reiniciar el kernel** Reinicia el kernel. Las variables se restablecen. La información no guardada no se ve afectada. |
| ![\[Icono de Reiniciar kernel y volver a ejecutar el cuaderno\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab-restart-rerun-kernel.png) | **Reiniciar kernel y volver a ejecutar el cuaderno** Reinicia el kernel. Las variables se restablecen. La información no guardada no se ve afectada. A continuación, se vuelve a ejecutar todo el cuaderno. |
| ![\[Icono de Tipo de celda\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab_cell.png) | **Tipo de celda** Muestra o cambia el tipo de celda actual. Los tipos de celdas son: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/studio-lab-use-menu.html) |
| ![\[Icono de Diferencia de punto de comprobación\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab-checkpoint-diff.png) | **Diferencia de punto de comprobación** Abre una nueva pestaña que muestra la diferencia entre el cuaderno y el archivo de punto de comprobación. Para obtener más información, consulte [Obtención de diferencias entre cuadernos](studio-lab-use-diff.md). |
| ![\[El icono de Diferencia de Git.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab-git-diff.png) | **Diferencia de Git** Solo está habilitado si el cuaderno se abre desde un repositorio de Git. Abre una nueva pestaña que muestra la diferencia entre el cuaderno y la última confirmación de Git. Para obtener más información, consulte [Obtención de diferencias entre cuadernos](studio-lab-use-diff.md). |
| **predeterminada** | **Kernel** Muestra o cambia el kernel que procesa las celdas del cuaderno. `No Kernel` indica que el cuaderno se ha abierto sin especificar un kernel. Puede editar el cuaderno, pero no se puede ejecutar ninguna celda. |
| ![\[El icono de Estado ocupado del kernel.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/studio-lab-kernel.png) | **Estado del kernel ocupado** Indica el estado ocupado de un kernel mostrando el borde del círculo y su interior del mismo color. El kernel está ocupado cuando se está iniciando y cuando está procesando celdas. Se muestran estados adicionales del kernel en la barra de estado de la esquina inferior izquierda de Studio Lab. |
# Administración del entorno
Amazon SageMaker Studio Lab proporciona entornos preinstalados para las instancias de notebook de Studio Lab. Los entornos permiten iniciar una instancia de cuaderno de Studio Lab con los paquetes que desee utilizar. Para ello, hay que instalar los paquetes en el entorno y, a continuación, seleccionar el entorno como kernel.
Studio Lab pone a su disposición varios entornos preinstalados. Por lo general, es conveniente utilizar el entorno `sagemaker-distribution` si quiere utilizar un entorno totalmente administrado que ya contenga muchos paquetes populares que los ingenieros de machine learning (ML) y los científicos de datos utilizan. En otro caso, puede utilizar el entorno `default` si desea realizar una personalización persistente de su entorno. Para obtener más información sobre los entornos de Studio Lab preinstalados disponibles, consulte [Entornos preinstalados de Studio Lab](studio-lab-environments.md).
Puede agregar nuevos paquetes (o bibliotecas) para personalizar su entorno. También puede crear nuevos entornos desde Studio Lab, importar entornos compatibles o restablecer su entorno para crear espacio, entre otras acciones.
Los siguientes comandos son para ejecutarlos en un terminal de Studio Lab. Sin embargo, al instalar los paquetes, se recomienda encarecidamente instalarlos en el cuaderno de Jupyter de Studio Lab. De este modo se segura de que los paquetes se instalen en el entorno previsto. Para ejecutar los comandos en un cuaderno de Jupyter, anteponga el signo `%` al comando antes de ejecutar la celda. Por ejemplo, el fragmento de código `pip list` de un terminal equivale a `%pip list` en un cuaderno de Jupyter.
En las siguientes secciones se proporciona información sobre su entorno de conda `default`, cómo personalizarlo y cómo agregar y eliminar entornos de conda. Para obtener una lista de ejemplos de entornos que puede instalar en Studio Lab, consulte [Creating Custom conda Environments](https://github.com/aws/studio-lab-examples/tree/main/custom-environments). Para usar estos ejemplos de archivos de YAML del entorno con Studio Lab, consulte [Paso 4: instalación de los entornos de conda de Studio Lab en Studio Classic](studio-lab-use-migrate.md#studio-lab-use-migrate-step4).
**Topics**
+ [Entorno predeterminado](#studio-lab-use-manage-conda-default)
+ [Visualización de entornos](#studio-lab-use-view-conda-envs)
+ [Creación, activación y uso de nuevos entornos de conda](#studio-lab-use-manage-conda-new-conda)
+ [Uso de ejemplos de entornos de Studio Lab](#studio-lab-use-manage-conda-sample)
+ [Personalización de un entorno](#studio-lab-use-manage-conda-default-customize)
+ [Actualización de Studio Lab](#studio-lab-use-manage-conda-reset)
## Entorno predeterminado
Studio Lab utiliza entornos de conda para encapsular los paquetes de software que se necesitan para ejecutar los cuadernos. [Su proyecto contiene un entorno conda predeterminado, denominado`default`, junto con el IPython núcleo.](https://ipython.readthedocs.io/en/stable/) Este entorno sirve como kernel predeterminado para sus cuadernos de Jupyter.
## Visualización de entornos
Para ver los entornos de Studio Lab, puede utilizar un terminal o un cuaderno de Jupyter. El siguiente comando es para un terminal de Studio Lab. Si desea ejecutar los comandos correspondientes en un cuaderno de Jupyter, consulte [Administración del entorno](#studio-lab-use-manage).
Abra el terminal de Studio Lab. Para ello, abra el panel del **Explorador de archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder.png)), seleccione el signo más (**\$1**) en el menú de la parte superior del explorador de archivos para abrir **Lanzador** y, a continuación, seleccione **Terminal**. Desde el terminal de Studio Lab, ejecute lo siguiente para enumerar los entornos de conda.
```
conda env list
```
Con este comando se genera una lista de los entornos de conda y sus ubicaciones en el sistema de archivos. Cuando se realiza la incorporación a Studio Lab, se activa automáticamente el entorno de conda de `studiolab`. El siguiente es un ejemplo de los entornos de la lista después de la incorporación.
```
# conda environments:
#
default /home/studio-lab-user/.conda/envs/default
studiolab * /home/studio-lab-user/.conda/envs/studiolab
studiolab-safemode /opt/amazon/sagemaker/safemode-home/.conda/envs/studiolab-safemode
base /opt/conda
sagemaker-distribution /opt/conda/envs/sagemaker-distribution
```
El signo `*` indica el entorno activado.
## Creación, activación y uso de nuevos entornos de conda
Si desea mantener varios entornos para diferentes casos de uso, puede crear nuevos entornos de conda en su proyecto. En las secciones siguientes se muestra cómo crear y activar nuevos entornos de conda. Para ver un cuaderno de Jupyter que muestre cómo crear un entorno personalizado, consulte [Configuración de un entorno personalizado en SageMaker ](https://github.com/aws/studio-lab-examples/blob/main/custom-environments/custom_environment.ipynb) Studio Lab.
**nota**
El mantenimiento de varios entornos se tiene en cuenta al calcular la memoria disponible en Studio Lab.
**Creación de un entorno de conda**
Para crear un entorno de conda, ejecute el siguiente comando de conda desde su terminal. En este ejemplo se crea un entorno nuevo con Python 3.9.
```
conda create --name python=3.9
```
Una vez creado el entorno de conda, se puede ver el entorno en la lista de entornos. Para obtener más información sobre cómo ver la lista de entornos, consulte [Visualización de entornos](#studio-lab-use-view-conda-envs).
**Activación de un entorno de conda**
Para activar cualquier entorno de conda, ejecute el siguiente comando en el terminal.
```
conda activate
```
Al ejecutar este comando, todos los paquetes instalados mediante conda o pip se instalan en el entorno. Para obtener más información sobre la instalación de paquetes, consulte [Personalización de un entorno](#studio-lab-use-manage-conda-default-customize).
**Uso de un entorno de conda**
1. Para usar sus nuevos entornos de conda con cuadernos, asegúrese de que el paquete `ipykernel` esté instalado en el entorno.
```
conda install ipykernel
```
1. Una vez que el paquete `ipykernel` esté instalado en el entorno, puede seleccionar el entorno como kernel del cuaderno.
Puede que tengas que reiniciar JupyterLab para ver el entorno disponible como núcleo. Para ello, selecciona **Amazon SageMaker Studio Lab** en el menú superior de tu proyecto abierto de Studio Lab y selecciona **Reiniciar JupyterLab...** .
1. Puede elegir el núcleo para un cuaderno existente o cuando cree uno nuevo.
+ Para un cuaderno existente: abra el cuaderno y seleccione el núcleo actual en la parte derecha del menú superior. Puede elegir el núcleo que desea usar desde el menú desplegable.
+ Para un cuaderno nuevo: abra el lanzador de Studio Lab y seleccione el núcleo en **Cuaderno**. Se abrirá el cuaderno con el núcleo que elija.
Para obtener información general sobre la interfaz de usuario de Studio Lab, consulte [Descripción general de la interfaz de usuario de Amazon SageMaker Studio Lab](studio-lab-use-ui.md).
## Uso de ejemplos de entornos de Studio Lab
Studio Lab proporciona ejemplos de entornos personalizados a través del repositorio de [ejemplos de SageMaker Studio Lab](https://github.com/aws/studio-lab-examples). En el siguiente ejemplo se muestra cómo clonar y crear estos entornos.
1. Clona el GitHub repositorio de ejemplos de SageMaker Studio Lab siguiendo las instrucciones que se indican en[Usa los recursos GitHub](studio-lab-use-external.md#studio-lab-use-external-clone-github).
1. En Studio Lab, seleccione el icono del **Explorador de archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder.png)) en el menú de la izquierda para que el panel **Explorador de archivos** aparezca a la izquierda.
1. Vaya al directorio `studio-lab-examples/custom-environments` del explorador de archivos.
1. Abra el directorio del entorno que desea crear.
1. Haga clic con el botón derecho en el archivo `.yml` de la carpeta y, a continuación, seleccione **Crear entorno de conda**.
1. Ahora puede usar el entorno como kernel una vez que su entorno de conda haya terminado de crearse. Para obtener instrucciones sobre cómo utilizar un entorno existente como kernel, consulte [Creación, activación y uso de nuevos entornos de conda](#studio-lab-use-manage-conda-new-conda).
## Personalización de un entorno
Para personalizar su entorno, puede instalar y quitar extensiones y paquetes según sea necesario. Studio Lab incluye entornos con paquetes preinstalados. El uso de un entorno existente puede ahorrarle tiempo y memoria, ya que los paquetes preinstalados no se tienen en cuenta al calcular la memoria disponible de Studio Lab. Para obtener más información sobre los entornos de Studio Lab preinstalados disponibles, consulte [Entornos preinstalados de Studio Lab](studio-lab-environments.md).
Todas las extensiones y los paquetes instalados en su entorno `default` persistirán en el proyecto. Es decir, no es preciso instalar los paquetes en cada sesión de tiempo de ejecución del proyecto. Sin embargo, las extensiones y los paquetes instalados en su entorno `sagemaker-distribution` no persistirán, por lo que tendrá que instalar nuevos paquetes en la próxima sesión. Por lo tanto, se recomienda encarecidamente instalar los paquetes en el cuaderno a fin de asegurarse de que se instalen en el entorno previsto.
Para ver los entornos, ejecute el comando `conda env list`.
Para activar el entorno, ejecute el comando `conda activate `.
Para ver los paquetes de un entorno, ejecute el comando `conda list`.
**Instalación de paquetes**
Se recomienda encarecidamente instalar los paquetes en su cuaderno de Jupyter para asegurarse de que se instalan en el entorno previsto. Para instalar paquetes adicionales en su entorno desde un cuaderno de Jupyter, ejecute uno de los siguientes comandos en una celda de su cuaderno de Jupyter. Con estos comandos se instalan los paquetes en el entorno activado en ese momento.
+ `%conda install `
+ `%pip install `
No recomendamos usar los comandos `!pip` o `!conda`, ya que pueden comportarse de forma inesperada cuando hay varios entornos.
Tras instalar los paquetes nuevos en su entorno, es posible que tenga que reiniciar el kernel para asegurarse de que los paquetes funcionan en su cuaderno. Para ello, selecciona **Amazon SageMaker Studio Lab** en el menú superior del proyecto abierto de Studio Lab y selecciona **Reiniciar JupyterLab...** .
**Eliminación de paquetes**
Para eliminar un paquete, ejecute el comando
```
%conda remove
```
Con este comando también se eliminará cualquier paquete que dependa de ``, salvo que se pueda encontrar un reemplazo sin esa dependencia.
Para ver todos los paquetes de un entorno, ejecute el comando
```
conda deactivate
&& conda env remove --name
```
## Actualización de Studio Lab
Para actualizar Studio Lab, elimine todos los entornos y archivos.
1. Enumere todos los entornos de conda.
```
conda env list
```
1. Active el entorno base.
```
conda activate base
```
1. Elimine todos los entornos de la lista de entornos de conda, además del entorno base.
```
conda remove --name --all
```
1. Elimine todos los archivos de su Studio Lab.
```
rm -rf *.*
```
# Usa recursos externos en Amazon SageMaker Studio Lab
Con Amazon SageMaker Studio Lab, puede integrar recursos externos, como cuadernos y datos de Jupyter, de los repositorios de Git y Amazon S3. También puede añadir un botón **Abrir en Studio Lab** a su GitHub repositorio y libretas. Este botón permite clonar los cuadernos directamente desde Studio Lab.
En los siguientes temas, se indica cómo integrar recursos externos.
**Topics**
+ [Usa los recursos GitHub](#studio-lab-use-external-clone-github)
+ [Adición de un botón **Abrir en Studio Lab** a un cuaderno](#studio-lab-use-external-add-button)
+ [Importación de archivos desde su equipo](#studio-lab-use-external-import)
+ [Conexión a Amazon S3](#studio-lab-use-external-s3)
## Usa los recursos GitHub
Studio Lab ofrece integración con GitHub. Con esta integración, puede clonar cuadernos y repositorios directamente en su proyecto de Studio Lab.
En los siguientes temas se proporciona información sobre cómo utilizar GitHub los recursos con Studio Lab.
### Ejemplos de cuadernos de Studio Lab
Para empezar con un repositorio de ejemplos de cuadernos diseñados para Studio Lab, consulte [Ejemplos de cuadernos de Studio Lab](https://github.com/aws/studio-lab-examples#sagemaker-studio-lab-sample-notebooks).
Este repositorio proporciona cuadernos para los siguientes casos de uso, entre otros.
+ Visión artificial
+ Conectarse a AWS
+ Creación de entornos personalizados
+ Análisis de datos geoespaciales
+ Procesamiento de lenguaje natural
+ Uso de R
### Clonar un GitHub repositorio
Para clonar un GitHub repositorio en tu proyecto de Studio Lab, sigue estos pasos.
1. Inicie el tiempo de ejecución de su proyecto de Studio Lab. Para obtener más información sobre cómo inicializar el tiempo de ejecución de un proyecto de Studio Lab, consulte [Iniciar el tiempo de ejecución del proyecto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. En Studio Lab, seleccione el icono del **Explorador de archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder.png)) en el menú de la izquierda para que el panel **Explorador de archivos** aparezca a la izquierda.
1. Vaya a su directorio de usuarios; para ello, elija el icono de archivo situado debajo de la barra de búsqueda de archivos.
1. Seleccione el icono de **Git** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/git.png)) en el menú de la izquierda para abrir un nuevo menú desplegable.
1. Seleccione **Clonar un repositorio**.
1. Pegue la URL del repositorio en **URL del repositorio de Git (.git)**.
1. Seleccione **Clonar**.
### Clona cuadernos individuales de GitHub
Para abrir un cuaderno en Studio Lab, debe tener acceso al repositorio en el que se encuentra el cuaderno. En los siguientes ejemplos se describe el comportamiento de Studio Lab en relación con los permisos en diversas situaciones.
+ Si un repositorio es público, puede clonar automáticamente el cuaderno en su proyecto desde la página de vista previa de Studio Lab.
+ Si un repositorio es privado, se te pedirá que inicies sesión en él GitHub desde la página de vista previa de Studio Lab. Si tiene acceso a un repositorio privado, puede clonar el cuaderno en su proyecto.
+ Si no tiene acceso a un repositorio privado, no puede clonar el cuaderno desde la página de vista previa de Studio Lab.
En las siguientes secciones, se muestran dos opciones para copiar un GitHub bloc de notas en el proyecto de Studio Lab. Estas opciones dependen de si el cuaderno tiene el botón **Abrir en Studio Lab**.
#### Opción 1: copia de un cuaderno con el botón **Abrir en Studio Lab**
En el siguiente procedimiento se muestra cómo copiar un cuaderno que tiene el botón **Abrir en Studio Lab**. Si desea agregar este botón a su cuaderno, consulte [Adición de un botón **Abrir en Studio Lab** a un cuaderno](#studio-lab-use-external-add-button).
1. Lance Studio Lab siguiendo los pasos que se indican en [Inicio de sesión en Studio Lab](studio-lab-onboard.md#studio-lab-onboard-signin).
1. En una nueva pestaña del navegador, navega hasta el GitHub cuaderno que deseas clonar.
1. En el cuaderno, seleccione el botón **Abrir en Studio Lab** para abrir una nueva página en Studio Lab con una vista previa del cuaderno.
1. Si el tiempo de ejecución del proyecto aún no está en ejecución, inícielo pulsando el botón **Iniciar tiempo de ejecución** en la parte superior de la página de vista previa. Espere a que el estado del tiempo de ejecución se inicie antes de ir al paso siguiente.
1. Una vez iniciado el tiempo de ejecución del proyecto, seleccione **Copiar al proyecto** para abrir el tiempo de ejecución del proyecto en una nueva pestaña del navegador.
1. En la sección ¿**Copiar de GitHub?** cuadro de diálogo, seleccione **Copiar solo el bloc** de notas. Se copiará el archivo del cuaderno en su proyecto.
#### Opción 2: clona cualquier GitHub bloc de notas
El siguiente procedimiento muestra cómo copiar cualquier bloc de notas de GitHub.
1. Navegue hasta el cuaderno en GitHub.
1. En la barra de direcciones del navegador, modifique la URL del cuaderno como se indica a continuación.
```
# Original URL
https://github.com/
# Modified URL
https://studiolab.sagemaker.aws/import/github/
```
1. Vaya a la URL modificada. Se abre una vista previa del cuaderno en Studio Lab.
1. Si el tiempo de ejecución del proyecto aún no está en ejecución, inícielo pulsando el botón **Iniciar tiempo de ejecución** en la parte superior de la página de vista previa. Espere a que el estado del tiempo de ejecución se inicie antes de ir al paso siguiente.
1. Una vez iniciado el tiempo de ejecución del proyecto, seleccione **Copiar al proyecto** para abrir el tiempo de ejecución del proyecto en una nueva pestaña del navegador.
1. ¿En la **copia de GitHub?** cuadro de diálogo, seleccione **Copiar solo el bloc** de notas para copiar el archivo del bloc de notas al proyecto.
## Adición de un botón **Abrir en Studio Lab** a un cuaderno
Si añade el botón **Abrir en Studio Lab** a sus cuadernos, otras personas podrán clonarlos estos últimos o los repositorios directamente en los proyectos de Studio Lab que tengan. Si compartes tu bloc de notas en un GitHub repositorio público, tu contenido se podrá leer públicamente. No compartas contenido privado, como claves de AWS acceso o AWS Identity and Access Management credenciales, en tu bloc de notas.
Para añadir el botón **Abrir en Studio Lab** funcional a su cuaderno o repositorio de Jupyter, agregue el marcado siguiente en la parte superior de su cuaderno o repositorio.
```
[](https://studiolab.sagemaker.aws/import/github/)
```
## Importación de archivos desde su equipo
En los pasos siguientes se muestra cómo importar archivos del equipo a un proyecto de Studio Lab.
1. Abra el tiempo de ejecución del proyecto de Studio Lab.
1. Abra el panel **Explorador de archivos**.
1. En la barra de acciones del panel del **Explorador de archivos**, seleccione el botón **Cargar archivos**.
1. Seleccione los archivos que desee cargar del equipo local.
1. Seleccione **Abrir**.
Como alternativa, puede arrastrar y soltar archivos del equipo al panel del **Explorador de archivos**.
## Conexión a Amazon S3
AWS CLI Permite la AWS integración en su proyecto de Studio Lab. Con esta integración, puede extraer recursos de Amazon S3 para usarlos con sus cuadernos de Jupyter.
Para usarlo AWS CLI con Studio Lab, complete los siguientes pasos. Para ver un cuaderno en el que se describe esta integración, consulte [Uso de Studio Lab con AWS recursos](https://github.com/aws/studio-lab-examples/blob/main/connect-to-aws/Access_AWS_from_Studio_Lab.ipynb).
1. Instale los AWS CLI siguientes pasos que se indican en [Instalación o actualización de la última versión de AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
1. Configure sus AWS credenciales siguiendo los pasos de [Configuración rápida](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-quickstart.html). El rol de su AWS cuenta debe tener permisos para acceder al bucket de Amazon S3 desde el que está copiando los datos.
1. Desde el cuaderno de Jupyter, clone recursos del bucket de Amazon S3, según sea necesario. En el siguiente comando se muestra cómo clonar todos los recursos de una ruta de Amazon S3 a su proyecto. Para obtener más información, consulte la [AWS CLI Referencia de comandos de la ](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/s3/cp.html).
```
!aws s3 cp s3://// / --recursive
```
# Obtención de diferencias entre cuadernos
Puedes mostrar la diferencia entre el bloc de notas actual y el último punto de control, o la última confirmación de Git, mediante la interfaz de usuario del proyecto Amazon SageMaker Studio Lab.
**Topics**
+ [Obtención de la diferencia con el último punto de comprobación](#studio-lab-use-diff-checkpoint)
+ [Obtención de la diferencia con la última confirmación](#studio-lab-use-diff-git)
## Obtención de la diferencia con el último punto de comprobación
Al crear un cuaderno, se crea un archivo de punto de comprobación oculto que coincide con el cuaderno creado. Puede ver los cambios entre el cuaderno y el archivo de punto de comprobación o revertir el cuaderno para que coincida con el archivo de punto de comprobación.
Para guardar el cuaderno de Studio Lab y actualizar el archivo de punto de comprobación para que coincida: seleccione el icono de **Guardar cuaderno y crear punto de comprobación** (![\[Icon of a cloud with an arrow pointing upward, representing cloud upload functionality.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/Notebook_save.png)). Se encuentra en el lado izquierdo del menú de Studio Lab. El método abreviado de teclado para **Guardar cuaderno y crear punto de comprobación** es `Ctrl + s`.
Para ver los cambios entre el cuaderno de Studio Lab y el archivo de punto de comprobación: elija el icono de **Diferencias con punto de comprobación** (![\[Camera icon representing image capture or photo functionality.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/Checkpoint_diff.png)) situado en el centro del menú de Studio Lab.
Para revertir el cuaderno de Studio Lab al archivo de punto de comprobación: en el menú principal de Studio Lab, elija **Archivo** y, a continuación, **Revertir cuaderno al punto de comprobación**.
## Obtención de la diferencia con la última confirmación
Si se abre un cuaderno desde un repositorio de Git, puede ver la diferencia entre el cuaderno y la última confirmación de Git.
Para ver los cambios en el cuaderno desde la última confirmación de Git: elija el icono de **Diferencia con Git** (![\[GitHub icon representing version control and source code management.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/Git_diff.png)) en el centro del menú del cuaderno.
# Exportación de un entorno de Amazon SageMaker Studio Lab a Amazon SageMaker Studio Classic
Amazon SageMaker Studio Classic ofrece muchas funciones para flujos de trabajo de aprendizaje automático y aprendizaje profundo que no están disponibles en Amazon SageMaker Studio Lab. En esta página, se muestra cómo migrar un entorno de Studio Lab a Studio Classic para aprovechar una mayor capacidad de computación, almacenamiento y características. Sin embargo, puede ser conveniente familiarizarse con los contenedores prediseñados de Studio Classic, que están optimizados para la canalización de MLOP completa. Para obtener más información, consulte [Laboratorio Amazon SageMaker Studio](studio-lab.md)
Para migrar su entorno de Studio Lab a Studio Classic, primero debe incorporarlo a Studio Classic siguiendo los pasos que se indican en [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
**Topics**
+ [Paso 1: exportación del entorno de conda de Studio Lab](#studio-lab-use-migrate-step1)
+ [Paso 2: almacenamiento de los artefactos de Studio Lab](#studio-lab-use-migrate-step2)
+ [Paso 3: importación de los artefactos de Studio Lab a Studio Classic](#studio-lab-use-migrate-step3)
+ [Paso 4: instalación de los entornos de conda de Studio Lab en Studio Classic](#studio-lab-use-migrate-step4)
## Paso 1: exportación del entorno de conda de Studio Lab
Puede exportar un entorno de conda y añadirle bibliotecas o paquetes siguiendo los pasos que se indican en [Administración del entorno](studio-lab-use-manage.md). En el siguiente ejemplo se muestra el uso del entorno `default` para exportarlo a Studio Classic.
1. Abra el terminal de Studio Lab. Para ello, abra el panel del **Explorador de archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder.png)), seleccione el signo más (**\$1**) en el menú de la parte superior del explorador de archivos para abrir **Lanzador** y, a continuación, seleccione **Terminal**. Desde el terminal de Studio Lab, ejecute lo siguiente para enumerar los entornos de conda.
```
conda env list
```
Con este comando se genera una lista de los entornos de conda y sus ubicaciones en el sistema de archivos. Cuando se realiza la incorporación a Studio Lab, se activa automáticamente el entorno de conda de `studiolab`.
```
# conda environments: #
default /home/studio-lab-user/.conda/envs/default
studiolab * /home/studio-lab-user/.conda/envs/studiolab
studiolab-safemode /opt/amazon/sagemaker/safemode-home/.conda/envs/studiolab-safemode
base /opt/conda
```
Recomendamos no exportar los entornos `studiolab`, `studiolab-safemode` y `base`. Estos entornos no se pueden utilizar en Studio Classic por los motivos siguientes:
+ `studiolab`: Esto configura el JupyterLab entorno de Studio Lab. Studio Lab ejecuta una versión principal JupyterLab distinta de la de Studio Classic, por lo que no se puede utilizar en Studio Classic.
+ `studiolab-safemode`: Esto también configura el JupyterLab entorno de Studio Lab. Studio Lab ejecuta una versión principal JupyterLab distinta de la de Studio Classic, por lo que no se puede utilizar en Studio Classic.
+ `base`: este entorno se suministra con conda de forma predeterminada. El entorno `base` de Studio Lab y el entorno `base` de Studio Classic tienen versiones incompatibles de muchos paquetes.
1. Para el entorno de conda que desea migrar a Studio Classic, active primero el entorno de conda. A continuación, el entorno `default` cambia cuando se instalan o eliminan nuevas bibliotecas. Para obtener el estado exacto del entorno, expórtelo a un archivo de YAML mediante la línea de comandos. En las siguientes líneas de comandos se exporta el entorno predeterminado a un archivo YAML y se crea un archivo denominado `myenv.yml`.
```
conda activate default
conda env export > ~/myenv.yml
```
## Paso 2: almacenamiento de los artefactos de Studio Lab
Ahora que ha guardado el entorno en un archivo de YAML, puede mover el archivo del entorno a cualquier plataforma.
------
#### [ Save to a local machine using Studio Lab GUI ]
**nota**
En este momento no está disponible la opción de hacer clic con el botón derecho en un directorio para descargarlo desde la GUI de Studio Lab. Si desea exportar un directorio, siga los pasos de la pestaña **Guardar en repositorio de Git**.
Una opción es guardar el entorno en su máquina local. Para ello, siga el procedimiento que se indica a continuación.
1. En Studio Lab, seleccione el icono del **Explorador de archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder.png)) en el menú de la izquierda para que el panel **Explorador de archivos** aparezca a la izquierda.
1. Vaya a su directorio de usuarios; para ello, elija el icono de archivo situado debajo de la barra de búsqueda de archivos.
1. Seleccione el archivo `myenv.yml` (haga clic con el botón derecho en él) y, a continuación, elija **Descargar**. Puede repetir este proceso para otros archivos que desee importar a Studio Classic.
------
#### [ Save to a Git repository ]
Otra opción es guardar el entorno en un repositorio de Git. Se utiliza esta opción GitHub como ejemplo. Estos pasos requieren una GitHub cuenta y un repositorio. Para obtener más información, visite [GitHub](https://github.com/). El siguiente procedimiento muestra cómo sincronizar el contenido GitHub con el terminal Studio Lab.
1. Desde el terminal de Studio Lab, diríjase a su directorio de usuario y cree un nuevo directorio que contenga los archivos que desee exportar.
```
cd ~
mkdir
```
1. Después de crear un nuevo directorio, copie cualquier archivo o directorio que desee exportar a ``.
Copie un archivo con el siguiente formato de código:
```
cp
```
Por ejemplo, reemplace `` por `myenv.yml`.
Copie cualquier directorio con el siguiente formato de código:
```
cp -r
```
Por ejemplo, reemplace `` por cualquier nombre de directorio del directorio de usuarios.
1. Diríjase al nuevo directorio e inicialice el directorio como un repositorio de Git mediante el siguiente comando. Para obtener más información, consulte la [Documentación de git-init](https://git-scm.com/docs/git-init).
```
cd
git init
```
1. Con Git, agregue todos los archivos correspondientes y, a continuación, confirme los cambios.
```
git add .
git commit -m ""
```
Por ejemplo, reemplace `` por `Add Amazon SageMaker Studio Lab artifacts to GitHub repository to migrate to Amazon SageMaker Studio Classic `.
1. Envíe la confirmación al repositorio remoto. Este repositorio tiene el formato `https://github.com// .git` donde `` es su nombre GitHub de usuario y el `` nombre de su repositorio remoto. Crea una rama `` para enviar el contenido al GitHub repositorio.
```
git branch -M
git remote add origin https://github.com//.git
git push -u origin
```
------
## Paso 3: importación de los artefactos de Studio Lab a Studio Classic
En el siguiente procedimiento se muestra cómo importar artefactos a Studio Classic. Las instrucciones para usar el Almacén de características a través de la consola dependen de si ha habilitado Studio o Studio Classic como experiencia predeterminada. Para obtener información sobre el acceso a Studio Classic a través de la consola, consulte [Inicio de Studio Classic si Studio es su experiencia predeterminada](studio-launch.md#studio-launch-console-updated).
Desde Studio Classic, puede importar archivos desde su máquina local o desde un repositorio de Git. Puede hacerlo mediante la GUI o el terminal de Studio Classic. En el siguiente procedimiento se utilizan los ejemplos de [Paso 2: almacenamiento de los artefactos de Studio Lab](#studio-lab-use-migrate-step2).
------
#### [ Import using the Studio Classic GUI ]
Si ha guardado los archivos en su máquina local, puede importarlos a Studio Classic mediante estos pasos.
1. Abra el panel **Explorador de archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/folder.png)) en la parte superior izquierda de Studio Classic.
1. Seleccione el icono de **Cargar archivos** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/File_upload_squid.png)) en el menú de la parte superior del panel **Explorador de archivos**.
1. Busque el archivo que desea importar y, a continuación, elija **Abrir**.
**nota**
Para importar un directorio a Studio Classic, primero comprima el directorio en su máquina local en un archivo. En un Mac, haga clic con el botón derecho en el directorio y seleccione **Comprimir ** "»**. En Windows, haga clic con el botón derecho en el directorio, seleccione **Enviar a** y elija **Carpeta comprimida (en zip)**. Una vez comprimido el directorio, importe el archivo comprimido siguiendo los pasos anteriores. Para descomprimir el archivo comprimido, vaya al terminal de Studio Classic y ejecute el comando `.zip`.
------
#### [ Import using a Git repository ]
En este ejemplo, se proporcionan dos opciones para clonar un GitHub repositorio en Studio Classic. Para usar la GUI de Studio Classic, seleccione la pestaña **Git** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/icons/git.png)) en la parte izquierda de Studio Classic. Seleccione **Clonar un repositorio** y, a continuación, pegue la URL del GitHub repositorio desde[Paso 2: almacenamiento de los artefactos de Studio Lab](#studio-lab-use-migrate-step2). Otra opción es usar el terminal de Studio Classic mediante el siguiente procedimiento.
1. Abra **Lanzador** de Studio Classic. Para obtener más información sobre cómo abrir el **Launcher**, consulte [Amazon SageMaker Studio Classic Launcher](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html).
1. En el **Lanzador**, en la sección **Cuadernos y recursos de computación**, seleccione **Cambiar entorno**.
1. En Studio Classic, abra **Lanzador**. Para abrir el **lanzador**, selecciona **Amazon SageMaker Studio Classic** en la esquina superior izquierda de Studio Classic.
Para obtener más información sobre todas las formas disponibles de abrir el **Lanzador**, consulte [Usa el Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. En el cuadro de diálogo **Cambiar entorno**, utilice la lista desplegable **Imagen** para seleccionar la imagen de **Ciencia de datos** y elija **Seleccionar**. Esta imagen se suministra con conda preinstalado.
1. En **Lanzador** de Studio Classic, seleccione **Abrir terminal de imágenes**.
1. Desde el terminal de imágenes, ejecute el siguiente comando para clonar el repositorio. Con este comando se crea un directorio con el nombre `` en su instancia de Studio Classic y se clonan sus artefactos en ese repositorio.
```
git clone https://github.com//.git
```
------
## Paso 4: instalación de los entornos de conda de Studio Lab en Studio Classic
Ahora puede volver a crear su entorno de conda mediante el archivo de YAML de su instancia de Studio Classic. Abra **Lanzador** de Studio Classic. Para obtener más información sobre cómo abrir el **Launcher**, consulte [Amazon SageMaker Studio Classic Launcher](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html). En **Lanzador**, seleccione **Abrir terminal de imágenes**. En el terminal, vaya al directorio que contiene el archivo de YAML y ejecute los siguientes comandos.
```
conda env create --file .yml
conda activate
```
Una vez completados estos comandos, puede seleccionar su entorno como kernel para sus instancias de cuaderno de Studio Classic. Para ver el entorno disponible, ejecute `conda env list`. Para activar el entorno, ejecute `conda activate `.
# Cierre de recursos de Studio Lab
Puede ver y cerrar los recursos de Amazon SageMaker Studio Lab en ejecución desde una ubicación de su entorno de Studio Lab. Los tipos de recursos en ejecución incluyen terminales y kernels. También puede cerrar todos los recursos de un tipo de recursos al mismo tiempo.
Cuando se apagan todos los recursos que pertenecen a un tipo de recurso, sucede lo siguiente:
+ **KERNELS**: se cierran todos los kernels, cuadernos y consolas.
+ **TERMINALES**: se cierran todos los terminales.
**Cierre de recursos de Studio Lab**
1. Inicie el tiempo de ejecución de su proyecto de Studio Lab. Para obtener más información sobre cómo inicializar el tiempo de ejecución de un proyecto de Studio Lab, consulte [Iniciar el tiempo de ejecución del proyecto](studio-lab-manage-runtime.md#studio-lab-manage-runtime-start).
1. Seleccione el icono de **Terminales y kernels en ejecución** (![\[Square icon with a white outline of a cloud on a dark blue background.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/icons/Running_squid.png)) en el panel de navegación izquierdo.
1. Elija el símbolo **X** situado a la derecha del recurso que desee cerrar. Para ver el símbolo **X**, sitúe el cursor sobre un recurso.
1. (Opcional) Para cerrar todos los recursos de un tipo de recurso determinado, seleccione **Cerrar todos** a la derecha del nombre del tipo de recurso.
# Resolución de problemas
La guía muestra los errores más comunes que pueden producirse al utilizar Amazon SageMaker Studio Lab (Studio Lab). Cada error contiene una descripción y una solución al error.
**nota**
No puede compartir su contraseña con varios usuarios ni usar Studio Lab para minar criptomonedas. No recomendamos usar Studio Lab para tareas de producción debido a los límites de tiempo de ejecución.
**Problemas de dependencia**
El 8 de agosto de 2025, Studio Lab migró de JupyterLab 3 a JupyterLab 4. Para obtener información sobre la versión JupyterLab 4, consulte la sección [4.0.0: Aspectos destacados](https://jupyterlab.readthedocs.io/en/4.0.x/getting_started/changelog.html#highlights) del JupyterLab registro de cambios. Si instalaste JupyterLab las extensiones en tu entorno de Studio Lab antes del 8 de agosto de 2025, es posible que tengas que volver a instalarlas en el JupyterLab entorno 4.
**No se puede acceder a la cuenta**
Si no puede acceder a su cuenta, compruebe que está utilizando el correo electrónico y la contraseña correctos. Si ha olvidado su contraseña, siga estos pasos para restablecerla. Si continúa sin poder acceder a su cuenta, debe solicitar y registrar una nueva cuenta siguiendo las instrucciones que se indican en [A bordo de Amazon SageMaker Studio Lab](studio-lab-onboard.md).
**Contraseña olvidada**
Si olvida su contraseña, debe restablecerla mediante los siguientes pasos.
1. Diríjase a la [página de inicio de Studio Lab](https://studiolab.sagemaker.aws).
1. Seleccione **Iniciar sesión**.
1. Seleccione **Olvidé mi contraseña** para abrir una nueva página.
1. Introduzca la dirección de correo electrónico que ha utilizado para registrarse en una cuenta.
1. Seleccione **Enviar enlace de restablecimiento** para que se le envíe un correo electrónico con un enlace que permite restablecer la contraseña.
1. En el correo electrónico de restablecimiento de la contraseña, seleccione **Restablecer la contraseña**.
1. Introduzca su nueva contraseña.
1. Seleccione **Enviar**.
**No se puede inicializar el tiempo de ejecución del proyecto**
Si el tiempo de ejecución del proyecto de Studio Lab no se inicializa, pruebe a inicializarlo de nuevo. Si esto no funciona, cambie el tipo de instancia de CPU a GPU (o al revés). Para obtener más información, consulte [Cambie el tipo de computación](studio-lab-manage-runtime.md#studio-lab-manage-runtime-change).
**El tiempo de ejecución se ha detenido inesperadamente**
Si hay algún problema con el entorno utilizado para ejecutarse JupyterLab, Studio Lab volverá a crear el entorno automáticamente. Studio Lab no admite la activación manual de este proceso.
**Conflicto entre versiones**
Debido a que puede agregar paquetes y modificar el entorno según sea necesario, es posible que surjan conflictos entre los paquetes de su entorno. Si hay algún conflicto entre los paquetes de su entorno, debe eliminar el paquete que lo provoca.
**Error al crear el entorno**
Al crear un entorno a partir de un archivo de YAML, se puede producir un error debido a un conflicto con la versión del paquete o a un problema con el archivo. Para resolverlo, ejecute el siguiente comando para eliminar el entorno. Haga esto antes de intentar volver a crearlo.
```
conda remove --name --all
```
**Aparece un mensaje de error sobre la posibilidad de descargar el script desde el dominio \$1.awswaf.com**
Studio Classic utiliza el servicio de firewall de aplicaciones web AWS WAF para proteger sus recursos, que utiliza JavaScript. Si está utilizando un complemento de seguridad del navegador que JavaScript impide la descarga, es posible que aparezca este error. Para usar Studio Classic, permita la JavaScript descarga desde \$1.awswaf.com como dominio de confianza. Para obtener más información al respecto AWS WAF, consulte [AWS WAF](https://docs.aws.amazon.com/waf/latest/developerguide/waf-chapter.html)desde, y. AWS WAF AWS Firewall Manager AWS Shield Advanced.
**El espacio en disco está lleno**
Si recibe una notificación que indica que el espacio en disco está lleno o que se **ha producido un error ** al cargar** el archivo al intentar abrir un archivo, puede eliminar archivos, directorios, bibliotecas o entornos para aumentar el espacio. Para obtener más información acerca de cómo administrar sus bibliotecas y entornos, consulte [Administración del entorno](studio-lab-use-manage.md).
**Notificación **El tiempo de ejecución del proyecto está en modo seguro****
Si aparece la notificación **El tiempo de ejecución del proyecto está en modo seguro**, debe liberar espacio en el disco para poder seguir utilizando el tiempo de ejecución del proyecto de Studio Lab. Siga las instrucciones del elemento de solución de problemas anterior **El espacio en disco está lleno**. Una vez que se hayan liberado al menos 500 MB de espacio, puede reiniciar el tiempo de ejecución del proyecto para usar Studio Lab. Para ello, selecciona **Amazon SageMaker Studio Lab** en el menú superior de Studio Lab y selecciona **Reiniciar JupyterLab...** .
git: **Cannot import `cv2`**
Si se produce un error al importar `cv2` después de instalar `opencv-python`, debe desinstalar `opencv-python` e instalar `opencv-python-headless` de la siguiente manera.
```
%pip uninstall opencv-python --yes
%pip install opencv-python-headless
```
A continuación, puede importar `cv2` según lo previsto.
**Studio Lab deja de responder al abrir archivos de gran tamaño**
Es posible que el IDE de Studio Lab no se represente cuando se abren archivos de gran tamaño, lo que da lugar a que se bloquee el acceso a los recursos de Studio Lab. Para resolver este problema, restablezca el espacio de trabajo de Studio Lab mediante el siguiente procedimiento.
1. Después de abrir el IDE, copie la URL en la barra de direcciones del navegador. Esta URL debe estar en el formato `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab`. Cierre la pestaña.
1. En una pestaña nueva, pegue la URL y elimine todo lo que aparezca quedado después de `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab`.
1. Agregue `?reset` al final de la URL para que tenga el formato `https://xxxxxx.studio.us-east-2.sagemaker.aws/studiolab/default/jupyter/lab?reset`.
1. Vaya a la URL actualizada. Con esto se consigue que se restablezca el estado guardado de la interfaz de usuario y que el IDE de Studio Lab responda.
# Amazon SageMaker Canvas
Amazon SageMaker Canvas le permite utilizar el aprendizaje automático para generar predicciones sin necesidad de escribir ningún código. A continuación, se muestran algunos casos de uso en los que puede utilizar SageMaker Canvas:
+ Predicción del abandono de clientes
+ Planificar el inventario de manera eficiente
+ Optimizar los precios y los ingresos
+ Mejorar las entregas puntuales
+ Clasificar el texto o las imágenes en función de categorías personalizadas
+ Identificar los objetos y el texto de las imágenes
+ Extraer información de los documentos
Con Canvas, puede chatear con modelos de lenguajes extensos populares (LLMs), acceder a Ready-to-use modelos o crear un modelo personalizado basado en sus datos.
El chat de Canvas es una funcionalidad que aprovecha el código abierto y Amazon LLMs para ayudarte a aumentar tu productividad. Puede solicitar a los modelos que obtengan ayuda con tareas como generar contenido, resumir o categorizar documentos y responder preguntas. Para obtener más información, consulte [Modelos básicos de IA generativa en Canvas SageMaker](canvas-fm-chat.md).
Los [Ready-to-use modelos](canvas-ready-to-use-models.md) de Canvas pueden extraer información de sus datos para una variedad de casos de uso. [No es necesario crear un modelo para usar Ready-to-use modelos, ya que funcionan con los servicios de IA de Amazon, incluidos Amazon [Rekognition](https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html)[, Amazon Textract](https://docs.aws.amazon.com/textract/latest/dg/what-is.html) y Amazon Comprehend.](https://docs.aws.amazon.com/comprehend/latest/dg/what-is.html) Solo tiene que importar sus datos y empezar a utilizar una solución para generar predicciones.
Si desea un modelo que esté personalizado para su caso de uso y entrenado con sus datos, puede [crear un modelo](canvas-custom-models.md). Puede obtener predicciones personalizadas para sus datos por medio de uno de los siguientes procedimientos:
1. Importación de los datos de una o más fuentes de datos.
1. Creación de un modelo predictivo.
1. Evaluación del desempeño del modelo.
1. Generación de predicciones con el modelo.
Canvas admite los siguientes tipos de modelos personalizados:
+ Predicción numérica (también conocida como *regresión*)
+ Predicción categórica para 2, 3 o más categorías (también conocida como clasificación *binaria* y *multiclase*)
+ Previsión de serie temporal
+ Predicción de imágenes de etiqueta única (también conocida como *clasificación de imágenes*)
+ Predicción de texto multicategoría (también conocida como *clasificación de texto multiclase*)
[Para obtener más información sobre los precios, consulte la página de precios de Canvas. SageMaker ](https://aws.amazon.com/sagemaker/canvas/pricing/) También puede consultar [Facturación y costes en SageMaker Canvas](canvas-manage-cost.md) para obtener más información.
SageMaker Actualmente, Canvas está disponible en las siguientes regiones:
+ Este de EE. UU. (Ohio)
+ Este de EE. UU. (Norte de Virginia)
+ Oeste de EE. UU. (Norte de California)
+ Oeste de EE. UU. (Oregón)
+ Asia-Pacífico (Bombay)
+ Asia-Pacífico (Seúl)
+ Asia-Pacífico (Singapur)
+ Asia-Pacífico (Sídney)
+ Asia-Pacífico (Tokio)
+ Canadá (centro)
+ Europa (Fráncfort)
+ Europa (Irlanda)
+ Europa (Londres)
+ Europa (París)
+ Europa (Estocolmo)
+ América del Sur (São Paulo)
**Topics**
+ [¿Es la primera vez que utiliza SageMaker Canvas?](#canvas-first-time-user)
+ [Cómo empezar a usar Amazon SageMaker Canvas](canvas-getting-started.md)
+ [Tutorial: Cree un flujo de trabajo end-to-end de aprendizaje automático en SageMaker Canvas](canvas-end-to-end-machine-learning-workflow.md)
+ [Administración de permisos y configuración de Amazon SageMaker Canvas (para administradores de TI)](canvas-setting-up.md)
+ [Asistencia de la IA generativa para resolver problemas de machine learning en Canvas con Amazon Q Developer](canvas-q.md)
+ [Importación de datos](canvas-importing-data.md)
+ [Preparación de datos](canvas-data-prep.md)
+ [Modelos básicos de IA generativa en Canvas SageMaker](canvas-fm-chat.md)
+ [Ready-to-use modelos](canvas-ready-to-use-models.md)
+ [Modelos personalizados](canvas-custom-models.md)
+ [Cerrar sesión en Amazon SageMaker Canvas](canvas-log-out.md)
+ [Limitaciones y solución de problemas](canvas-limits.md)
+ [Facturación y costes en SageMaker Canvas](canvas-manage-cost.md)
## ¿Es la primera vez que utiliza SageMaker Canvas?
Si es la primera vez que utiliza SageMaker Canvas, le recomendamos que comience leyendo las siguientes secciones:
+ Para administradores de TI - [Administración de permisos y configuración de Amazon SageMaker Canvas (para administradores de TI)](canvas-setting-up.md)
+ Para analistas y usuarios individuales - [Cómo empezar a usar Amazon SageMaker Canvas](canvas-getting-started.md)
+ Para ver un ejemplo de flujo de trabajo de principio a fin: [Tutorial: Cree un flujo de trabajo end-to-end de aprendizaje automático en SageMaker Canvas](canvas-end-to-end-machine-learning-workflow.md)
# Cómo empezar a usar Amazon SageMaker Canvas
Esta guía le indica cómo empezar a usar SageMaker Canvas. Si es administrador de TI y desea obtener información más detallada, consulte [Administración de permisos y configuración de Amazon SageMaker Canvas (para administradores de TI)](canvas-setting-up.md) Cómo configurar SageMaker Canvas para sus usuarios.
**Topics**
+ [Requisitos previos para configurar Amazon Canvas SageMaker](#canvas-prerequisites)
+ [Paso 1: Inicie sesión en Canvas SageMaker](#canvas-getting-started-step1)
+ [Paso 2: Usa SageMaker Canvas para obtener predicciones](#canvas-getting-started-step2)
## Requisitos previos para configurar Amazon Canvas SageMaker
Para configurar una aplicación de SageMaker Canvas, incorpórela mediante uno de los siguientes métodos de configuración:
1. **A bordo con la AWS consola.** Para realizar la integración a través de la AWS consola, primero debes crear un dominio de Amazon SageMaker AI. SageMaker Los dominios de IA son compatibles con diversos entornos de aprendizaje automático (ML), como Canvas y [SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html). Para obtener más información sobre dominios, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
1. (Rápido) [Utilice la configuración rápida para Amazon SageMaker AI](onboard-quick-start.md): elija esta opción si desea configurar rápidamente un dominio. Esto le otorga al usuario todos los permisos predeterminados y todas las funciones básicas de Canvas. Un administrador puede habilitar más adelante características adicionales, como [consulta de documentos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html#canvas-fm-chat-query). Si desea configurar permisos más detallados, le recomendamos que elija la opción Avanzada en su lugar.
1. (Estándar) [Usa una configuración personalizada para Amazon SageMaker AI](onboard-custom.md): elija esta opción si desea completar una configuración más avanzada del dominio. Mantenga un control detallado de los permisos de los usuarios, como acceso a las características de preparación de datos, funcionalidad de IA generativa e implementación de modelos.
1. **Incorpore con CloudFormation.** [CloudFormation](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/Welcome.html)automatiza el aprovisionamiento de recursos y configuraciones para que pueda configurar Canvas para uno o más perfiles de usuario al mismo tiempo. Utilice esta opción si desea automatizar el proceso de incorporación a escala y asegurarse de que las aplicaciones estén configuradas siempre de la misma manera. La siguiente [CloudFormation plantilla](https://github.com/aws-samples/cloudformation-studio-domain) proporciona una forma simplificada de incorporarse a Canvas, lo que garantiza que todos los componentes necesarios estén configurados correctamente y le permite centrarse en crear e implementar sus modelos de aprendizaje automático.
La siguiente sección describe cómo incorporarse a Canvas mediante la AWS consola para crear un dominio.
**importante**
Para configurar Amazon SageMaker Canvas, tu versión de Amazon SageMaker Studio debe ser la 3.19.0 o posterior. Para obtener información sobre la actualización de Amazon SageMaker Studio, consulte[Cierre y actualice Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
### Incorporado con la AWS consola
Si está realizando la configuración de dominio rápida, puede seguir las instrucciones que aparecen en [Utilice la configuración rápida para Amazon SageMaker AI](onboard-quick-start.md), saltarse el resto de esta sección y continuar con [Paso 1: Inicie sesión en Canvas SageMaker](#canvas-getting-started-step1).
Si está realizando la configuración de dominio estándar, puede especificar las características de Canvas a las que desea conceder acceso a sus usuarios. Utilice el resto de esta sección mientras completa la configuración de dominio estándar como ayuda para configurar los permisos específicos de Canvas.
En las instrucciones de configuración de [Usa una configuración personalizada para Amazon SageMaker AI](onboard-custom.md), en el **paso 2: usuarios y actividades de ML**, debe seleccionar los permisos de Canvas que desea conceder. En la sección **Actividades de ML** puede seleccionar las siguientes políticas de permisos para conceder acceso a características de Canvas. Solo puede seleccionar un total de 8 **Actividades de ML** al configurar el dominio. Los dos primeros permisos de la siguiente lista son necesarios para usar Canvas, mientras que el resto son para características adicionales.
+ **Ejecutar aplicaciones de Studio**: estos permisos son necesarios para iniciar la aplicación de Canvas.
+ **[Acceso a Canvas Core](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)**: estos permisos permiten acceder a la aplicación de Canvas y a las funciones básicas de Canvas, como creación de conjuntos de datos, uso de transformaciones de datos básicas y creación y análisis de modelos.
+ (Opcional) **[Preparación de datos de Canvas (con tecnología de Data Wrangler)](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)**: estos permisos permiten crear flujos de datos y utilizar transformaciones avanzadas para preparar los datos en Canvas. Estos permisos también son necesarios para crear trabajos de procesamiento de datos y cronogramas de trabajos de preparación de datos.
+ **[Servicios de IA de Canvas](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasAIServicesAccess.html)** (opcionales): estos permisos le permiten acceder a los Ready-to-use modelos, los modelos básicos y las funciones de chat con datos de Canvas.
+ (Opcional) **Acceso a Kendra**: este permiso le otorga acceso a la característica de [consulta de documentos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html#canvas-fm-chat-query), en la que puede consultar documentos almacenados en un índice de Amazon Kendra utilizando modelos fundacionales de Canvas.
Si selecciona esta opción, en la sección **Canvas Kendra Access**, introduzca los índices IDs de Amazon Kendra a los que quiere conceder acceso.
+ (Opcional) **[Canvas MLOps](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDirectDeployAccess.html)**: este permiso le otorga acceso a la función de [implementación de modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-deploy-model.html) en Canvas, donde puede implementar modelos para usarlos en producción.
En la sección **Paso 3: Aplicaciones** de la configuración del dominio, elija **Configurar Canvas** y, a continuación, haga lo siguiente:
1. En **Configuración de almacenamiento de Canvas**, especifique dónde desea que Canvas almacene los datos de la aplicación, como los artefactos del modelo, las predicciones por lotes, los conjuntos de datos y los registros. SageMaker La IA crea una `Canvas/` carpeta dentro de este depósito para almacenar los datos. Para obtener más información, consulte [Configurar el almacenamiento de Amazon S3](canvas-storage-configuration.md). En esta sección, hará lo siguiente:
1. Seleccione **Administrado por el sistema** si desea establecer la ubicación en el depósito predeterminado SageMaker creado por la IA que sigue el patrón. `s3://sagemaker-{Region}-{your-account-id}`
1. Seleccione **Personalizado S3** para especificar su propio bucket de Amazon S3 como ubicación de almacenamiento. A continuación, introduzca el URI de Amazon S3.
1. (Opcional) Para la **Clave de cifrado**, especifique una clave KMS para cifrar los artefactos de Canvas almacenados en la ubicación especificada.
1. (Opcional) Para **Amazon Q Developer**, haga lo siguiente:
1. Active la **opción Habilitar Amazon Q Developer in SageMaker Canvas para el aprendizaje automático en lenguaje natural para** dar a sus usuarios permisos para aprovechar la asistencia generativa de IA durante su flujo de trabajo de aprendizaje automático en Canvas. Esta opción solo concede permisos para solicitar ayuda a Amazon Q Developer con tareas predeterminadas que se pueden completar en la aplicación de Canvas.
1. **Activa la opción Activar el chat para desarrolladores de Amazon Q para AWS preguntas generales** a fin de dar a tus usuarios permisos para realizar consultas generativas de IA relacionadas con los AWS servicios.
1. (Opcional) Configure la sección **Procesamiento de datos de gran tamaño** si sus usuarios tienen previsto procesar conjuntos de datos de más de 5 GB en Canvas. Para obtener más información acerca de cómo configurar estas opciones, consulte [Concesión de permisos a los usuarios para usar datos de gran tamaño durante todo el ciclo de vida de ML](canvas-large-data-permissions.md).
1. (Opcional) Para la sección de **Configuración de permisos de ML Ops**, haga lo siguiente:
1. Deje activada la opción **Habilitar el despliegue directo de modelos de Canvas** para conceder a sus usuarios permisos para implementar sus modelos desde Canvas en un terminal de SageMaker IA. Para obtener más información sobre la implementación de modelos en Canvas, consulte [Implementación de sus modelos en un punto de conexión](canvas-deploy-model.md).
1. Deje activada la opción **Habilitar los permisos de registro de modelos para todos los usuarios** para que sus usuarios puedan registrar su versión de modelo en el registro de modelos de SageMaker IA (está activada de forma predeterminada). Para obtener más información, consulte [Registre una versión del modelo en el registro de modelos de IA SageMaker](canvas-register-model.md).
1. Si ha dejado activada la opción **Habilitar permisos de registro del registro de modelos para todos los usuarios**, seleccione **Registrar solo en el registro de modelos** o **Registrar y aprobar modelo en el registro de modelos**.
1. (Opcional) En la sección **Configuración de carga de archivos locales**, active la opción **Habilitar carga de archivos locales** para que los usuarios tengan permiso para cargar archivos a Canvas desde sus máquinas locales. Al activar esta opción, se asocia una política de intercambio de recursos entre orígenes (CORS) al bucket de Amazon S3 especificado en **Configuración de almacenamiento de Canvas** (y anula cualquier política de CORS existente). Para obtener más información sobre permisos de carga de archivos locales, consulte [Concesión a sus usuarios de permisos para cargar sus archivos de forma local](canvas-set-up-local-upload.md).
1. (Opcional) Para la sección de **OAuth configuración**, haga lo siguiente:
1. Seleccione **Añadir OAuth configuración**.
1. En **Origen de datos**, seleccione el origen de datos.
1. En **Configuración del secreto**, seleccione **Crear un nuevo secreto** e introduzca la información que tenga del proveedor de identidad. Si aún no ha realizado la OAuth configuración inicial con la fuente de datos, consulte[Configure las conexiones a las fuentes de datos con OAuth](canvas-setting-up-oauth.md).
1. (Opcional) Para la **configuración de Ready-to-use los modelos Canvas**, haga lo siguiente:
1. Deje activada la opción **Habilitar Ready-to-use modelos de Canvas** para dar a sus usuarios permisos para generar predicciones con Ready-to-use modelos en Canvas (está activada de forma predeterminada). Esta opción también le da permisos para chatear con modelos basados en IA generativa. Para obtener más información, consulte [Modelos básicos de IA generativa en Canvas SageMaker](canvas-fm-chat.md).
1. Deje activada la opción **Habilitar la consulta de documentos con Amazon Kendra** para conceder a sus usuarios permisos para utilizar modelos fundacionales para consultar documentos almacenados en un índice de Amazon Kendra. A continuación, en el menú desplegable, seleccione los índices existentes a los que desea conceder acceso. Para obtener más información, consulte [Modelos básicos de IA generativa en Canvas SageMaker](canvas-fm-chat.md).
1. En **Rol de Amazon Bedrock**, seleccione **Crear y usar un rol de ejecución nuevo** para crear un nuevo rol de ejecución de IAM que tenga una relación de confianza con Amazon Bedrock. Amazon Bedrock asume esta función de IAM para ajustar los modelos de lenguaje de gran tamaño () LLMs en Canvas. Si ya tiene un rol de ejecución con una relación de confianza, seleccione **Usar un rol de ejecución existente** y elija un rol en el menú desplegable. Para obtener más información sobre la configuración manual de los permisos para su propio rol de ejecución, consulte [Concesión de permisos a los usuarios para usar características de Amazon Bedrock e IA generativa en Canvas](canvas-fine-tuning-permissions.md).
1. Termine de configurar el resto de los ajustes del dominio mediante los procedimientos de [Usa una configuración personalizada para Amazon SageMaker AI](onboard-custom.md).
**nota**
Si tiene algún problema a la hora de conceder permisos a través de la consola, como los permisos para Ready-to-use modelos, consulte el tema. [Solución de problemas relacionados con la concesión de permisos a través de la consola de SageMaker IA](canvas-limits.md#canvas-troubleshoot-trusted-services)
Ahora debería tener un dominio de SageMaker IA configurado y todos los permisos de Canvas configurados.
Puede editar los permisos de Canvas para un dominio o un usuario específico después de la configuración inicial del dominio. La configuración de usuarios individuales anula la configuración del dominio. Para obtener información sobre cómo editar sus permisos de Canvas en la configuración del dominio, consulte [Edición de la configuración del dominio](domain-edit.md).
### Concederse permisos para usar funciones específicas en Canvas
La siguiente información describe los distintos permisos que puede conceder a un usuario de Canvas para permitir el uso de diversas características y funcionalidades de Canvas. Algunos de estos permisos se pueden conceder durante la configuración del dominio, pero otros requieren permisos o configuración adicionales. Consulte la información de permisos específicos de cada característica que desee habilitar:
+ **Carga de archivos locales.** Los permisos para la carga de archivos local están activados de forma predeterminada en los permisos básicos de Canvas al configurar su dominio. Si no puede cargar archivos locales de su máquina a SageMaker Canvas, puede adjuntar una política CORS al depósito de Amazon S3 que especificó en la configuración de almacenamiento de Canvas. Si permitió que SageMaker AI usara el depósito predeterminado, el depósito seguirá el patrón `s3://sagemaker-{Region}-{your-account-id}` de nomenclatura. Para obtener más información, consulte [Concesión a sus usuarios de permisos para cargar archivos locales](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-set-up-local-upload.html).
+ **Modelos personalizados de predicción de imágenes y textos.** Los permisos para la carga local de archivos están activados de forma predeterminada en los permisos básicos de Canvas al configurar su dominio. Sin embargo, si tiene una configuración de IAM personalizada y no quiere adjuntar la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)política a la función de ejecución de IAM de su usuario, debe concederle de forma explícita los permisos necesarios. Para obtener más información, consulte [Concesión de permisos a sus usuarios para crear modelos personalizados de predicción de imágenes y textos](canvas-set-up-cv-nlp.md).
+ **Ready-to-use modelos y modelos básicos.** Es posible que desee utilizar los Ready-to-use modelos de Canvas para hacer predicciones para sus datos. Con los permisos de los Ready-to-use modelos, también puede chatear con modelos generativos impulsados por IA. Los permisos están activados de forma predeterminada al configurar el dominio, o puede editar los permisos de un dominio que ya haya creado. La opción de permisos de Ready-to-use modelos de Canvas añade la política de [AmazonSageMakerCanvasAIServicesacceso a](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) su función de ejecución. Para obtener más información, consulte la [Introducción](canvas-ready-to-use-models.md#canvas-ready-to-use-get-started) sección de la documentación de Ready-to-use los modelos.
Para obtener más información sobre cómo comenzar a trabajar con los modelos fundacionales de IA generativa, consulte [Modelos básicos de IA generativa en Canvas SageMaker](canvas-fm-chat.md).
+ **Afine modelos fundacionales.** Si desea afinar modelos fundacionales en Canvas, puede agregar los permisos al configurar su dominio o editar los permisos del dominio o perfil de usuario después de crear el dominio. Debe añadir la política de [AmazonSageMakerCanvasAIServicesacceso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) a la función de AWS IAM que eligió al configurar el perfil de usuario y también debe añadir una relación de confianza con Amazon Bedrock a la función. Para obtener instrucciones sobre cómo agregar estos permisos a su rol de IAM, consulte [Concesión de permisos a los usuarios para usar características de Amazon Bedrock e IA generativa en Canvas](canvas-fine-tuning-permissions.md).
+ **Envíe las predicciones por lotes a Quick.** Es posible que desee [enviar *las predicciones por lotes*](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-predictions.html), o conjuntos de datos de predicciones que genere a partir de un modelo personalizado, a Quick para su análisis. En [QuickSight](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html), puede crear y publicar paneles predictivos con los resultados de sus predicciones. Para obtener instrucciones sobre cómo agregar estos permisos a la función de IAM de su usuario de Canvas, consulte [Otorgue a sus usuarios permisos para enviar predicciones a Quick](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-quicksight-permissions.html).
+ **Implemente modelos de Canvas en un punto final de SageMaker IA.** SageMaker AI Hosting ofrece *puntos finales* que puede utilizar para implementar su modelo y usarlo en producción. Puede implementar modelos creados en Canvas en un punto final de SageMaker IA y, luego, hacer predicciones mediante programación en un entorno de producción. Para obtener más información, consulte [Implementación de sus modelos en un punto de conexión](canvas-deploy-model.md).
+ **Registro de versiones de modelos en el registro de modelos.** Es posible que desee registrar *las versiones* de su modelo en el [registro de modelos de SageMaker IA](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html), que es un repositorio para rastrear el estado de las versiones actualizadas de su modelo. Un científico de datos o un MLOps equipo que trabaje en el Registro de SageMaker modelos puede ver las versiones del modelo que haya creado y aprobarlas o rechazarlas. Luego, se puede implementar la versión de su modelo en producción o iniciar un flujo de trabajo automatizado. Los permisos de registro de modelos están activados de forma predeterminada para su dominio. Puede administrar los permisos en el nivel del perfil de usuario y conceder o eliminar permisos a usuarios específicos. Para obtener más información, consulte [Registre una versión del modelo en el registro de modelos de IA SageMaker](canvas-register-model.md).
+ **Importación de datos de Amazon Redshift** Si desea importar datos de Amazon Redshift, debe concederse permisos adicionales. Debe añadir la política `AmazonRedshiftFullAccess` gestionada a la función de AWS IAM que eligió al configurar el perfil de usuario. Para obtener instrucciones sobre cómo agregar la política al rol, consulte [Concesión a los usuarios de permisos para importar datos de Amazon Redshift](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-redshift-permissions.html).
**nota**
Los permisos necesarios para importar a través de otras fuentes de datos, como Amazon Athena y las plataformas SaaS, se incluyen en las políticas y. [AmazonSageMakerFullAccess[AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html) Si ha seguido las instrucciones de configuración estándares, estas políticas ya deberían estar asociadas a su función de ejecución. Para obtener más información acerca de estos orígenes de datos y sus permisos, consulte [Conexión con orígenes de datos](canvas-connecting-external.md).
## Paso 1: Inicie sesión en Canvas SageMaker
Cuando se complete la configuración inicial, podrá acceder a SageMaker Canvas con cualquiera de los siguientes métodos, según su caso de uso:
+ En la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker/), elige **Canvas** en el panel de navegación izquierdo. A continuación, en la página de **Canvas**, seleccione su usuario en el menú desplegable e inicie la aplicación de Canvas.
+ Abre [SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html) y, en la interfaz de Studio, ve a la página de Canvas e inicia la aplicación Canvas.
+ Utilice los métodos de inicio de sesión único basados en SAML 2.0 de su organización, como Okta o Centro de identidades de IAM.
Cuando inicia sesión en SageMaker Canvas por primera vez, la SageMaker IA crea la aplicación y un *espacio* de SageMaker IA para usted. Los datos de la aplicación de Canvas se almacenan en el espacio. Para obtener más información sobre espacios, consulte [Colaboración con espacios compartidos](domain-space.md). El espacio consta de las aplicaciones de su perfil de usuario y un directorio compartido para todos los datos de sus aplicaciones. Si no desea utilizar el espacio predeterminado creado por la SageMaker IA y prefiere crear su propio espacio para almacenar los datos de la aplicación, consulte la página[Guarde los datos de las aplicaciones de SageMaker Canvas en su propio espacio de IA SageMaker](canvas-spaces-setup.md).
## Paso 2: Usa SageMaker Canvas para obtener predicciones
Después de iniciar sesión en Canvas, puede empezar a crear modelos y generar predicciones para sus datos.
Puede usar Ready-to-use los modelos de Canvas para hacer predicciones sin crear un modelo, o puede crear un modelo personalizado para su problema empresarial específico. Revise la siguiente información para decidir si Ready-to-use los modelos o los modelos personalizados son los mejores para su caso de uso.
+ **Ready-to-use modelos.** Con Ready-to-use los modelos, puede usar modelos prediseñados para extraer información de sus datos. Los Ready-to-use modelos cubren una variedad de casos de uso, como la detección del idioma y el análisis de documentos. Para empezar a hacer predicciones con Ready-to-use modelos, consulte[Ready-to-use modelos](canvas-ready-to-use-models.md).
+ **Modelos personalizados.** Con los modelos personalizados, puede crear una variedad de tipos de modelos que se personalizan para realizar predicciones para sus datos. Utilice modelos personalizados si desea crear un modelo que se entrene con datos específicos de su empresa y si desea utilizar características como la [evaluación del rendimiento de su modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html). Para empezar a crear un modelo personalizado, consulte [Modelos personalizados](canvas-custom-models.md).
# Tutorial: Cree un flujo de trabajo end-to-end de aprendizaje automático en SageMaker Canvas
Este tutorial le guía a través de un flujo de trabajo de aprendizaje end-to-end automático (ML) con Amazon SageMaker Canvas. SageMaker Canvas es una interfaz visual sin código que puede usar para preparar datos y entrenar e implementar modelos de aprendizaje automático. En el tutorial se utiliza un conjunto de datos de taxis de Nueva York para entrenar un modelo que prediga el importe de un recorrido determinado. Obtendrá experiencia práctica en tareas clave del aprendizaje automático, como evaluar la calidad de los datos y abordar los problemas relacionados con los datos, dividir los datos en conjuntos de entrenamiento y prueba, entrenar y evaluar modelos, hacer predicciones e implementar su modelo entrenado, todo ello desde la aplicación Canvas. SageMaker
**importante**
En este tutorial se supone que usted o su administrador han creado una cuenta. AWS Para obtener información sobre cómo crear una AWS cuenta, consulte [Primeros pasos: ¿es la primera vez que lo AWS usa?](https://docs.aws.amazon.com/accounts/latest/reference/welcome-first-time-user.html)
## Configuración
Un dominio de Amazon SageMaker AI es un lugar centralizado para gestionar todos los entornos y recursos de Amazon SageMaker AI. Un dominio actúa como un límite virtual para su trabajo en el ámbito de la SageMaker IA, ya que proporciona aislamiento y control de acceso a sus recursos de aprendizaje automático (ML).
Para empezar a utilizar Amazon SageMaker Canvas, usted o su administrador deben ir a la consola de SageMaker IA y crear un dominio de Amazon SageMaker AI. Un dominio tiene los recursos de almacenamiento y computación necesarios para ejecutar SageMaker Canvas. Dentro del dominio, puede configurar SageMaker Canvas para acceder a sus buckets de Amazon S3 e implementar modelos. Utilice el siguiente procedimiento para configurar un dominio rápido y crear una aplicación de SageMaker Canvas.
**Para configurar SageMaker Canvas**
1. Navegue hasta la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker).
1. En la barra de navegación de la izquierda, selecciona SageMaker Canvas.
1. Elige **Crear un dominio de SageMaker IA**.
1. Elija **Configurar**. El dominio puede tardar unos minutos en configurarse.
En el procedimiento anterior se ha utilizado una configuración rápida del dominio. Puede realizar una configuración avanzada para controlar todos los aspectos de la configuración de la cuenta, incluidos permisos, integraciones y cifrado. Para obtener más información sobre una configuración personalizada, consulte [Usa una configuración personalizada para Amazon SageMaker AI](onboard-custom.md).
De forma predeterminada, la configuración rápida del dominio proporciona permisos para implementar modelos. Si tiene permisos personalizados configurados a través de un dominio estándar y necesita conceder manualmente permisos de implementación del modelo, consulte [Administración de permisos](canvas-deploy-model.md#canvas-deploy-model-prereqs).
## Creación de flujos
Amazon SageMaker Canvas es una plataforma de aprendizaje automático que permite a los usuarios crear, entrenar e implementar modelos de aprendizaje automático sin necesidad de una amplia experiencia en programación o aprendizaje automático. Una de las potentes funciones de Amazon SageMaker Canvas es la capacidad de importar y trabajar con conjuntos de datos de gran tamaño de diversas fuentes, como Amazon S3.
En este tutorial, utilizamos el conjunto de datos de taxis de Nueva York para predecir el importe de la tarifa de cada viaje mediante un flujo de datos de Amazon SageMaker Canvas Data Wrangler. El siguiente procedimiento describe los pasos para importar una versión modificada del conjunto de datos de taxis de Nueva York a un flujo de datos.
**nota**
Para mejorar el procesamiento, SageMaker Canvas importa una muestra de sus datos. De forma predeterminada, toma muestras aleatorias de 50 000 filas.
**Importación del conjunto de datos de taxis de Nueva York**
1. En la página de inicio de SageMaker Canvas, elige **Data Wrangler**.
1. Elija **Importar datos**.
1. Seleccione **Tabular**.
1. Elija la caja de herramientas situada junto al origen de datos.
1. Seleccione **Amazon S3** en el menú desplegable.
1. Para **Punto de conexión S3 de entrada**, especifique `s3://amazon-sagemaker-data-wrangler-documentation-artifacts/canvas-single-file-nyc-taxi-dataset.csv`
1. Elija **Ir**.
1. Seleccione la casilla de verificación junto al conjunto de datos.
1. Elija **Vista previa de datos**.
1. Seleccione **Save**.
## Informe de información y calidad de datos 1 (ejemplo)
Tras importar un conjunto de datos a Amazon SageMaker Canvas, puede generar un informe de información y calidad de los datos a partir de una muestra de los datos. Utilícelo para proporcionar información valiosa sobre el conjunto de datos. El informe hace lo siguiente:
+ Evalúa la integridad del conjunto de datos
+ Identifica los valores omitidos y atípicos
Puede identificar otros posibles problemas que pueden afectar al rendimiento del modelo. También evalúa el poder predictivo de cada característica en relación con la variable objetivo, lo que le permite identificar las características más relevantes para el problema que está intentando resolver.
Podemos utilizar la información del informe para predecir el importe del recorrido. Si especifica la columna **Importe del recorrido** como variable objetivo y selecciona **Regresión** como tipo de problema, el informe analizará la idoneidad del conjunto de datos para predecir valores continuos, como precios de recorridos. El informe debería revelar que características como **year** y **hour\$1of\$1day** tienen un bajo poder predictivo para la variable objetivo elegida, lo que le proporcionará información valiosa.
Siga este procedimiento para obtener un informe de información y calidad de los datos sobre una muestra de 50 000 filas del conjunto de datos.
**Obtención de un informe sobre una muestra**
1. Seleccione **Obtener información sobre los datos** en la ventana emergente situada junto al nodo **Tipos de datos**.
1. En **Nombre del análisis**, especifique un nombre para el informe.
1. En **Tipo de problema**, seleccione **Regresión**.
1. En **Columna de destino**, seleccione **Importe del recorrido**.
1. Seleccione **Crear**.
Puede revisar el informe de información y calidad de los datos sobre una muestra de sus datos. El informe indica que las características **year** y **hour\$1of\$1day** no predicen la variable objetivo, **Importe del recorrido**.
En la parte superior de la navegación, elija el nombre del flujo de datos para volver a él.
## Indique el año y la hora del día
Estamos utilizando información del informe para quitar las columnas **year** y **hour\$1of\$1day** a fin de optimizar el espacio de características y, potencialmente, mejorar el rendimiento del modelo.
Amazon SageMaker Canvas proporciona una interfaz y herramientas fáciles de usar para realizar dichas transformaciones de datos.
Utilice el siguiente procedimiento para eliminar las columnas **year** y **hour\$1of\$1day** del conjunto de datos de taxis de Nueva York mediante la herramienta Data Wrangler de Amazon Canvas. SageMaker
1. Elija el icono situado junto a **Tipos de datos**.
1. Seleccione **Agregar paso**.
1. En la barra de búsqueda, escriba **Quitar columna**.
1. Seleccione **Administrar columnas**.
1. Seleccione **Quitar columna**.
1. En **Columnas a quitar**, seleccione las columnas **year** y **hour\$1of\$1day**.
1. Seleccione **Vista previa** para ver cómo cambia los datos la transformación.
1. Elija **Añadir**.
Puede usar el procedimiento anterior como base para agregar todas las demás transformaciones en Canvas. SageMaker
## Informe de información y calidad de los datos 2 (conjunto de datos completo)
Para el informe de información anterior hemos utilizado una muestra del conjunto de datos de taxis de Nueva York. Para el segundo informe realizamos un análisis exhaustivo de todo el conjunto de datos para identificar los posibles problemas que afectan al rendimiento del modelo.
Siga este procedimiento para crear un informe de información y calidad de los datos sobre un conjunto de datos completo.
**Obtención de un informe sobre todo el conjunto de datos**
1. Elija el icono situado junto al nodo **Quitar columnas**.
1. Elija **Obtener información sobre los datos**.
1. En **Nombre del análisis**, especifique un nombre para el informe.
1. En **Tipo de problema**, seleccione **Regresión**.
1. En **Columna de destino**, seleccione **Importe del recorrido**.
1. En **Tamaño de datos**, seleccione **Conjunto de datos completo**.
1. Seleccione **Crear**.
Esta es una imagen del informe de información:
![\[Filas duplicadas, objetivo sesgado y puntuación muy baja del modelo rápido aparecen como insightsP\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/canvas-tutorial-dqi-insights.png)
Se muestran los problemas siguientes:
+ Filas duplicadas
+ Objetivo sesgado
Las filas duplicadas pueden provocar fuga de datos, ya que el modelo queda expuesto a los mismos datos durante el entrenamiento y las pruebas. Pueden producir métricas de rendimiento demasiado optimistas. Al eliminar filas duplicadas, se garantiza que el modelo se entrene con instancias únicas, lo que reduce el riesgo de fuga de datos y mejora la capacidad del modelo para generalizar.
Una distribución sesgada de las variables objetivo, en este caso, la columna del **Importe del recorrido**, puede dar lugar a clases desequilibradas, y el modelo podría sesgarse hacia la clase mayoritaria. Esto puede provocar un bajo rendimiento en las clases minoritarias, lo que resulta particularmente problemático en escenarios en los que es importante predecir con precisión instancias poco frecuentes o infrarrepresentados.
## Solución de problemas de calidad de los datos
Para abordar estos problemas y preparar el conjunto de datos para el modelado, puede buscar las siguientes transformaciones y aplicarlas:
1. Quite los duplicados mediante la transformación **Administrar filas**.
1. **Controle los valores atípicos** en la columna **Importe del recorrido** utilizando los **Valores atípicos numéricos de desviación estándar robusta**.
1. **Gestione valores atípicos** en las columnas **Distancia del recorrido** y **Duración del recorrido** utilizando los **Valores atípicos numéricos de desviación estándar**.
1. Use la **Codificación categórica** para codificar las columnas **Id. de código de importe**, **Tipo de pago**, **Indicador adicional** e **Indicador de peaje** como flotantes.
Si no está seguro de cómo aplicar una transformación, consulte [Indique el año y la hora del día](#canvas-tutorial-drop-year-and-hour-of-day).
Al abordar estos problemas de calidad de los datos y aplicar las transformaciones adecuadas, puede mejorar la idoneidad del conjunto de datos para modelado.
## Verificación de la calidad de los datos y la exactitud del modelo rápido
Tras aplicar las transformaciones para abordar problemas de calidad de los datos, como eliminación de filas duplicadas, creamos nuestro informe final de información y calidad de los datos. Este informe ayuda a comprobar que las transformaciones aplicadas han resuelto los problemas y que el conjunto de datos se encuentra ahora en un estado adecuado para el modelado.
Al revisar el informe final de información y calidad de los datos es de esperar que no se detecte ningún problema importante en la calidad de los datos. El informe debería indicar que:
+ La variable objetivo ya no está sesgada
+ No hay valores atípicos ni filas duplicadas
Además, el informe debe proporcionar una puntuación del modelo rápido basada en un modelo entrenado de referencia en el conjunto de datos transformado. Esta puntuación sirve de indicador inicial de la exactitud y el rendimiento potenciales del modelo.
Siga este procedimiento para crear el informe de información y calidad de los datos.
**Creación del informe de información y calidad de los datos**
1. Elija el icono situado junto al nodo **Quitar columnas**.
1. Elija **Obtener información sobre los datos**.
1. En **Nombre del análisis**, especifique un nombre para el informe.
1. En **Tipo de problema**, seleccione **Regresión**.
1. En **Columna de destino**, seleccione **Importe del recorrido**.
1. En **Tamaño de datos**, seleccione **Conjunto de datos completo**.
1. Seleccione **Crear**.
## División de los datos en conjuntos de entrenamiento y prueba.
Para entrenar un modelo y evaluar su rendimiento, utilizamos la transformación de **Dividir datos** para dividir los datos en conjuntos de entrenamiento y prueba.
De forma predeterminada, SageMaker Canvas usa una división aleatoria, pero también puede usar los siguientes tipos de divisiones:
+ Ordenada
+ Estratificada
+ División por clave
Puede cambiar el **Porcentaje de división** o añadir divisiones.
En este tutorial, utilice la configuración predeterminada en la división. Debe hacer doble clic en el conjunto de datos para ver su nombre. El conjunto de datos de entrenamiento tiene el nombre **Conjunto de datos (entrenamiento)**.
Junto al nodo de **Codificación ordinal**, aplique la transformación **Dividir datos**.
## Entrenamiento del modelo
Después de dividir los datos, puede entrenar un modelo. Este modelo aprende de los patrones de los datos. Puede usarlo para hacer predicciones o descubrir información.
SageMaker Canvas tiene compilaciones rápidas y compilaciones estándar. Utilice una compilación estándar para entrenar el modelo con mejor rendimiento sobre los datos.
Antes de empezar a entrenar un modelo, primero debe exportar el conjunto de datos de entrenamiento como un conjunto de datos de SageMaker Canvas.
**Importación del conjuntos de datos**
1. Junto al nodo del conjunto de datos de entrenamiento, elija el icono y seleccione **Exportar**.
1. Seleccione el **conjunto de datos de SageMaker Canvas**.
1. Elija **Exportar** para exportar el conjunto de datos.
Después de crear un conjunto de datos, puede entrenar un modelo en el conjunto de datos de SageMaker Canvas que ha creado. Para obtener más información sobre el entrenamiento de un modelo, consulte [Creación de un modelo de predicción numérica o categórica personalizado](canvas-build-model-how-to.md#canvas-build-model-numeric-categorical).
## Evaluación del modelo y predicciones
Después de entrenar el modelo de machine learning, es fundamental evaluar su rendimiento para garantizar que cumpla sus requisitos y funcione bien con datos no vistos. Amazon SageMaker Canvas proporciona una interfaz fácil de usar para evaluar la precisión del modelo, revisar sus predicciones y obtener información sobre sus puntos fuertes y débiles. Puede utilizar la información obtenida para tomar decisiones informadas sobre su implementación y las posibles áreas de mejora.
Siga este procedimiento para evaluar un modelo antes de implementarlo.
**Para evaluar un modelo**
1. Seleccione **Mis modelos**.
1. Elija el modelo que ha creado.
1. En **Versiones**, seleccione la versión correspondiente al modelo.
Ahora puede ver las métricas de evaluación del modelo.
Después de crear el modelo, puede hacer predicciones a partir de nuevos datos. Estamos usando el conjunto de datos de prueba que hemos creado.
Para usar el conjunto de datos de prueba para las predicciones, debemos convertirlo en un conjunto de datos de SageMaker Canvas. El conjunto de datos de SageMaker Canvas está en un formato que el modelo puede interpretar.
Utilice el siguiente procedimiento para crear un conjunto de datos de SageMaker Canvas a partir del conjunto de datos de prueba.
**Para crear un conjunto de datos de SageMaker Canvas**
1. Junto al **Conjunto de datos (prueba)**, elija el icono de radio.
1. Seleccione **Exportar**.
1. Seleccione el **conjunto de datos de SageMaker Canvas**.
1. En **Nombre del conjunto de datos**, especifique el nombre del conjunto de datos.
1. Seleccione **Exportar**.
Siga este procedimiento para hacer predicciones. Se da por sentado que todavía se encuentra en la página **Analizar**.
**Predicciones sobre el conjunto de datos de prueba**
1. Elija **Predecir**.
1. Elija **Manual**.
1. Seleccione el conjunto de datos que ha exportado.
1. Elija **Generar predicciones**.
1. Cuando SageMaker Canvas haya terminado de generar predicciones, selecciona el icono situado a la derecha del conjunto de datos.
1. Seleccione **Vista previa** para ver las predicciones.
## Implementación de un modelo
Una vez evaluado el modelo, puede implementarlo en un punto de conexión. Puede enviar solicitudes al punto de conexión para obtener predicciones.
Siga este procedimiento para implementar un modelo. Se da por sentado que todavía se encuentra en la página **Predecir**.
**Implementación de un modelo**
1. Elija **Implementar**.
1. Elija **Crear implementación**.
1. Elija **Implementar**.
## Limpieza
Ha completado correctamente el tutorial. Para evitar incurrir en cargos adicionales, elimine los recursos que ya no utilice.
Utilice el procedimiento siguiente para eliminar el punto de conexión que ha creado. Se da por sentado que todavía se encuentra en la página **Implementar**.
**Para eliminar un punto de conexión**
1. Seleccione el botón de opción situado a la derecha de la implementación.
1. Seleccione **Eliminar implementación**.
1. Elija **Eliminar**.
Después de eliminar la implementación, elimine los conjuntos de datos que creó en SageMaker Canvas. Siga este procedimiento para eliminar los conjuntos de datos.
**Eliminación de los conjuntos de datos**
1. En el panel de navegación izquierdo, elija **Conjuntos de datos**.
1. Seleccione el conjunto de datos que ha analizado y el conjunto de datos sintético utilizado para predicciones.
1. Elija **Eliminar**.
Para evitar incurrir en cargos adicionales, debe cerrar sesión en Canvas. SageMaker Para obtener más información, consulte [Cerrar sesión en Amazon SageMaker Canvas](canvas-log-out.md).
# Administración de permisos y configuración de Amazon SageMaker Canvas (para administradores de TI)
En las siguientes páginas se explica cómo los administradores de TI pueden configurar Amazon SageMaker Canvas y conceder permisos a los usuarios de sus organizaciones. Aprenderá a configurar el almacenamiento, gestionar el cifrado de datos y controlar el acceso a funciones específicas VPCs, como los modelos básicos de IA generativa, a integrarse con otros AWS servicios, como Amazon Redshift, y mucho más. Si sigue estos pasos, puede personalizar SageMaker Canvas para sus usuarios en función de los requisitos específicos de su organización.
También puede configurar SageMaker Canvas para sus usuarios con AWS CloudFormation. Para obtener más información, consulte [AWS:: SageMaker AI: :App](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/aws-resource-sagemaker-app.html) en la *Guía del AWS CloudFormation usuario*.
**Topics**
+ [Concesión a sus usuarios de permisos para cargar sus archivos de forma local](canvas-set-up-local-upload.md)
+ [Configure SageMaker Canvas para sus usuarios](setting-up-canvas-sso.md)
+ [Configurar el almacenamiento de Amazon S3](canvas-storage-configuration.md)
+ [Concesión de permisos para el almacenamiento de Amazon S3 entre cuentas](canvas-permissions-cross-account.md)
+ [Concesión de permisos a los usuarios para usar datos de gran tamaño durante todo el ciclo de vida de ML](canvas-large-data-permissions.md)
+ [Cifre sus datos de SageMaker Canvas con AWS KMS](canvas-kms.md)
+ [Guarde los datos de las aplicaciones de SageMaker Canvas en su propio espacio de IA SageMaker](canvas-spaces-setup.md)
+ [Concesión de permisos a sus usuarios para crear modelos personalizados de predicción de imágenes y textos](canvas-set-up-cv-nlp.md)
+ [Concesión de permisos a los usuarios para usar características de Amazon Bedrock e IA generativa en Canvas](canvas-fine-tuning-permissions.md)
+ [Actualice SageMaker Canvas para sus usuarios](canvas-update.md)
+ [Solicitud de un aumento de cuota](canvas-requesting-quota-increases.md)
+ [Concesión a los usuarios de permisos para importar datos de Amazon Redshift](canvas-redshift-permissions.md)
+ [Otorgue a sus usuarios permisos para enviar predicciones a Quick](canvas-quicksight-permissions.md)
+ [Administración de aplicaciones](canvas-manage-apps.md)
+ [Configurar Amazon SageMaker Canvas en una VPC sin acceso a Internet](canvas-vpc.md)
+ [Configure las conexiones a las fuentes de datos con OAuth](canvas-setting-up-oauth.md)
# Concesión a sus usuarios de permisos para cargar sus archivos de forma local
Si sus usuarios están cargando archivos desde sus máquinas locales a SageMaker Canvas, debe adjuntar una configuración CORS (intercambio de recursos de origen cruzado) al bucket de Amazon S3 que estén utilizando. Al configurar o editar el dominio o el perfil de usuario de SageMaker AI, puede especificar una ubicación de Amazon S3 personalizada o la ubicación predeterminada, que es un bucket de Amazon S3 creado por SageMaker IA con un nombre que utiliza el siguiente patrón:`s3://sagemaker-{Region}-{your-account-id}`. SageMaker Canvas añade los datos de sus usuarios al depósito cada vez que suben un archivo.
Para conceder a los usuarios permisos para cargar archivos locales en el bucket, puede asociar una configuración de CORS mediante uno de los siguientes procedimientos. Puedes usar el primer método al editar la configuración de tu dominio, en el que puedes permitir que SageMaker AI adjunte la configuración del CORS al depósito por ti. También puede utilizar el primer método para editar un perfil de usuario dentro de un dominio. El segundo método es el manual, en el que puede asociar usted mismo la configuración de CORS al bucket.
## SageMaker Método de configuración del dominio de AI
Para conceder a sus usuarios permisos para cargar archivos locales, puede editar la configuración de la aplicación de Canvas en la configuración del dominio. Esto adjunta una configuración de uso compartido de recursos entre orígenes (CORS) al depósito Amazon S3 de la configuración de almacenamiento de Canvas y otorga a todos los usuarios del dominio permiso para cargar archivos locales en Canvas. SageMaker De forma predeterminada, la opción de permisos está activada al configurar un nuevo dominio, pero puede activarla y desactivarla según sea necesario.
**nota**
Si tiene una configuración de CORS existente en el bucket de Amazon S3 de configuración de almacenamiento, al activar la opción de carga de archivos locales sobrescribe la configuración existente con la nueva configuración.
El siguiente procedimiento muestra cómo puede activar esta opción editando la configuración del dominio en la SageMaker consola AI.
1. Ve a la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Dominios**.
1. En la lista de dominios, seleccione su dominio.
1. En la página de detalles del dominio, elija la pestaña **Configuraciones de aplicaciones**.
1. Vaya a la sección **Canvas** y seleccione **Editar**.
1. Active el conmutador **Habilitar carga de archivos locales**. Se asociará la configuración de CORS y se otorgarán permisos de carga de archivos locales.
1. Seleccione **Enviar**.
Los usuarios del dominio especificado ahora deberían tener permisos de carga de archivos locales.
También puede conceder permisos a perfiles de usuario específicos en un dominio siguiendo el procedimiento anterior y accediendo a la configuración del perfil de usuario en lugar de la configuración general del dominio.
## Método con bucket de Amazon S3
Si desea adjuntar manualmente la configuración de CORS al bucket de Amazon S3 de SageMaker AI, utilice el siguiente procedimiento.
1. Inicie sesión en [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/).
1. Seleccione el bucket. Si su dominio usa el bucket predeterminado creado por SageMaker AI, el nombre del bucket usa el siguiente patrón:`s3://sagemaker-{Region}-{your-account-id}`.
1. Elija **Permisos**.
1. Vaya a **Uso compartido de recursos entre orígenes (CORS)**.
1. Elija **Editar**.
1. Añada la política de CORS siguiente.
```
[
{
"AllowedHeaders": [
"*"
],
"AllowedMethods": [
"POST"
],
"AllowedOrigins": [
"*"
],
"ExposeHeaders": []
}
]
```
1. Seleccione **Save changes (Guardar cambios)**.
En el procedimiento anterior, la política de CORS debe tener `"POST"` enumerado bajo `AllowedMethods`.
Una vez realizado el procedimiento, debería tener:
+ Un rol de IAM asignado a cada uno de sus usuarios.
+ Permisos de tiempo de ejecución de Amazon SageMaker Studio Classic para cada uno de sus usuarios. SageMaker Canvas usa Studio Classic para ejecutar los comandos de sus usuarios.
+ Si los usuarios cargan archivos desde sus máquinas locales, se asocia una política de CORS a su bucket de Amazon S3.
Si sus usuarios siguen sin poder cargar los archivos locales después de actualizar la política de CORS, es posible que el navegador esté almacenando en caché la configuración de CORS de un intento de carga anterior. Si tienen problemas, pídales que borren la memoria caché del navegador y que lo intenten de nuevo.
# Configure SageMaker Canvas para sus usuarios
Para configurar Amazon SageMaker Canvas, haz lo siguiente:
+ Crea un dominio de Amazon SageMaker AI.
+ Creación de perfiles de usuario para el dominio
+ Configure el inicio de sesión único de Okta (SSO de Okta) para sus usuarios.
+ Active el uso compartido de enlaces para los modelos.
Utilice el inicio de sesión único de Okta (Okta SSO) para conceder a sus usuarios acceso a Amazon Canvas. SageMaker SageMaker Canvas admite los métodos de SSO de SAML 2.0. Las siguientes secciones le guían por los procedimientos para configurar el SSO de Okta.
Para configurar un dominio, consulte [Usa una configuración personalizada para Amazon SageMaker AI](onboard-custom.md) y siga las instrucciones para configurar su dominio mediante la autenticación de IAM. Puede utilizar la siguiente información como ayuda para completar el procedimiento de la sección:
+ Puede omitir el paso relativo a la creación de proyectos.
+ No es necesario proporcionar acceso a buckets de Amazon S3 adicionales. Sus usuarios pueden usar el bucket predeterminado que proporcionamos cuando creamos un rol.
+ Para permitir que sus usuarios puedan compartir sus cuadernos con los científicos de datos, active la **Configuración de uso compartido del bloc de notas**.
+ Utilice Amazon SageMaker Studio Classic, versión 3.19.0 o posterior. Para obtener información sobre la actualización de Amazon SageMaker Studio Classic, consulte[Cierre y actualice Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
Utilice el siguiente procedimiento para configurar Okta. Para todos los procedimientos siguientes, especifique el mismo rol de IAM para `IAM-role`.
## Añada la aplicación SageMaker Canvas a Okta
Configure el método de inicio de sesión para Okta.
1. Inicia sesión en el panel de administración de Okta.
1. Elija **Agregar aplicación**. Busque **Federación de cuentas de AWS **.
1. Elija **Añadir**.
1. Opcional: cambia el nombre a **Amazon SageMaker Canvas**.
1. Elija **Siguiente**.
1. Seleccione **SAML 2.0** como método de **Inicio de sesión**.
1. Seleccione **Metadatos de proveedor de identidades** para abrir el archivo XML de metadatos. Guarde el archivo localmente.
1. Seleccione **Listo**.
## Configure la federación de identificadores en IAM
AWS Identity and Access Management (IAM) es el AWS servicio que utiliza para acceder a su AWS cuenta. Puedes acceder a él a AWS través de una cuenta de IAM.
1. Inicia sesión en la AWS consola.
1. Elija **AWS Identity and Access Management (IAM)**.
1. Elija **Proveedores de identidades**.
1. Elija **Crear proveedor**.
1. En **Configurar proveedor**, especifique lo siguiente:
+ **Tipo de proveedor**: en la lista desplegable, elija **SAML**.
+ **Nombre del proveedor**: especifique **Okta**.
+ **Documento de metadatos**: cargue el documento XML que ha guardado localmente en el paso 7 de [Añada la aplicación SageMaker Canvas a Okta](#canvas-set-up-okta).
1. Busque su proveedor de identidades en **Proveedores de identidades**. Copie su valor de **ARN de proveedor**.
1. Para **Roles**, elija el rol de IAM que vaya a utilizar para acceder al SSO de Okta.
1. En la pestaña **Relaciones de confianza** para el rol de IAM, seleccione **Editar relación de confianza**.
1. Modifique la política de relaciones de confianza de IAM especificando el valor del **ARN del proveedor** que ha copiado y agregue la siguiente política:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Federated": "arn:aws:iam::111122223333:saml-provider/Okta"
},
"Action": [
"sts:AssumeRoleWithSAML",
"sts:TagSession"
],
"Condition": {
"StringEquals": {
"SAML:aud": "https://signin.aws.amazon.com/saml"
}
}
},
{
"Effect": "Allow",
"Principal": {
"Federated": "arn:aws:iam::111122223333:saml-provider/Okta"
},
"Action": [
"sts:SetSourceIdentity"
]
}
]
}
```
------
1. En **Permisos**, agregue la siguiente política:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AmazonSageMakerPresignedUrlPolicy",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "*"
}
]
}
```
------
## Configura SageMaker Canvas en Okta
Configure Amazon SageMaker Canvas en Okta mediante el siguiente procedimiento.
Para configurar Amazon SageMaker Canvas para usar Okta, sigue los pasos de esta sección. Debe especificar nombres de usuario únicos para cada **SageMakerStudioProfileName**campo. Por ejemplo, puede utilizar `user.login` como valor. Si el nombre de usuario es diferente del nombre del perfil de SageMaker Canvas, elija un atributo de identificación única diferente. Por ejemplo, puede usar el número de identificación de un empleado como nombre de perfil.
Para ver un ejemplo de los valores que puede configurar para los **Atributos**, consulte el código que sigue al procedimiento.
1. En **Directorio**, seleccione **Grupos**.
1. Agregue un grupo con el siguiente patrón: `sagemaker#canvas#IAM-role#AWS-account-id`.
1. En Okta, abra la configuración de integración de la aplicación de **Federación de cuentas de AWS **.
1. Seleccione **Iniciar sesión en** la aplicación AWS Account Federation.
1. Elija **Editar** y especifique lo siguiente:
+ SAML 2.0
+ **Estado de retransmisión predeterminado**: https://*Region*.console.aws.amazon. com/sagemaker/home? región= *Region* \$1/studio/canvas/open. *StudioId* Puedes encontrar el ID de Studio Classic en la consola: [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)
1. Seleccione **Atributos**.
1. En los **SageMakerStudioProfileName**campos, especifique valores únicos para cada nombre de usuario. Los nombres de usuario deben coincidir con los nombres de usuario que haya creado en la consola de AWS .
```
Attribute 1:
Name: https://aws.amazon.com/SAML/Attributes/PrincipalTag:SageMakerStudioUserProfileName
Value: ${user.login}
Attribute 2:
Name: https://aws.amazon.com/SAML/Attributes/TransitiveTagKeys
Value: {"SageMakerStudioUserProfileName"}
```
1. Seleccione el **Tipo de entorno**. Elija ** AWS normal**.
+ Si su tipo de entorno no aparece en la lista, puede configurar la URL de ACS en el campo **URL de ACS**. Si su tipo de entorno aparece en la lista, no es necesario que introduzca la URL de ACS
1. Para el **ARN del proveedor de identidades**, especifique el ARN que utilizó en el paso 6 del procedimiento anterior.
1. Especifique una **Duración de sesión**.
1. Elija **Unir todos los roles**.
1. Active **Usar mapeo de grupos** especificando los siguientes campos:
+ **Filtro de aplicaciones**: `okta`
+ **Filtro de grupo**: `^aws\#\S+\#(?IAM-role[\w\-]+)\#(?accountid\d+)$`
+ **Patrón de valores de rol**: `arn:aws:iam::$accountid:saml-provider/Okta,arn:aws:iam::$accountid:role/IAM-role`
1. Seleccione **Guardar/Siguiente**.
1. En **Asignaciones**, asigne la aplicación al grupo que ha creado.
## Agregar políticas opcionales sobre el control de acceso en IAM
En IAM, puede aplicar la siguiente política al usuario administrador que crea los perfiles de usuario.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "CreateSageMakerStudioUserProfilePolicy",
"Effect": "Allow",
"Action": "sagemaker:CreateUserProfile",
"Resource": "*",
"Condition": {
"ForAnyValue:StringEquals": {
"aws:TagKeys": [
"studiouserid"
]
}
}
}
]
}
```
------
Si decide agregar la política anterior al usuario administrador, debe utilizar los siguientes permisos de[Configure la federación de identificadores en IAM](#set-up-id-federation-IAM).
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AmazonSageMakerPresignedUrlPolicy",
"Effect": "Allow",
"Action": [
"sagemaker:CreatePresignedDomainUrl"
],
"Resource": "*",
"Condition": {
"StringEquals": {
"sagemaker:ResourceTag/studiouserid": "${aws:PrincipalTag/SageMakerStudioUserProfileName}"
}
}
}
]
}
```
------
# Configurar el almacenamiento de Amazon S3
Al configurar la aplicación SageMaker Canvas, la ubicación de almacenamiento predeterminada para los artefactos del modelo, los conjuntos de datos y otros datos de la aplicación es un depósito de Amazon S3 que crea Canvas. Este bucket predeterminado de Amazon S3 sigue el patrón de nomenclatura `s3://sagemaker-{Region}-{your-account-id}` y existe en la misma región que su aplicación de Canvas. Sin embargo, puede personalizar la ubicación de almacenamiento y especificar su propio bucket de Amazon S3 para almacenar los datos de la aplicación de Canvas. Es posible que desee utilizar su propio bucket de Amazon S3 para almacenar los datos de las aplicaciones por alguna de las siguientes razones:
+ Su organización tiene convenciones de nomenclatura internas para los buckets de Amazon S3.
+ Desea habilitar el acceso entre cuentas a los artefactos del modelo u otros datos de Canvas.
+ Desea cumplir con las directrices de seguridad internas, como restringir a los usuarios a buckets específicos de Amazon S3 o artefactos de modelos.
+ Desea mejorar la visibilidad y el acceso a los registros generados por Canvas, independientemente de la AWS consola o de SageMaker Studio Classic.
Al especificar su propio bucket de Amazon S3, puede tener un mayor control sobre su propio almacenamiento y cumplir con las normas de su organización.
Para empezar, puede crear un nuevo dominio o perfil de usuario de SageMaker IA o actualizar un dominio o perfil de usuario existente. Tenga en cuenta que la configuración del perfil de usuario anula la configuración en el nivel de dominio. Por ejemplo, puede utilizar la configuración de bucket predeterminada en el dominio, pero puede especificar un bucket de Amazon S3 personalizado para un usuario individual. Tras especificar su propio bucket de Amazon S3 para el dominio o el perfil de usuario, Canvas crea una subcarpeta llamada `Canvas/` en la URI de Amazon S3 de entrada y guarda todos los artefactos generados en la aplicación de Canvas en esta subcarpeta.
**importante**
Si actualiza un dominio o perfil de usuario existente, ya no tendrá acceso a sus artefactos de Canvas desde la ubicación anterior. Sus archivos siguen en la antigua ubicación de Amazon S3, pero ya no puede verlos desde Canvas. La nueva configuración entrará en vigor la próxima vez que inicie sesión en la aplicación.
Para obtener más información sobre cómo conceder acceso entre cuentas a su bucket de Amazon S3, consulte [Concesión de permisos de objetos entre cuentas](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-walkthroughs-managing-access-example4.html#access-policies-walkthrough-example4-overview) en la *Guía del usuario de Amazon S3*.
En las siguientes secciones se describe cómo especificar un bucket de Amazon S3 personalizado para la configuración de almacenamiento de Canvas. Si estás configurando un nuevo dominio de SageMaker IA (o un nuevo usuario en un dominio), usa el [Método de configuración de nuevo dominio](#canvas-storage-configuration-new-domain) o el[Nuevo método de configuración del perfil de usuario](#canvas-storage-configuration-new-user). Si ya tiene un perfil de usuario de Canvas y desea actualizar la configuración de almacenamiento del perfil, utilice [Método de usuario existente](#canvas-storage-configuration-existing-user).
## Antes de empezar
Si está especificando un URI de Amazon S3 de una AWS cuenta diferente o si utiliza un bucket cifrado con AWS KMS, debe configurar los permisos antes de continuar. Debe conceder permisos de AWS IAM para garantizar que Canvas pueda descargar y cargar objetos desde y hacia su bucket. Para obtener información sobre cómo conceder permisos, consulte [Concesión de permisos para el almacenamiento de Amazon S3 entre cuentas](canvas-permissions-cross-account.md).
Además, el URI final de Amazon S3 para la carpeta de entrenamiento en su ubicación de almacenamiento de Canvas debe tener 128 caracteres o menos. El URI final de Amazon S3 consiste en la ruta de su bucket `s3:////` más la ruta que Canvas agrega a su bucket: `Canvas//Training`. Por ejemplo, una ruta aceptable que tenga menos de 128 caracteres es `s3:////Canvas//Training`.
## Método de configuración de nuevo dominio
Si está configurando un nuevo dominio y una nueva aplicación de Canvas, utilice esta sección para configurar la ubicación de almacenamiento en el nivel de dominio. Esta configuración se aplica a todos los usuarios nuevos que cree en el dominio, a menos que especifique una ubicación de almacenamiento diferente para los perfiles de usuario individuales.
Al realizar una **Configuración estándar** para su dominio, en la página **Paso 3: configuración de aplicaciones: opcional**, utilice el siguiente procedimiento para la sección **Canvas**:
1. Para la **Configuración de almacenamiento de Canvas**, haga lo siguiente:
1. Seleccione **Administrado por el sistema** si desea establecer la ubicación en el depósito de SageMaker IA predeterminado que sigue el patrón`s3://sagemaker-{Region}-{your-account-id}`.
1. Seleccione **Personalizado S3** para especificar su propio bucket de Amazon S3 como ubicación de almacenamiento. A continuación, introduzca el URI de Amazon S3.
1. (Opcional) Para la **Clave de cifrado**, especifique una clave KMS para cifrar los artefactos de Canvas almacenados en la ubicación especificada.
1. Termine de configurar el dominio y seleccione **Enviar**.
Su dominio ahora está configurado para usar la ubicación de Amazon S3 que especificó para el almacenamiento de aplicaciones de SageMaker Canvas.
## Nuevo método de configuración del perfil de usuario
Si va a configurar un nuevo perfil de usuario en su dominio, utilice esta sección para configurar la ubicación de almacenamiento del usuario. Esta configuración anula la configuración en el nivel del dominio.
Al agregar un perfil de usuario a su dominio, para **Paso 2: configuración de aplicaciones**, utilice el siguiente procedimiento para la sección **Canvas**:
1. Para la **Configuración de almacenamiento de Canvas**, haga lo siguiente:
1. Seleccione **Administrado por el sistema** si desea establecer la ubicación en el depósito predeterminado creado por SageMaker IA que sigue el patrón`s3://sagemaker-{Region}-{your-account-id}`.
1. Seleccione **Personalizado S3** para especificar su propio bucket de Amazon S3 como ubicación de almacenamiento. A continuación, introduzca el URI de Amazon S3.
1. (Opcional) Para la **Clave de cifrado**, especifique una clave KMS para cifrar los artefactos de Canvas almacenados en la ubicación especificada.
1. Termine de configurar el perfil de usuario y elija **Enviar**.
Su perfil de usuario ahora está configurado para usar la ubicación de Amazon S3 que especificó para el almacenamiento de aplicaciones de SageMaker Canvas.
## Método de usuario existente
Si ya tiene un perfil de usuario de Canvas y desea actualizar la ubicación de almacenamiento de Amazon S3, puede editar la configuración del dominio de SageMaker IA o del perfil de usuario. Este cambio entrará en vigor la próxima vez que inicie sesión en la aplicación de Canvas.
**nota**
Al cambiar la ubicación de almacenamiento de una aplicación de Canvas existente, pierde el acceso a sus artefactos de Canvas desde la ubicación de almacenamiento anterior. Los artefactos siguen almacenados en la antigua ubicación de Amazon S3, pero ya no puede verlos desde Canvas.
Recuerde que la configuración del perfil de usuario anula la configuración general del dominio, por lo que puede actualizar la ubicación de almacenamiento de Amazon S3 para perfiles de usuario específicos sin cambiarla para todos los usuarios. Puede actualizar la configuración de almacenamiento de un dominio o usuario existente mediante los siguientes procedimientos.
------
#### [ Update an existing domain ]
Siga este procedimiento para actualizar la configuración de almacenamiento de un dominio.
1. Abra la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione su dominio.
1. En la página **Detalles del dominio**, elija la pestaña **Configuraciones de aplicaciones**.
1. Desplácese hacia abajo hasta la sección **Canvas** y, a continuación, elija **Editar**.
1. Se abre la página **Editar la configuración de Canvas**. En **Configuración de almacenamiento de Canvas**, haga lo siguiente:
1. Selecciona **Sistema gestionado** si quieres establecer la ubicación en el depósito predeterminado creado por SageMaker IA que sigue el patrón`s3://sagemaker-{Region}-{your-account-id}`.
1. Seleccione **Personalizado S3** para especificar su propio bucket de Amazon S3 como ubicación de almacenamiento. A continuación, introduzca el URI de Amazon S3.
1. (Opcional) Para la **Clave de cifrado**, especifique una clave KMS para cifrar los artefactos de Canvas almacenados en la ubicación especificada.
1. Finalice cualquier otra modificación que desee realizar en el dominio y, a continuación, pulse **Enviar** para guardar los cambios.
------
#### [ Update an existing user profile ]
Utilice el siguiente procedimiento para actualizar la configuración de almacenamiento de un perfil de usuario.
1. Abre la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de **Dominios**, seleccione su dominio.
1. De la lista de usuarios del dominio, elija el usuario cuya configuración desee editar.
1. En la página **Detalles del usuario**, elija **Editar**.
1. En el panel de navegación, elija **Configuración de Canvas**.
1. Para la **Configuración de almacenamiento de Canvas**, haga lo siguiente:
1. Selecciona **Sistema gestionado** si quieres establecer la ubicación en el depósito de SageMaker IA predeterminado que sigue el patrón`s3://sagemaker-{Region}-{your-account-id}`.
1. Seleccione **Personalizado S3** para especificar su propio bucket de Amazon S3 como ubicación de almacenamiento. A continuación, introduzca el URI de Amazon S3.
1. (Opcional) Para la **Clave de cifrado**, especifique una clave KMS para cifrar los artefactos de Canvas almacenados en la ubicación especificada.
1. Finalice cualquier otra modificación que desee realizar en el perfil de usuario y, a continuación, pulse **Enviar** para guardar los cambios.
------
Ahora debería actualizarse la ubicación de almacenamiento de su perfil de usuario de Canvas. La próxima vez que inicie sesión en la aplicación de Canvas, recibirá una notificación de que la ubicación de almacenamiento se ha actualizado. Perderá el acceso a cualquier artefacto anterior que haya creado en Canvas. Puede seguir accediendo a los archivos en Amazon S3, pero ya no podrá verlos en Canvas.
# Concesión de permisos para el almacenamiento de Amazon S3 entre cuentas
Al configurar su dominio o perfil de usuario de SageMaker IA para que los usuarios accedan a SageMaker Canvas, debe especificar una ubicación de almacenamiento de Amazon S3 para los artefactos de Canvas. Estos artefactos incluyen copias guardadas de sus conjuntos de datos de entrada, artefactos de modelo, predicciones y otros datos de aplicaciones. Puede usar el depósito predeterminado de Amazon S3 creado por SageMaker IA o puede personalizar la ubicación de almacenamiento y especificar su propio depósito para almacenar los datos de la aplicación Canvas.
Puede especificar un bucket de Amazon S3 en otra AWS cuenta para almacenar sus datos de Canvas, pero primero debe conceder permisos entre cuentas para que Canvas pueda acceder al bucket.
En las siguientes secciones se describe cómo conceder permisos a Canvas para cargar y descargar objetos desde y hacia un bucket de Amazon S3 de otra cuenta. Hay permisos adicionales para cuando su depósito está cifrado con AWS KMS.
## Requisitos
Antes de comenzar, revise los siguientes requisitos:
+ Los buckets multicuenta de Amazon S3 (y cualquier AWS KMS clave asociada) deben estar en la misma AWS región que el dominio de usuario o el perfil de usuario de Canvas.
+ El URI final de Amazon S3 para la carpeta de entrenamiento en su ubicación de almacenamiento de Canvas debe tener 128 caracteres o menos. El URI final de S3 consiste en la ruta de su bucket `s3:////` más la ruta que Canvas agrega a su bucket: `Canvas//Training`. Por ejemplo, una ruta aceptable que tenga menos de 128 caracteres es `s3:////Canvas//Training`.
## Permisos para los buckets de Amazon S3 entre cuentas
En la siguiente sección se describen los pasos básicos para conceder los permisos necesarios para que Canvas pueda acceder a su bucket de Amazon S3 desde otra cuenta. Para obtener instrucciones más detalladas, consulte el [Ejemplo 2: Propietario del bucket que concede permisos de bucket entre cuentas](https://docs.aws.amazon.com/AmazonS3/latest/userguide/example-walkthroughs-managing-access-example2.html) en la *Guía del usuario de Amazon S3*.
1. Cree un bucket de Amazon S3, `bucketA`, en la cuenta A.
1. El usuario de Canvas existe en otra cuenta llamada Cuenta B. En los siguientes pasos, denominamos el rol de IAM del usuario de Canvas como `roleB` la Cuenta B.
Conceda permiso al rol de IAM `roleB` de la cuenta B para descargar (`GetObject`) y cargar (`PutObject`) objetos desde y hacia `bucketA` en la cuenta A asociando una política de IAM.
Para limitar el acceso a la carpeta de un bucket específico, defina el nombre de la carpeta en el elemento del recurso, por ejemplo `arn:aws:s3:::/FolderName/*`. Para obtener más información, consulte [¿Cómo puedo utilizar las políticas de IAM para conceder acceso específico para un usuario a carpetas específicas?](https://aws.amazon.com/premiumsupport/knowledge-center/iam-s3-user-specific-folder/)
**nota**
Las acciones en el nivel de bucket, como `GetBucketCors` y `GetBucketLocation`, deben agregarse a los recursos de nivel de bucket, no a las carpetas.
En el siguiente ejemplo de política de IAM se conceden los permisos necesarios para que `roleB` acceda a los objetos en `bucketA`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::bucketA/FolderName/*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::bucketA"
]
}
]
}
```
------
1. Configure la política de bucket para `bucketA` en la cuenta A para conceder permisos al rol de IAM `roleB` en la cuenta B.
**nota**
Los administradores también deben desactivar la opción **Bloquear todo el acceso público** en la sección **Permisos** del bucket.
A continuación, se muestra un ejemplo de política de bucket para que `bucketA` conceda los permisos necesarios a `roleB`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:DeleteObject",
"s3:GetObject",
"s3:PutObject"
],
"Resource": "arn:aws:s3:::bucketA/FolderName/*"
},
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:ListBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": "arn:aws:s3:::bucketA"
}
]
}
```
------
Tras configurar los permisos anteriores, su perfil de usuario de Canvas en la cuenta B ahora puede usar el bucket de Amazon S3 de la cuenta A como ubicación de almacenamiento de los artefactos de Canvas.
## Permisos para buckets de Amazon S3 multicuenta cifrados con AWS KMS
El siguiente procedimiento le muestra cómo conceder los permisos necesarios para que Canvas pueda acceder a su bucket de Amazon S3 en otra cuenta que esté cifrada con AWS KMS. Los pasos son similares a los del procedimiento anterior, pero con permisos adicionales. Para obtener más información acerca de cómo proporcionar acceso a una clave KMS entre cuentas, consulte [Permitir a los usuarios de otras cuentas utilizar una clave KMS](https://docs.aws.amazon.com/kms/latest/developerguide/key-policy-modifying-external-accounts.html) en la *Guía para desarrolladores de AWS KMS *.
1. Cree un bucket de Amazon S3, `bucketA` y una clave de Amazon S3 KMS `s3KmsInAccountA` en la cuenta A.
1. El usuario de Canvas existe en otra cuenta llamada Cuenta B. En los siguientes pasos, denominamos el rol de IAM del usuario de Canvas como `roleB` la Cuenta B.
Conceda permiso al rol de IAM `roleB` en la Cuenta B para hacer lo siguiente:
+ Descargar (`GetObject`) y cargar (`PutObject`) objetos desde y hacia `bucketA` en la Cuenta A.
+ Acceda a la AWS KMS clave `s3KmsInAccountA` en la cuenta A.
En el siguiente ejemplo de política de IAM se conceden los permisos necesarios para que `roleB` acceda a los objetos en `bucketA` y use la clave KMS `s3KmsInAccountA`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::bucketA/FolderName/*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::bucketA"
]
},
{
"Action": [
"kms:DescribeKey",
"kms:CreateGrant",
"kms:RetireGrant",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlainText",
"kms:Decrypt"
],
"Effect": "Allow",
"Resource": "arn:aws:kms:us-east-1:111122223333:key/s3KmsInAccountA"
}
]
}
```
------
1. Configure la política de bucket para `bucketA` y la política de claves para `s3KmsInAccountA` en la cuenta A para conceder permisos al rol de IAM `roleB` en la cuenta B.
A continuación, se muestra un ejemplo de política de bucket para que `bucketA` conceda los permisos necesarios a `roleB`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:DeleteObject",
"s3:GetObject",
"s3:PutObject"
],
"Resource": "arn:aws:s3:::bucketA/FolderName/*"
},
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/roleB"
},
"Action": [
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": "arn:aws:s3:::bucketA"
}
]
}
```
------
El siguiente ejemplo es una política de claves que se asocia a la clave KMS `s3KmsInAccountA` en la Cuenta A para conceder acceso a `roleB`. Para obtener más información sobre cómo crear y asociar una declaración de política de claves, consulte [Creación de una política de claves](https://docs.aws.amazon.com/kms/latest/developerguide/key-policy-overview.html) en la *Guía para desarrolladores de AWS KMS *.
```
{
"Sid": "Allow use of the key",
"Effect": "Allow",
"Principal": {
"AWS": [
"arn:aws:iam::accountB:role/roleB"
]
},
"Action": [
"kms:DescribeKey",
"kms:CreateGrant",
"kms:RetireGrant",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlainText",
"kms:Decrypt"
],
"Resource": "*"
}
```
Tras configurar los permisos anteriores, su perfil de usuario de Canvas en la cuenta B ahora puede usar el bucket cifrado de Amazon S3 de la cuenta A como ubicación de almacenamiento de los artefactos de Canvas.
# Concesión de permisos a los usuarios para usar datos de gran tamaño durante todo el ciclo de vida de ML
Los usuarios de Amazon SageMaker Canvas que trabajan con conjuntos de datos de más de 10 GB en formato CSV o 2,5 GB en formato Parquet necesitan permisos específicos para el procesamiento de datos de gran tamaño. Estos permisos son esenciales para administrar datos a gran escala durante todo el ciclo de vida de machine learning. Cuando los conjuntos de datos superan los umbrales establecidos o la capacidad de memoria local de la aplicación, SageMaker Canvas utiliza Amazon EMR Serverless para un procesamiento eficiente. Esto se aplica a:
+ Importación de datos: importación de conjuntos de datos grandes con muestreo aleatorio o estratificado.
+ Preparación de datos: exportación de datos procesados desde Data Wrangler en Canvas a Amazon S3, a un nuevo conjunto de datos de Canvas o a un modelo de Canvas.
+ Creación de modelos: entrenamiento de modelos con grandes conjuntos de datos.
+ Inferencia: realización de predicciones sobre grandes conjuntos de datos.
De forma predeterminada, SageMaker Canvas usa EMR Serverless para ejecutar estos trabajos remotos con la siguiente configuración de la aplicación:
+ Capacidad preinicializada: no configurada
+ Límites de aplicación: capacidad máxima de 400 VCPUs, capacidad máxima simultánea de 16 V CPUs por cuenta, 3000 GB de memoria y 20000 GB de disco
+ Configuración de Metastore: AWS Glue Data Catalog
+ Registros de aplicaciones: almacenamiento AWS gestionado (habilitado), mediante una clave AWS de cifrado propia
+ Comportamiento de la aplicación: se inicia automáticamente al enviar el trabajo y se detiene automáticamente cuando la aplicación está inactiva durante 15 minutos
Para habilitar estas capacidades de procesamiento de datos de gran tamaño, los usuarios necesitan los permisos necesarios, que se pueden conceder a través de la configuración del dominio de Amazon SageMaker AI. El método para conceder estos permisos depende de cómo se configuró inicialmente tu dominio de Amazon SageMaker AI. Abordaremos tres escenarios principales:
+ Configuración rápida de dominio
+ Configuración de dominio personalizada (con access/without VPC de Internet pública)
+ Configuración personalizada de dominio (con VPC y sin acceso público a Internet)
Cada escenario requiere pasos específicos para garantizar que los usuarios tengan los permisos necesarios para aprovechar EMR Serverless para el procesamiento de datos de gran tamaño durante todo el ciclo de vida del aprendizaje automático en Canvas. SageMaker
## Escenario 1: configuración rápida de dominio
Si utilizó la opción de **configuración rápida** al crear su dominio de SageMaker IA, siga estos pasos:
1. Ve a la configuración del dominio de Amazon SageMaker AI:
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Dominios**.
1. Seleccione su dominio.
1. Elija la pestaña **Configuraciones de aplicaciones**.
1. Desplácese hacia abajo hasta la sección **Canvas** y elija **Editar**.
1. Habilite el procesamiento de datos de gran tamaño:
1. En la sección **Configuración de procesamiento de datos de gran tamaño**, active **Habilitar EMR sin servidor para el procesamiento de datos de gran tamaño**.
1. Cree o seleccione un rol de EMR sin servidor:
1. Elija **Crear y usar un rol de ejecución nuevo** para crear un nuevo rol de IAM que tenga una relación de confianza con EMR sin servidor y la política [AWS política gestionada: AmazonSageMakerCanvas EMRServerless ExecutionRolePolicy](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasEMRServerlessExecutionRolePolicy) asociada. Canvas asume este rol de IAM para crear trabajos de EMR sin servidor.
1. Como alternativa, si ya tiene un rol de ejecución con una relación de confianza para EMR sin servidor, seleccione **Usar un rol de ejecución existente** y elija un rol en el menú desplegable.
+ El rol existente debe tener un nombre que comience por el prefijo `AmazonSageMakerCanvasEMRSExecutionAccess-`.
+ El rol que seleccione también debe tener al menos los permisos descritos en la política [AWS política gestionada: AmazonSageMakerCanvas EMRServerless ExecutionRolePolicy](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasEMRServerlessExecutionRolePolicy).
+ El rol debe tener una política de confianza de EMR sin servidor, como se muestra a continuación:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "EMRServerlessTrustPolicy",
"Effect": "Allow",
"Principal": {
"Service": "emr-serverless.amazonaws.com"
},
"Action": "sts:AssumeRole",
"Condition": {
"StringEquals": {
"aws:SourceAccount": "111122223333"
}
}
}
]
}
```
------
1. (Opcional) Añada permisos de Amazon S3 para buckets de Amazon S3 personalizados:
1. La política administrada de Canvas concede automáticamente permisos de lectura y escritura para los buckets de Amazon S3 con `sagemaker` o `SageMaker AI` en su nombre. También concede permisos de lectura para los objetos de los buckets personalizados de Amazon S3 con la etiqueta `"SageMaker": "true"`.
1. Para los buckets de Amazon S3 personalizados sin la etiqueta requerida, añada la siguiente política a su rol de EMR sin servidor:
1.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject"
],
"Resource": [
"arn:aws:s3:::*"
]
}
]
}
```
------
1. Le recomendamos que restrinja los permisos a buckets de Amazon S3 específicos a los que desea que acceda Canvas.
1. Guarde los cambios y reinicie la aplicación SageMaker Canvas.
## Escenario 2: configuración de dominio personalizada (con access/without VPC de Internet pública)
Si ha creado o utiliza un dominio personalizado, siga los pasos 1 a 3 del escenario 1 y, a continuación, siga estos pasos adicionales:
1. Añada permisos para la `DescribeImages` operación de Amazon ECR a su función de ejecución de Amazon SageMaker AI, ya que Canvas utiliza imágenes públicas de Docker de Amazon ECR para la preparación de datos y el entrenamiento de modelos:
1. Inicie sesión en la AWS consola y abra la consola de IAM en. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. Elija **Roles**.
1. En el cuadro de búsqueda, busque su función de ejecución de SageMaker IA por nombre y selecciónela.
1. Añada la siguiente política a su función de ejecución de SageMaker IA. Esto se puede hacer añadiéndola como nueva política en línea o añadiendo la declaración de política a una ya existente. Tenga en cuenta que un rol de IAM puede tener un máximo de 10 políticas asociadas.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [{
"Sid": "ECRDescribeImagesOperation",
"Effect": "Allow",
"Action": "ecr:DescribeImages",
"Resource": [
"arn:aws:ecr:*:*:repository/sagemaker-data-wrangler-emr-container",
"arn:aws:ecr:*:*:repository/ap-dataprep-emr"
]
}]
}
```
------
1. Guarde los cambios y reinicie la aplicación SageMaker Canvas.
## Escenario 3: configuración personalizada de dominio (con VPC y sin acceso público a Internet)
Si ha creado o utiliza un dominio personalizado, siga todos los pasos del escenario 2 y, a continuación, siga estos pasos adicionales:
1. Asegúrese de que las subredes de VPC sean privadas:
1. Compruebe que la tabla de enrutamiento de las subredes no tenga una asignación de entrada `0.0.0.0/0` a una puerta de enlace de Internet.
1. Agregue permisos para crear interfaces de red:
1. Al utilizar SageMaker Canvas con EMR Serverless para el procesamiento de datos a gran escala, EMR Serverless requiere la capacidad de crear Amazon EC2 para permitir la comunicación de red entre las aplicaciones EMR Serverless y sus recursos de VPC. ENIs
1. Añada la siguiente política a su función de ejecución de Amazon SageMaker AI. Esto se puede hacer añadiéndola como nueva política en línea o añadiendo la declaración de política a una ya existente. Tenga en cuenta que un rol de IAM puede tener un máximo de 10 políticas asociadas.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "AllowEC2ENICreation",
"Effect": "Allow",
"Action": [
"ec2:CreateNetworkInterface"
],
"Resource": [
"arn:aws:ec2:*:*:network-interface/*"
],
"Condition": {
"StringEquals": {
"aws:CalledViaLast": "ops.emr-serverless.amazonaws.com"
}
}
}
]
}
```
------
1. (Opcional) Limite la creación de ENI a subredes específicas:
1. Para proteger aún más la configuración restringiendo la creación de ENIs determinadas subredes dentro de la VPC, puede etiquetar cada subred con condiciones específicas.
1. Utilice la siguiente política de IAM para garantizar que las aplicaciones EMR Serverless solo puedan crear Amazon ENIs EC2 dentro de las subredes y grupos de seguridad permitidos:
```
{
"Sid": "AllowEC2ENICreationInSubnetAndSecurityGroupWithEMRTags",
"Effect": "Allow",
"Action": [
"ec2:CreateNetworkInterface"
],
"Resource": [
"arn:aws:ec2:*:*:subnet/*",
"arn:aws:ec2:*:*:security-group/*"
],
"Condition": {
"StringEquals": {
"aws:ResourceTag/KEY": "VALUE"
}
}
}
```
1. Siga los pasos de la página [Configurar Amazon SageMaker Canvas en una VPC sin acceso a Internet](canvas-vpc.md) para configurar el punto de enlace de VPC para Amazon S3, que requieren EMR Serverless y otros AWS servicios que utiliza Canvas. SageMaker
1. Guarde los cambios y reinicie la aplicación de Canvas SageMaker .
Si sigue estos pasos, puede habilitar el procesamiento de datos de gran tamaño en SageMaker Canvas para varias configuraciones de dominio, incluidas aquellas con configuraciones de VPC personalizadas. Recuerde reiniciar la aplicación SageMaker Canvas después de realizar estos cambios para aplicar los nuevos permisos.
# Cifre sus datos de SageMaker Canvas con AWS KMS
Es posible que tenga datos que desee cifrar mientras usa Amazon SageMaker Canvas, como la información privada de su empresa o los datos de sus clientes. SageMaker Canvas utiliza AWS Key Management Service para proteger sus datos. AWS KMS es un servicio que puede usar para crear y administrar claves criptográficas para cifrar sus datos. Para obtener más información al respecto AWS KMS, consulte [AWS Key Management Service](https://docs.aws.amazon.com/kms/latest/developerguide/overview.html)la Guía para *AWS KMS desarrolladores*.
Amazon SageMaker Canvas le ofrece varias opciones para cifrar sus datos. SageMaker Canvas proporciona un cifrado predeterminado en la aplicación para tareas como la creación del modelo y la generación de información. También puede optar por cifrar los datos almacenados en Amazon S3 para proteger sus datos en reposo. SageMaker Canvas admite la importación de conjuntos de datos cifrados, por lo que puede establecer un flujo de trabajo cifrado. En las siguientes secciones, se describe cómo puede utilizar el AWS KMS cifrado para proteger sus datos al crear modelos con SageMaker Canvas.
## Cifre sus datos en Canvas SageMaker
Con SageMaker Canvas, puede usar dos claves de AWS KMS cifrado diferentes para cifrar sus datos en SageMaker Canvas, que puede especificar al [configurar su dominio mediante la configuración](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html) de dominio estándar. Estas claves se especifican en los siguientes pasos de configuración de dominio:
+ **Paso 3: configuración de aplicaciones (opcional)**: al configurar la sección **Configuración del almacenamiento de Canvas**, puede especificar una **Clave de cifrado**. Se trata de una clave de KMS que SageMaker Canvas utiliza para el almacenamiento a largo plazo de objetos modelo y conjuntos de datos, que se almacenan en el depósito de Amazon S3 proporcionado para su dominio. Si va a crear una aplicación de Canvas con la [CreateApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateApp.html)API, utilice el `S3KMSKeyId` campo para especificar esta clave.
+ **Paso 6: Configurar el almacenamiento**: SageMaker Canvas utiliza una clave para cifrar el espacio privado de Amazon SageMaker Studio que se crea para la aplicación de Canvas, que incluye almacenamiento temporal de aplicaciones, visualizaciones y trabajos de computación (como la creación de modelos). Puede usar la clave AWS administrada predeterminada o especificar la suya propia. Si especifica su AWS KMS clave, los datos almacenados en el `/home/sagemaker-user` directorio se cifran con su clave. Si no especificas ninguna AWS KMS clave, los datos que contiene `/home/sagemaker-user` se cifran con una clave AWS gestionada. Independientemente de si se especifica una AWS KMS clave, todos los datos que se encuentran fuera del directorio de trabajo se cifran con una clave AWS gestionada. Para obtener más información sobre el espacio de Studio y el almacenamiento de sus aplicaciones de Canvas, consulte [Guarde los datos de las aplicaciones de SageMaker Canvas en su propio espacio de IA SageMaker](canvas-spaces-setup.md). Si va a crear una aplicación de Canvas con la [CreateApp](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateApp.html)API, utilice el `KmsKeyID` campo para especificar esta clave.
Las claves anteriores pueden ser claves de KMS iguales o diferentes.
### Requisitos previos
Para usar su propia clave KMS para cualquiera de los fines descritos anteriormente, primero debe conceder permiso al rol de IAM de su usuario para usar la clave. A continuación, puede especificar la clave KMS al configurar su dominio.
La forma más sencilla de conceder permiso a su rol para usar la clave es modificar la política de claves. Utilice el siguiente procedimiento para conceder a su rol los permisos necesarios.
1. Abra la [consola de AWS KMS](https://console.aws.amazon.com/kms/).
1. En la sección **Política de claves**, elija **Cambiar a la vista de política**.
1. Modifique la política de claves para conceder permisos para las acciones `kms:GenerateDataKey` y `kms:Decrypt` al rol de IAM. Además, si va a modificar la política de claves que cifra el almacenamiento de sus aplicaciones de Canvas en el espacio de Studio, conceda la acción `kms:CreateGrant`. Puede agregar una instrucción similar a la siguiente:
```
{
"Sid": "ExampleStmt",
"Action": [
"kms:CreateGrant", #this permission is only required for the key that encrypts your SageMaker Canvas application storage
"kms:Decrypt",
"kms:GenerateDataKey"
],
"Effect": "Allow",
"Principal": {
"AWS": ""
},
"Resource": "*"
}
```
1. Elija **Guardar cambios**.
El método menos preferido es modificar el rol de IAM del usuario para concederle permisos de uso o administración de la clave KMS. Si utiliza este método, la política de claves de KMS también debe permitir la administración del acceso a través de IAM. Para obtener información sobre cómo conceder permisos a una clave de KMS mediante el rol de IAM del usuario, consulte [Especificación de claves KMS en declaraciones de políticas de IAM](https://docs.aws.amazon.com/kms/latest/developerguide/cmks-in-iam-policies.html) de la *Guía para desarrolladores de AWS KMS *.
### Cifre sus datos en la aplicación SageMaker Canvas
La primera clave de KMS que puede utilizar en SageMaker Canvas se utiliza para cifrar los datos de las aplicaciones almacenados en los volúmenes de Amazon Elastic Block Store (Amazon EBS) y en el Amazon Elastic File System que la SageMaker IA crea en su dominio. SageMaker Canvas cifra los datos con esta clave en la aplicación subyacente y en los sistemas de almacenamiento temporal que se crean al utilizar instancias de cómputo para crear modelos y generar información. SageMaker Canvas transfiere la clave a otros AWS servicios, como el piloto automático, cada vez que SageMaker Canvas inicia trabajos con ellos para procesar sus datos.
Puede especificar esta clave configurando el `KmsKeyID` en la llamada a la API `CreateDomain` o mientras realiza la configuración del dominio estándar en la consola. Si no especifica su propia clave de KMS, SageMaker AI utiliza una clave de KMS AWS administrada predeterminada para cifrar sus datos en la SageMaker aplicación Canvas.
Para especificar su propia clave de KMS para usarla en la aplicación SageMaker Canvas a través de la consola, primero configure su dominio Amazon SageMaker AI mediante la **configuración estándar**. Siga este procedimiento para completar la **Sección de red y almacenamiento** del dominio.
1. Rellene la configuración de Amazon VPC que desee.
1. En **Clave de cifrado**, elija **Especifique el ARN de una clave de KMS**.
1. Para el **ARN de KMS**, introduzca el ARN de la clave de KMS, que debe tener un formato similar al siguiente: `arn:aws:kms:example-region-1:123456789098:key/111aa2bb-333c-4d44-5555-a111bb2c33dd`
### Cifre los datos de SageMaker Canvas guardados en Amazon S3
La segunda clave de KMS que puede especificar se usa para los datos que SageMaker Canvas almacena en Amazon S3. Esta clave de KMS se especifica en el `S3KMSKeyId` campo de la llamada a la `CreateDomain` API o al realizar la configuración estándar del dominio en la consola de SageMaker IA. SageMaker Canvas guarda los duplicados de sus conjuntos de datos de entrada, datos de aplicaciones y modelos y datos de salida en el depósito SageMaker AI S3 predeterminado de la región para su cuenta. El patrón de nomenclatura de este depósito es`s3://sagemaker-{Region}-{your-account-id}`, y SageMaker Canvas almacena los datos en la `Canvas/` carpeta.
1. Active la opción **Habilitar el uso compartido de recursos de bloc de notas**.
1. En cuanto a la **Ubicación de S3 para los recursos de bloc de notas que se pueden compartir**, deje la ruta predeterminada de Amazon S3. Tenga en cuenta que SageMaker Canvas no usa esta ruta de Amazon S3; esta ruta de Amazon S3 se usa para los portátiles Studio Classic.
1. En **Clave de cifrado**, elija **Especifique el ARN de una clave de KMS**.
1. Para el **ARN de KMS**, introduzca el ARN de la clave de KMS, que debe tener un formato similar al siguiente: `arn:aws:kms:us-east-1:111122223333:key/111aa2bb-333c-4d44-5555-a111bb2c33dd`
## Importación de conjuntos de datos cifrados desde Amazon S3
Es posible que sus usuarios tengan conjuntos de datos cifrados con una clave KMS. Si bien en la sección anterior se muestra cómo cifrar los datos en SageMaker Canvas y los datos almacenados en Amazon S3, debe conceder permisos adicionales a la función de IAM de su usuario si quiere importar datos de Amazon S3 que ya estén cifrados con. AWS KMS
Para conceder a sus usuarios permisos para importar conjuntos de datos cifrados de Amazon S3 a SageMaker Canvas, añada los siguientes permisos a la función de ejecución de IAM que ha utilizado para el perfil de usuario.
```
"kms:Decrypt",
"kms:GenerateDataKey"
```
Para aprender a administrar los permisos de IAM para un rol, consulte [Adición y eliminación de permisos de identidad de IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) en la *Guía del usuario de IAM*. Para obtener más información sobre las claves KMS, consulte [Políticas de claves de AWS Key Management Service](https://docs.aws.amazon.com//kms/latest/developerguide/key-policies.html) en la *Guía para desarrolladores de AWS KMS *.
## FAQs
Consulte las siguientes preguntas frecuentes para obtener respuestas a las preguntas más frecuentes sobre el soporte de SageMaker Canvas AWS KMS .
### P: ¿Conserva SageMaker Canvas mi clave KMS?
R: No. SageMaker Canvas puede almacenar temporalmente su clave en caché o pasarla a otros AWS servicios (como el piloto automático), pero SageMaker Canvas no conserva su clave KMS.
### P: He especificado una clave KMS al configurar mi dominio. ¿Por qué no se pudo importar mi conjunto de datos a SageMaker Canvas?
R: Es posible que el rol de IAM de su usuario no tenga permisos para usar esa clave KMS. Para conceder permisos de usuario, consulte los [Requisitos previos](#canvas-kms-app-data-prereqs). Otro posible error es que tenga una política de bucket en su bucket de Amazon S3 que requiera el uso de una clave KMS específica que no coincida con la clave de KMS que especificó en su dominio. Asegúrese de especificar la misma clave KMS para su bucket de Amazon S3 y su dominio.
### P: ¿Cómo puedo encontrar el bucket Amazon S3 de SageMaker IA predeterminado de la región para mi cuenta?
R: El bucket de Amazon S3 predeterminado sigue el patrón de nomenclatura `s3://sagemaker-{Region}-{your-account-id}`. La `Canvas/` carpeta de este depósito almacena los datos de su aplicación SageMaker Canvas.
### P: ¿Puedo cambiar el bucket Amazon S3 de SageMaker IA predeterminado que se usa para almacenar datos de SageMaker Canvas?
R: No, la SageMaker IA crea este depósito por usted.
### P: ¿Qué almacena SageMaker Canvas en el bucket Amazon S3 de SageMaker IA predeterminado?
R: SageMaker Canvas usa el bucket Amazon S3 de SageMaker IA predeterminado para almacenar duplicados de sus conjuntos de datos de entrada, artefactos de modelos y salidas de modelos.
### P: ¿Qué casos de uso se admiten para usar claves KMS con Canvas? SageMaker
R: Con SageMaker Canvas, puede usar sus propias claves de cifrado AWS KMS para crear modelos de regresión, clasificación binaria y multiclase y previsión de series temporales, así como para realizar inferencias por lotes con su modelo.
# Guarde los datos de las aplicaciones de SageMaker Canvas en su propio espacio de IA SageMaker
Los datos de su aplicación Amazon SageMaker Canvas, como los conjuntos de datos que importe y los artefactos del modelo, se almacenan en un *espacio privado de Amazon SageMaker Studio*. El espacio consta de un volumen de almacenamiento para los datos de las aplicaciones con 100 GB de almacenamiento por perfil de usuario, el tipo de espacio (en este caso, una aplicación de Canvas) y la imagen del contenedor de la aplicación. Al configurar Canvas y lanzar la aplicación por primera vez, la SageMaker IA crea un espacio privado predeterminado que se asigna a tu perfil de usuario y almacena tus datos de Canvas. No tiene que realizar ninguna configuración adicional para configurar el espacio, ya que la SageMaker IA crea el espacio automáticamente en su nombre. Sin embargo, si no desea utilizar el espacio predeterminado, tiene la opción de especificar un espacio que haya creado usted mismo. Esto puede resultar útil si desea aislar los datos. La siguiente página le muestra cómo crear y configurar su propio espacio de Studio para almacenar los datos de aplicaciones de Canvas.
**nota**
Solo puede configurar un espacio de Studio personalizado para nuevas aplicaciones de Canvas. No puede modificar la configuración de espacio de las aplicaciones de Canvas existentes.
## Antes de empezar
Su dominio o perfil de usuario de Amazon SageMaker AI debe tener al menos 100 GB de almacenamiento para poder crear y usar la aplicación SageMaker Canvas.
Si creó su dominio a través de la consola de SageMaker IA, se aprovisiona suficiente espacio de almacenamiento de forma predeterminada y no necesita realizar ninguna acción adicional. Si has creado tu dominio o perfil de usuario con [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)o [ CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html) APIs, asegúrate de establecer el `MaximumEbsVolumeSizeInGb` valor en 100 GB o más. Para establecer un valor de almacenamiento mayor, puedes crear un nuevo dominio o perfil de usuario, o puedes actualizar un dominio o perfil de usuario existente con [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)o [ UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html) APIs.
## Creación de un nuevo espacio
En primer lugar, cree un nuevo espacio de Studio que esté configurado para almacenar datos de aplicaciones de Canvas. Este es el espacio que se especifica al crear una nueva aplicación de Canvas en el siguiente paso.
Para crear un espacio, puede usar el AWS SDK para Python (Boto3) o el AWS CLI.
------
#### [ SDK for Python (Boto3) ]
En el siguiente ejemplo, se muestra cómo utilizar el AWS SDK para Python (Boto3) `create_space` método para crear un espacio que pueda utilizar para las aplicaciones de Canvas. Asegúrese de especificar estos parámetros:
+ `DomainId`: especifique el ID de su dominio de SageMaker IA. Para encontrar tu ID, puedes ir a la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)y localizar tu dominio en la sección **Dominios**.
+ `SpaceName`: especifique un nombre para el nuevo espacio.
+ `EbsVolumeSizeinGb`: especifique el tamaño del volumen de almacenamiento para su espacio (en GB). El valor mínimo es `5` y el máximo, `16384`.
+ `SharingType`: especifique este campo como `Private`. Para obtener más información, consulte [Espacios de Amazon SageMaker Studio](studio-updated-spaces.md).
+ `OwnerUserProfileName`: especifique el nombre del perfil de usuario. Para encontrar los nombres de los perfiles de usuario asociados a un dominio, puedes ir a la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)y localizar tu dominio en la sección **Dominios**. En la configuración del dominio, puede ver los perfiles de usuario.
+ `AppType`: especifique este campo como `Canvas`.
```
response = client.create_space(
DomainId='',
SpaceName='',
SpaceSettings={
'AppType': 'Canvas',
'SpaceStorageSettings': {
'EbsStorageSettings': {
'EbsVolumeSizeInGb':
}
},
},
OwnershipSettings={
'OwnerUserProfileName': ''
},
SpaceSharingSettings={
'SharingType': 'Private'
}
)
```
------
#### [ AWS CLI ]
En el siguiente ejemplo, se muestra cómo utilizar el AWS CLI `create-space` método para crear un espacio que pueda utilizar para las aplicaciones de Canvas. Asegúrese de especificar estos parámetros:
+ `domain-id`: especifique el ID de su dominio. Para encontrar su ID, puede ir a la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)y localizar su dominio en la sección **Dominios**.
+ `space-name`: especifique un nombre para el nuevo espacio.
+ `EbsVolumeSizeinGb`: especifique el tamaño del volumen de almacenamiento para su espacio (en GB). El valor mínimo es `5` y el máximo, `16384`.
+ `SharingType`: especifique este campo como `Private`. Para obtener más información, consulte [Espacios de Amazon SageMaker Studio](studio-updated-spaces.md).
+ `OwnerUserProfileName`: especifique el nombre del perfil de usuario. Para encontrar los nombres de los perfiles de usuario asociados a un dominio, puedes ir a la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)y localizar tu dominio en la sección **Dominios**. En la configuración del dominio, puede ver los perfiles de usuario.
+ `AppType`: especifique este campo como `Canvas`.
```
create-space
--domain-id
--space-name
--space-settings '{
"AppType": "Canvas",
"SpaceStorageSettings": {
"EbsStorageSettings": {"EbsVolumeSizeInGb": }
},
}'
--ownership-settings '{"OwnerUserProfileName": ""}'
--space-sharing-settings '{"SharingType": "Private"}'
```
------
Ahora debería tener un espacio. Haga un seguimiento del nombre de su espacio para el siguiente paso.
## Creación de una nueva aplicación de Canvas.
Después de crear un espacio, cree una nueva aplicación de Canvas que especifique el espacio como ubicación de almacenamiento.
Para crear una nueva aplicación de Canvas, puedes usar la AWS SDK para Python (Boto3) o la AWS CLI.
**importante**
Debe usar el AWS SDK para Python (Boto3) o el AWS CLI para crear su aplicación Canvas. No se admite especificar un espacio personalizado al crear aplicaciones de Canvas a través de la consola de SageMaker IA.
------
#### [ SDK for Python (Boto3) ]
En el siguiente ejemplo, se muestra cómo utilizar el AWS SDK para Python (Boto3) `create_app` método para crear una nueva aplicación de Canvas. Asegúrese de especificar estos parámetros:
+ `DomainId`: especifique el ID de su dominio de SageMaker IA.
+ `SpaceName`: utilice el nombre del espacio que ha creado en el paso anterior.
+ `AppType`: especifique este campo como `Canvas`.
+ `AppName`: especifique `default` como nombre de la aplicación.
```
response = client.create_app(
DomainId='',
SpaceName='',
AppType='Canvas',
AppName='default'
)
```
------
#### [ AWS CLI ]
El siguiente ejemplo muestra cómo utilizar el AWS CLI `create-app` método para crear una nueva aplicación de Canvas. Asegúrese de especificar estos parámetros:
+ `DomainId`: especifique el ID de su dominio de SageMaker IA.
+ `SpaceName`: utilice el nombre del espacio que ha creado en el paso anterior.
+ `AppType`: especifique este campo como `Canvas`.
+ `AppName`: especifique `default` como nombre de la aplicación.
```
create-app
--domain-id
--space-name
--app-type Canvas
--app-name default
```
------
Ahora debería tener una nueva aplicación de Canvas que utilice un espacio de Studio personalizado como ubicación de almacenamiento de los datos de la aplicación.
**importante**
Cada vez que elimine la aplicación de Canvas (o cierre sesión) y tenga que volver a crearla, debe proporcionar su espacio en el campo `SpaceName` para asegurarse de que lo utilice Canvas.
El espacio se asocia al perfil de usuario que especificó en la configuración del espacio. Puede eliminar su aplicación de Canvas sin eliminar el espacio y los datos almacenados en el espacio permanecerán. Los datos almacenados en su espacio solo se eliminan si elimina su perfil de usuario o si elimina el espacio directamente.
# Concesión de permisos a sus usuarios para crear modelos personalizados de predicción de imágenes y textos
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
En Amazon SageMaker Canvas, puede crear [modelos personalizados](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) para satisfacer sus necesidades empresariales específicas. Dos de estos tipos de modelos personalizados son la predicción de imágenes de etiqueta única y la predicción de texto multicategoría. Los permisos para crear estos tipos de modelos están incluidos en la denominada política AWS Identity and Access Management (IAM) [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess), que SageMaker AI asocia de forma predeterminada a la función de ejecución de IAM del usuario si deja activados los [permisos básicos de Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites). Si utiliza una configuración de IAM personalizada, debe añadir permisos de forma explícita al rol de ejecución de IAM del usuario para que pueda crear tipos de modelos de predicción de texto e imágenes personalizados. Para conceder los permisos necesarios para crear modelos de predicción de imágenes y textos, lea la siguiente sección para aprender a asociar una política de permisos mínimos a su rol.
Para agregar los permisos al rol de IAM de su usuario, haga lo siguiente:
1. Vaya a la [consola de IAM](https://console.aws.amazon.com/iamv2).
1. Elija **Roles**.
1. En el cuadro de búsqueda, busque el rol de IAM del usuario por su nombre y selecciónelo.
1. En la página del rol del usuario, en **Permisos**, seleccione **Agregar permisos**.
1. Elija **Crear política insertada**.
1. Seleccione la pestaña JSON y pegue la siguiente política de permisos mínimos en el editor.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"sagemaker:CreateAutoMLJobV2",
"sagemaker:DescribeAutoMLJobV2"
],
"Resource": "*"
}
]
}
```
------
1. Elija **Revisar política**.
1. Introduzca un **Nombre** para la política.
1. Elija **Crear política**.
*Para obtener más información sobre las políticas AWS administradas, consulte Políticas [administradas y políticas integradas en la Guía del](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) usuario de IAM.*
# Concesión de permisos a los usuarios para usar características de Amazon Bedrock e IA generativa en Canvas
Las funciones de IA generativa de Amazon SageMaker Canvas se basan en los modelos básicos de Amazon Bedrock, que son modelos de lenguaje de gran tamaño (LLMs) que tienen la capacidad de entender y generar texto similar al humano. En esta página, se describe cómo conceder los permisos necesarios para las siguientes funciones de Canvas: SageMaker
+ [Chatea con modelos de Amazon Bedrock y compáralos: accede e inicia conversaciones con modelos](canvas-fm-chat.md) de Amazon Bedrock a través de Canvas. SageMaker
+ [Utilice el chat para la característica de preparación de datos de Data Wrangler](canvas-chat-for-data-prep.md): utilice lenguaje natural para explorar, visualizar y transformar los datos. Esta característica utiliza tecnología Anthropic Claude 2.
+ [Afine los modelos fundacionales de Amazon Bedrock](canvas-fm-chat-fine-tune.md): afine un modelo fundacional de Amazon Bedrock a partir de sus propios datos para recibir respuestas personalizadas.
Para utilizar estas características, primero debe solicitar acceso al modelo específico de Amazon Bedrock que desea utilizar. A continuación, añada los permisos de AWS IAM necesarios y una relación de confianza con Amazon Bedrock a la función de ejecución del usuario. Para conceder los permisos al rol puede elegir uno de los siguientes métodos:
+ Crea un nuevo dominio o perfil de usuario de Amazon SageMaker AI y activa los permisos de Amazon Bedrock. Para obtener más información, consulte [Cómo empezar a usar Amazon SageMaker Canvas](canvas-getting-started.md).
+ Edita la configuración de un dominio o perfil de usuario de Amazon SageMaker AI existente.
+ Añada manualmente permisos y una relación de confianza al rol de IAM de un dominio o un usuario.
## Paso 1: adición de acceso al modelo de Amazon Bedrock
El acceso a los modelos de Amazon Bedrock no se concede de forma predeterminada, por lo que debe ir a la consola de Amazon Bedrock para solicitar el acceso a los modelos de su AWS cuenta.
Para obtener información sobre cómo solicitar acceso a un modelo de Amazon Bedrock específico, siga el procedimiento para **Añadir acceso a modelos** en la página [Administrar el acceso a modelos fundacionales de Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/model-access.html) en la *Guía del usuario de Amazon Bedrock*.
## Paso 2: concesión de permisos al rol de IAM
Al configurar su dominio o perfil de usuario de Amazon SageMaker AI, la función de ejecución de IAM del usuario debe tener la [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)política adjunta, así como una relación de confianza con Amazon Bedrock, de modo que su usuario pueda acceder a los modelos de Amazon Bedrock desde Canvas. SageMaker
Puede modificar la configuración del dominio y crear una nueva función de ejecución (a la que SageMaker AI le asignará los permisos necesarios) o especificar una función existente.
Como alternativa, puede modificar manualmente los permisos de un rol de IAM existente a través de la consola de IAM.
Ambos métodos se describen en las siguientes secciones.
### Concesión de permisos a través de la configuración del dominio
Puede editar la configuración de su dominio o perfil de usuario para activar la **configuración de Canvas Ready-to-use models** y especificar un rol de Amazon Bedrock.
Para editar la configuración del dominio y conceder acceso a modelos de Amazon Bedrock para usuarios de Canvas del dominio, haga lo siguiente:
1. Vaya a la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Dominios**.
1. En la lista de dominios, seleccione su dominio.
1. Elija la pestaña **Configuraciones de aplicaciones**.
1. En la sección **Canvas**, seleccione **Editar**.
1. Se abre la página **Editar la configuración de Canvas**. Para la sección de **configuración de Ready-to-use los modelos de Canvas**, haga lo siguiente:
1. **Active la opción Habilitar Ready-to-use modelos de Canvas**.
1. Para el **rol de Amazon Bedrock**, seleccione **Crear y usar un nuevo rol de ejecución** para crear un nuevo rol de ejecución de IAM que tenga la [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)política adjunta y una relación de confianza con Amazon Bedrock. Amazon Bedrock asume este rol de IAM cuando accede a los modelos de Amazon Bedrock, utiliza el chat para la característica de preparación de datos o afina los modelos de Amazon Bedrock en Canvas. Si ya tiene un rol de ejecución con una relación de confianza, seleccione **Usar un rol de ejecución existente** y elija un rol en el menú desplegable.
1. Elija **Enviar** para guardar los cambios.
Ahora debe tener los permisos necesarios para acceder a los modelos de Amazon Bedrock, utilizar el chat para la característica de preparación de datos y afinar los modelos de Amazon Bedrock en Canvas.
Puede usar el mismo procedimiento anterior para editar la configuración de un usuario individual, con la diferencia de que debe ir al perfil del usuario individual desde la página del dominio y editar la configuración del usuario. Los permisos concedidos a un usuario individual no se aplican a otros usuarios del dominio, mientras que los permisos concedidos a través de la configuración del dominio se aplican a todos los perfiles de usuario del dominio.
Para obtener más información sobre cómo editar la configuración del dominio, consulte [Visualización y edición de dominios](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-view-edit.html).
### Concesión manual de permisos a través de IAM
Puede conceder permisos manualmente a los usuarios para acceder y afinar los modelos de Amazon Bedrock en Canvas añadiendo permisos al rol de IAM especificado para el dominio o perfil de usuario. El rol de IAM debe tener la [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)política adjunta y una relación de confianza con Amazon Bedrock.
En la siguiente sección se muestra cómo asociar la política al rol de IAM y crear una relación de confianza con Amazon Bedrock.
En primer lugar, tome nota del rol de IAM de su dominio o perfil de usuario. Tenga en cuenta que los permisos concedidos a un usuario individual no se aplican a otros usuarios del dominio, mientras que los permisos concedidos a través del dominio se aplican a todos los perfiles de usuario del dominio.
Para configurar la rol de IAM y conceder permisos para afinar modelos fundacionales en Canvas, haga lo siguiente:
1. Vaya a la consola de IAM en. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. En el panel de navegación izquierdo, elija **Roles**.
1. Busque el rol de IAM del usuario por su nombre en la lista de roles y selecciónelo.
1. En la pestaña **Permissions (Permisos)**, seleccione **Add permissions (Añadir permisos)**. En el menú desplegable, seleccione **Asociar políticas**.
1. Busque la política `AmazonSageMakerCanvasBedrockAccess` y selecciónela.
1. Elija **Agregar permisos**.
1. En la página del rol de IAM, elija la pestaña **Relaciones de confianza**.
1. Elija **Editar la política de confianza**.
1. En el editor de políticas, busque la opción **Agregar una entidad principal** en el panel derecho y seleccione **Añadir**.
1. En el cuadro de diálogo, en **Tipo de entidad principal**, seleccione **Servicios de AWS **.
1. En **ARN**, introduzca **bedrock.amazonaws.com**.
1. Elija **Agregar entidad principal**.
1. Elija **Actualizar política**.
Ahora deberías tener una función de IAM con la [ AmazonSageMakerCanvasBedrockAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasBedrockAccess.html)política adjunta y una relación de confianza con Amazon Bedrock. Para obtener información sobre las políticas AWS administradas, consulte [Políticas administradas y políticas integradas en la Guía del usuario](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) de *IAM*.
# Actualice SageMaker Canvas para sus usuarios
Puede actualizar a la última versión de Amazon SageMaker Canvas como usuario o administrador de TI. Puede actualizar Amazon SageMaker Canvas para un solo usuario a la vez.
Para actualizar la aplicación Amazon SageMaker Canvas, debe eliminar la versión anterior.
**importante**
Al eliminar la versión anterior de Amazon SageMaker Canvas, no se eliminan los datos ni los modelos que han creado los usuarios.
Utilice el siguiente procedimiento para iniciar sesión AWS, abrir el dominio Amazon SageMaker AI y actualizar Amazon SageMaker Canvas. Los usuarios pueden empezar a utilizar la aplicación SageMaker Canvas cuando vuelvan a iniciar sesión.
1. Inicie sesión en la consola Amazon SageMaker AI en [Amazon SageMaker Runtime](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la página **Dominios**, seleccione su dominio.
1. En la lista de **Perfiles de usuario**, seleccione un perfil de usuario.
1. Para ver la lista de **Aplicaciones**, busque la aplicación de Canvas (el **Tipo de aplicación** indica **Canvas**) y seleccione **Eliminar aplicación**.
1. Complete el cuadro de diálogo y elija **Confirmar acción**.
La imagen siguiente muestra la página de perfil del usuario y está resaltada la acción **Eliminar la aplicación** del procedimiento anterior.
![\[Captura de pantalla de la página de perfil de usuario con la acción Eliminar aplicación resaltada.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-update-app-1.png)
# Solicitud de un aumento de cuota
Es posible que sus usuarios usen AWS los recursos en cantidades que superen las especificadas en sus cuotas. Si sus usuarios tienen recursos limitados y encuentran errores en SageMaker Canvas, puede solicitar un aumento de cuota para ellos.
Para obtener más información sobre las cuotas de SageMaker IA y cómo solicitar un aumento de las cuotas, consulte [Cuotas](https://docs.aws.amazon.com/sagemaker/latest/dg/regions-quotas.html#regions-quotas-quotas).
Amazon SageMaker Canvas utiliza los siguientes servicios para procesar las solicitudes de sus usuarios:
+ Piloto SageMaker automático Amazon
+ Dominio Amazon SageMaker Studio Classic
Para obtener una lista de las cuotas disponibles para las operaciones de SageMaker Canvas, consulta los [puntos de conexión y las cuotas de Amazon SageMaker AI](https://docs.aws.amazon.com//general/latest/gr/sagemaker.html).
## Solicite un aumento del número de instancias para crear modelos personalizados
Al crear un modelo personalizado, si detecta un error durante el análisis posterior a la creación que indique que debe aumentar la cuota de las instancias `ml.m5.2xlarge`, utilice la siguiente información para resolver el problema.
Debe aumentar la cuota de puntos de conexión de SageMaker AI Hosting para el tipo de `ml.m5.2xlarge` instancia hasta un valor distinto de cero en su AWS cuenta. Tras crear un modelo, SageMaker Canvas lo aloja en un punto final de SageMaker AI Hosting y lo utiliza para generar el análisis posterior a la creación. Si no aumentas la cuota de cuenta predeterminada a 0 para las `ml.m5.2xlarge` instancias, SageMaker Canvas no podrá completar este paso y generará un error durante el análisis posterior a la creación.
Para seguir el procedimiento para aumentar la cuota, consulte [Solicitud de aumento de cuota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) en la *Guía de usuario de Service Quotas*.
# Concesión a los usuarios de permisos para importar datos de Amazon Redshift
Es posible que sus usuarios tengan conjuntos de datos almacenados en Amazon Redshift. Antes de que los usuarios puedan importar datos de Amazon Redshift a SageMaker Canvas, debe añadir la política `AmazonRedshiftFullAccess` gestionada a la función de ejecución de IAM que ha utilizado para el perfil de usuario y añadir Amazon Redshift como principal de servicio a la política de confianza de la función. También debe asociar el rol de ejecución de IAM a su clúster de Amazon Redshift. Complete los procedimientos de las siguientes secciones para conceder a sus usuarios los permisos necesarios para importar datos de Amazon Redshift.
## Agregar permisos de Amazon Redshift a su rol de IAM
Debe conceder permisos de Amazon Redshift para el rol de IAM especificado en su perfil de usuario.
Para agregar la política `AmazonRedshiftFullAccess` al rol de IAM de su usuario, haga lo siguiente:
1. Inicie sesión en la consola de IAM en. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. Elija **Roles**.
1. En el cuadro de búsqueda, busque el rol de IAM del usuario por su nombre y selecciónelo.
1. En la página del rol del usuario, en **Permisos**, seleccione **Agregar permisos**.
1. Seleccione **Asociar políticas**.
1. Busque la política gestionada `AmazonRedshiftFullAccess` y selecciónela.
1. Elija **Asociar políticas** para asociar la política al rol.
Tras asociar la política, ahora la sección de **Permisos** del rol debería incluir `AmazonRedshiftFullAccess`.
Para agregar Amazon Redshift como entidad principal de servicio al rol de IAM, haga lo siguiente.
1. En la misma página para el rol de IAM, en **Relaciones de confianza**, elija **Editar política de confianza**.
1. En el editor **Editar política de confianza**, actualice la política de confianza para añadir Amazon Redshift como entidad principal de servicio. Un rol de IAM que permita a Amazon Redshift obtener acceso a otros servicios de AWS en su nombre tiene la siguiente relación de confianza:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": "redshift.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
]
}
```
------
1. Tras editar la política de confianza, seleccione **Actualizar política**.
Ahora debe tener un rol de IAM con la política `AmazonRedshiftFullAccess` asociada y una relación de confianza establecida con Amazon Redshift, que dé a los usuarios permiso para importar datos de Amazon Redshift a Canvas. SageMaker *Para obtener más información sobre las políticas AWS administradas, consulte Políticas [administradas y políticas integradas en la Guía del](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_managed-vs-inline.html) usuario de IAM.*
## Asociación del rol de IAM al clúster de Amazon Redshift
En la configuración de su clúster de Amazon Redshift, debe asociar el rol de IAM al que concedió los permisos en la sección anterior.
Pasos para asociar el rol de IAM a su clúster, haga lo siguiente.
1. Inicie sesión en la consola de Amazon Redshift en. [https://console.aws.amazon.com/redshiftv2/](https://console.aws.amazon.com/redshiftv2/)
1. En el menú de navegación, elija **Clústeres** y, a continuación, elija el nombre del clúster que desea actualizar.
1. En el menú desplegable **Acciones**, seleccione **Administrar los roles de IAM**. Aparece la página **Permisos del clúster**.
1. Para **Roles de IAM disponibles**, introduzca el ARN o el nombre del rol de IAM, o elija el rol de IAM de la lista.
1. Luego, elija **Asociar rol de IAM** para agregarlo a la lista de **Roles de IAM asociados** del clúster.
1. Seleccione **Guardar cambios** para asociar el rol de IAM al clúster.
Amazon Redshift modifica el clúster para completar el cambio y el rol de IAM para el que anteriormente concedía permisos de Amazon Redshift ahora está asociado a su clúster de Amazon Redshift. Sus usuarios ahora tienen los permisos necesarios para importar datos de Amazon Redshift a SageMaker Canvas.
# Otorgue a sus usuarios permisos para enviar predicciones a Quick
Debe conceder permisos a sus usuarios de SageMaker Canvas para enviar predicciones por lotes a Quick. En Quick, los usuarios pueden crear análisis e informes con un conjunto de datos y preparar paneles para compartir sus resultados. Para obtener más información sobre cómo enviar predicciones QuickSight para su análisis, consulte[Envía las predicciones a Quick](canvas-send-predictions.md).
Para conceder los permisos necesarios para compartir las predicciones por lotes con los usuarios QuickSight, debe añadir una política de permisos a la función de ejecución AWS Identity and Access Management (IAM) que ha utilizado para el perfil de usuario. En la siguiente sección se muestra cómo asociar una política de permisos mínimos a su rol.
**Agregar la política de permisos a su rol de IAM**
**Para agregar la política de permisos, siga este procedimiento:**
1. Inicie sesión en la consola de IAM en. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. Elija **Roles**.
1. En el cuadro de búsqueda, busque el rol de IAM del usuario por su nombre y selecciónelo.
1. En la página del rol del usuario, en **Permisos**, seleccione **Agregar permisos**.
1. Elija **Crear política insertada**.
1. Seleccione la pestaña JSON y pegue la siguiente política de permisos mínimos en el editor. Sustituya los marcadores de posición `` por su número de cuenta de AWS .
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"quicksight:CreateDataSet",
"quicksight:ListUsers",
"quicksight:ListNamespaces",
"quicksight:CreateDataSource",
"quicksight:PassDataSet",
"quicksight:PassDataSource"
],
"Resource": [
"arn:aws:quicksight:*:111122223333:datasource/*",
"arn:aws:quicksight:*:111122223333:user/*",
"arn:aws:quicksight:*:111122223333:namespace/*",
"arn:aws:quicksight:*:111122223333:dataset/*"
]
}
]
}
```
------
1. Elija **Revisar política**.
1. Introduzca un **Nombre** para la política.
1. Elija **Crear política**.
Ahora debería incorporar a su función de ejecución una política de IAM gestionada por el cliente que conceda a sus usuarios de Canvas los permisos necesarios para enviar predicciones por lotes a los usuarios. QuickSight
# Administración de aplicaciones
Las siguientes secciones describen cómo puede administrar sus aplicaciones de SageMaker Canvas. Puede ver, eliminar o volver a lanzar sus aplicaciones desde la sección **Dominios** de la consola de SageMaker IA.
**Topics**
+ [Comprobación de aplicaciones activas](canvas-manage-apps-active.md)
+ [Eliminación de una aplicación de](canvas-manage-apps-delete.md)
+ [Reinicialización de una aplicación](canvas-manage-apps-relaunch.md)
# Comprobación de aplicaciones activas
Para comprobar si tiene alguna aplicación de SageMaker Canvas en ejecución activa, utilice el siguiente procedimiento.
1. Abra la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, selecciona **Panel de control**.
1. En la sección **LCNC**, hay una fila para Canvas que indica cuántas aplicaciones activas se están ejecutando. Elija el número para ver la lista de aplicaciones.
La columna **Estado** muestra el estado de la aplicación, como **Lista**, **Pendiente** o **Eliminada**. Si la aplicación está **lista, significa** que su instancia de espacio de trabajo de SageMaker Canvas está activa. Puede eliminar la aplicación de la consola o volver a abrir Canvas y cerrar sesión.
# Eliminación de una aplicación de
Si desea cerrar su instancia de espacio de trabajo de SageMaker Canvas, puede cerrar sesión en la aplicación SageMaker Canvas o eliminar la aplicación de la consola de SageMaker IA. Una *instancia de espacio* de trabajo está dedicada a su uso desde que comienza a usar SageMaker Canvas hasta el momento en que deja de usarla. Al eliminar la aplicación, solo se cierra la instancia de espacio de trabajo y se detienen los cargos de la instancia de espacio de trabajo. Los modelos y los conjuntos de datos no se ven afectados, pero las tareas de creación rápida se reinician automáticamente cuando vuelve a iniciar la aplicación.
Para eliminar la aplicación Canvas a través de la AWS consola, cierra primero la pestaña del navegador en la que estaba abierta la aplicación Canvas. A continuación, utilice el siguiente procedimiento para eliminar la aplicación de SageMaker Canvas.
1. Abre la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la página **Dominios**, seleccione su dominio.
1. En la página **de detalles del dominio**, selecciona **Recursos**.
1. En **Aplicaciones**, busca la aplicación que diga **Canvas** en la columna **Tipo de aplicación**.
1. Seleccione la casilla de verificación situada junto a la aplicación Canvas y elija **Detener**.
Ahora ha detenido correctamente la aplicación y cerrado la instancia del espacio de trabajo.
También puede cerrar la instancia del espacio de trabajo [cerrando sesión](canvas-log-out.md) en la aplicación SageMaker Canvas.
# Reinicialización de una aplicación
Si elimina o cierra sesión en su aplicación SageMaker Canvas y desea volver a iniciarla, utilice el siguiente procedimiento.
1. Navegue hasta la [consola de SageMaker IA.](https://console.aws.amazon.com/sagemaker/)
1. En el panel de navegación, elija **Canvas**.
1. En la página de inicio de SageMaker Canvas, en el cuadro **Cómo empezar**, selecciona tu perfil de usuario en el menú desplegable.
1. Seleccione **Abrir Canvas** para abrir la aplicación.
SageMaker Canvas comienza a lanzar la aplicación.
También puede utilizar el siguiente procedimiento secundario si tiene algún problema con el procedimiento anterior.
1. Abre la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la página **Dominios**, seleccione su dominio.
1. En la página de **detalles del dominio**, en **Perfiles de usuario**, seleccione el nombre del perfil de usuario de la aplicación SageMaker Canvas que desee ver.
1. Elija **Lanzar** y seleccione **Canvas** en la lista desplegable.
SageMaker Canvas comienza a lanzar la aplicación.
# Configurar Amazon SageMaker Canvas en una VPC sin acceso a Internet
La aplicación Amazon SageMaker Canvas se ejecuta en un contenedor de una Amazon Virtual Private Cloud (VPC) AWS gestionada. Si desea controlar aún más el acceso a sus recursos o ejecutar SageMaker Canvas sin acceso público a Internet, puede configurar su dominio de Amazon SageMaker AI y los ajustes de VPC. Dentro de su propia VPC, puede configurar ajustes como grupos de seguridad (firewalls virtuales que controlan el tráfico entrante y saliente de las instancias de Amazon EC2) y subredes (rangos de direcciones IP en su VPC). Para obtener más información VPCs, consulte [Cómo funciona Amazon VPC](https://docs.aws.amazon.com/vpc/latest/userguide/how-it-works.html).
Cuando la aplicación SageMaker Canvas se ejecuta en la VPC AWS gestionada, puede interactuar con otros AWS servicios mediante una conexión a Internet o mediante puntos de conexión de la VPC creados en una VPC gestionada por el cliente (sin acceso público a Internet). SageMaker Las aplicaciones de Canvas pueden acceder a estos puntos finales de la VPC a través de una interfaz de red creada por Studio Classic que proporciona conectividad a la VPC gestionada por el cliente. El comportamiento predeterminado de la aplicación SageMaker Canvas es tener acceso a Internet. Cuando se utiliza una conexión a Internet, los contenedores de los trabajos anteriores acceden a los recursos de AWS a través de Internet, como los buckets de Amazon S3, donde se almacenan los datos de entrenamiento y los artefactos del modelo.
Sin embargo, si tiene requisitos de seguridad para controlar el acceso a sus contenedores de datos y trabajos, le recomendamos que configure SageMaker Canvas y su VPC para que no se pueda acceder a sus datos y contenedores a través de Internet. SageMaker La IA usa los ajustes de configuración de VPC que especificas al configurar tu dominio para SageMaker Canvas.
Si desea configurar su aplicación SageMaker Canvas sin acceso a Internet, debe configurar los ajustes de la VPC al incorporarse al [dominio Amazon SageMaker AI](gs-studio-onboard.md), configurar los puntos de enlace de la VPC y conceder los permisos necesarios. AWS Identity and Access Management Para obtener información sobre la configuración de una VPC en Amazon SageMaker AI, consulte. [Elección de una Amazon VPC](onboard-vpc.md) En las siguientes secciones se describe cómo ejecutar SageMaker Canvas en una VPC sin acceso público a Internet.
## Configurar Amazon SageMaker Canvas en una VPC sin acceso a Internet
Puede enviar tráfico desde SageMaker Canvas a otros AWS servicios a través de su propia VPC. Si su propia VPC no tiene acceso público a Internet y ha configurado su dominio en modo **solo VPC**, SageMaker Canvas tampoco tendrá acceso público a Internet. Esto incluye todas las solicitudes, como el acceso a conjuntos de datos en Amazon S3 o los trabajos de entrenamiento para compilaciones estándares, y las solicitudes pasan por los puntos de conexión de VPC de su VPC en lugar de por el Internet público. Al incorporarse al dominio y [Elección de una Amazon VPC](onboard-vpc.md), puede especificar su propia VPC como VPC predeterminada para el dominio, junto con la configuración de subred y grupo de seguridad que desee. A continuación, la SageMaker IA crea una interfaz de red en la VPC que SageMaker Canvas utiliza para acceder a los puntos finales de la VPC de la VPC.
Asegúrese de configurar uno o más grupos de seguridad en su VPC con reglas de entrada y salida que permitan [tráfico TCP dentro del grupo de seguridad](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances). Esto es necesario para la conectividad entre la aplicación de Jupyter Server y las aplicaciones de puerta de enlace de kernel. Debe permitir el acceso al menos a los puertos del rango`8192-65535`. Además, asegúrese de crear un grupo de seguridad distinto para cada perfil de usuario y agregue el acceso entrante desde ese mismo grupo de seguridad. No se recomienda reutilizar un grupo de seguridad de nivel de dominio para perfiles de usuario. Si el grupo de seguridad de nivel de dominio permite el acceso entrante a sí mismo, todas las aplicaciones del dominio tendrán acceso a todas las demás aplicaciones del dominio. Tenga en cuenta que la configuración del grupo de seguridad y la subred se establece una vez que haya terminado de incorporarse al dominio.
Al incorporarte al dominio, si eliges **solo Internet público** como tipo de acceso a la red, la VPC SageMaker está gestionada por IA y permite el acceso a Internet.
Puede cambiar este comportamiento si elige **solo VPC** para que la SageMaker IA envíe todo el tráfico a una interfaz de red que la SageMaker IA cree en la VPC especificada. Al elegir esta opción, debe proporcionar las subredes, los grupos de seguridad y los puntos de enlace de VPC necesarios para comunicarse con SageMaker la API SageMaker y AI Runtime, y AWS varios servicios, como Amazon S3 y CloudWatch Amazon, que utiliza Canvas. SageMaker Tenga en cuenta que solo puede importar datos de buckets de Amazon S3 ubicados en la misma región que su VPC.
Los siguientes procedimientos muestran cómo puede configurar estos ajustes para usar SageMaker Canvas sin Internet.
### Paso 1: Incorporación al dominio Amazon SageMaker AI
[Para enviar el tráfico de SageMaker Canvas a una interfaz de red de su propia VPC en lugar de hacerlo a través de Internet, especifique la VPC que quiere usar al incorporarse al dominio de Amazon AI. SageMaker ](gs-studio-onboard.md) También debes especificar al menos dos subredes en tu VPC SageMaker que pueda usar la IA. Elija la **Configuración estándar** y lleve a cabo el siguiente procedimiento al configurar la **Sección de red y almacenamiento** del dominio.
1. Seleccione la **VPC** que desee.
1. Elija dos o más **Subredes**. Si no especificas las subredes, la SageMaker IA utilizará todas las subredes de la VPC.
1. Elija uno o varios **Grupos de seguridad**.
1. Elija **Solo VPC** para desactivar el acceso directo a Internet en la AWS VPC gestionada en la que se SageMaker aloja Canvas.
Tras deshabilitar el acceso a Internet, finalice el proceso de incorporación para configurar su dominio. Para obtener más información sobre la configuración de VPC para el dominio de Amazon SageMaker AI, consulte. [Elección de una Amazon VPC](onboard-vpc.md)
### Paso 2: configuración de puntos de conexión de VPC y accesos
**nota**
Para configurar Canvas en su propia VPC, debe habilitar los nombres de host de DNS privados para los puntos de conexión de VPC. Para obtener más información, consulte [Conectarse a la SageMaker IA a través de un punto final de interfaz de VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/interface-vpc-endpoint.html).
SageMaker Canvas solo accede a otros AWS servicios para administrar y almacenar datos para su funcionalidad. Por ejemplo, se conecta a Amazon Redshift si los usuarios acceden a una base de datos de Amazon Redshift. Puede conectarse a un AWS servicio como Amazon Redshift mediante una conexión a Internet o un punto final de VPC. Usa puntos de conexión de VPC si quieres configurar conexiones desde tu VPC a AWS servicios que no utilizan la Internet pública.
Un punto final de VPC crea una conexión privada a un AWS servicio que utiliza una ruta de red aislada de la Internet pública. Por ejemplo, si configura el acceso a Amazon S3 mediante un punto de enlace de VPC desde su propia VPC, la aplicación SageMaker Canvas puede acceder a Amazon S3 a través de la interfaz de red de su VPC y, después, a través del punto de enlace de VPC que se conecta a Amazon S3. La comunicación entre SageMaker Canvas y Amazon S3 es privada.
Para obtener más información acerca de la configuración de puntos de conexión de VPC, consulte [AWS PrivateLink](https://docs.aws.amazon.com/vpc/latest/privatelink/what-is-privatelink.html). Si utiliza modelos de Amazon Bedrock en Canvas con una VPC, para obtener más información sobre cómo controlar el acceso a sus datos, consulte [Protección de trabajos mediante una VPC](https://docs.aws.amazon.com/bedrock/latest/userguide/usingVPC.html#configureVPC) en *la Guía del usuario de Amazon Bedrock*.
Los siguientes son los puntos finales de VPC para cada servicio que puede usar con Canvas: SageMaker
| Servicio | Punto de conexión | Tipo de punto de conexión |
| --- | --- | --- |
| AWS Application Auto Scaling | com.amazonaws. *Region*.escalado automático de aplicaciones | Interfaz |
| Amazon Athena | com.amazonaws. *Region*.athena | Interfaz |
| Amazon SageMaker AI | com.amazonaws. *Region*.sagemaker.api com.amazonaws. *Region*.sagemaker.runtime com.amazonaws. *Region*.cuaderno | Interfaz |
| Asistente de ciencia de datos de Amazon SageMaker AI | com.amazonaws. *Region*. sagemaker-data-science-assistant | Interfaz |
| AWS Security Token Service | com.amazonaws. *Region*.sts | Interfaz |
| Amazon Elastic Container Registry (Amazon ECR) | com.amazonaws. *Region*.ecr.api com.amazonaws. *Region*.ecr.dkr | Interfaz |
| Amazon Elastic Compute Cloud (Amazon EC2) | com.amazonaws. *Region*.ec2 | Interfaz |
| Amazon Simple Storage Service (Amazon S3) | com.amazonaws. *Region*.s3 | Puerta de enlace |
| Amazon Redshift | com.amazonaws. *Region*.redshift-data | Interfaz |
| AWS Secrets Manager | com.amazonaws. *Region*.administrador de secretos | Interfaz |
| AWS Systems Manager | com.amazonaws. *Region*.ssm | Interfaz |
| Amazon CloudWatch | com.amazonaws. *Region*.monitoreo | Interfaz |
| Amazon CloudWatch Logs | com.amazonaws. *Region*.logs | Interfaz |
| Amazon Forecast | com.amazonaws. *Region*.pronóstico com.amazonaws. *Region*.forecastquery | Interfaz |
| Amazon Textract | com.amazonaws. *Region*.t extract | Interfaz |
| Amazon Comprehend | com.amazonaws. *Region*.comprender | Interfaz |
| Amazon Rekognition | com.amazonaws. *Region*.reconocimiento | Interfaz |
| AWS Glue | com.amazonaws. *Region*.pegamento | Interfaz |
| AWS Application Auto Scaling | com.amazonaws. *Region*.escalado automático de aplicaciones | Interfaz |
| Amazon Relational Database Service (Amazon RDS) | com.amazonaws. *Region*.rds | Interfaz |
| Amazon Bedrock (véase la nota después de la tabla) | com.amazonaws. *Region*.bedrock-runtime | Interfaz |
| Amazon Kendra | com.amazonaws. *Region*.kendra | Interfaz |
| Amazon EMR sin servidor | com.amazonaws. *Region*.emr-serverless | Interfaz |
| Amazon Q Developer (véase la nota después de la tabla) | com.amazonaws. *Region*q. | Interfaz |
**nota**
El punto de conexión de VPC de Amazon Q Developer solo está disponible actualmente en la región Este de EE. UU. (Norte de Virginia). Para conectarse desde otras regiones, puede elegir una de las siguientes opciones según sus preferencias de seguridad e infraestructura:
**Configurar una puerta de enlace NAT.** Configure una puerta de enlace NAT en la subred privada de su VPC para habilitar la conectividad a Internet en el punto de conexión de Q Developer. Para obtener más información, consulte [Setting up a NAT Gateway in a VPC Private Subnet](https://repost.aws/knowledge-center/nat-gateway-vpc-private-subnet).
**Habilitar el acceso a puntos de conexión de VPC entre regiones.** Configure el acceso a puntos de conexión de VPC entre regiones para Q Developer. Utilice esta opción para conectarse de forma segura sin acceso a Internet. Para obtener más información, consulte [Configuring Cross-Region VPC Endpoint Access](https://repost.aws/knowledge-center/vpc-endpoints-cross-region-aws-services).
**nota**
En el caso de Amazon Bedrock, el nombre del servicio de punto de conexión de la interfaz `com.amazonaws.Region.bedrock` ha quedado obsoleto. Cree un nuevo punto de conexión de VPC con el nombre de servicio que aparece en la tabla anterior.
Además, no se pueden ajustar los modelos de base de Canvas sin acceso a VPCs Internet. Esto se debe a que Amazon Bedrock no admite puntos de enlace de VPC para la personalización de modelos. APIs Para obtener más información sobre cómo afinar un modelo fundacional en Canvas, consulte [Afinamiento de modelos fundacionales](canvas-fm-chat-fine-tune.md).
También debe añadir una política de puntos de conexión para que Amazon S3 controle el acceso AWS principal a su punto de enlace de VPC. Para obtener información sobre cómo actualizar la política de puntos de conexión de VPC, consulte [Uso de políticas de punto de conexión para controlar el acceso a puntos de conexión de VPC](https://docs.aws.amazon.com/vpc/latest/privatelink/vpc-endpoints-access.html).
A continuación, se muestran dos políticas de puntos de punto de conexión de VPC que puede utilizar. Utilice la primera política si solo desea conceder acceso a las funciones básicas de Canvas, como importación de datos y creación de modelos. Utilice la segunda política si quiere desea acceso a las [características adicionales de IA generativa](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat.html) en Canvas.
------
#### [ Basic VPC endpoint policy ]
La siguiente política concede el acceso necesario a un punto de conexión de VPC para operaciones básicas en Canvas.
```
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject",
"s3:CreateBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::*SageMaker*",
"arn:aws:s3:::*Sagemaker*",
"arn:aws:s3:::*sagemaker*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:ListAllMyBuckets"
],
"Resource": "*"
}
```
------
#### [ Generative AI VPC endpoint policy ]
La siguiente política otorga el acceso necesario a su punto de conexión de VPC para realizar operaciones básicas en Canvas, además de utilizar modelos fundacionales de IA generativa.
```
{
"Effect": "Allow",
"Action": [
"s3:GetObject",
"s3:PutObject",
"s3:DeleteObject",
"s3:CreateBucket",
"s3:GetBucketCors",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::*SageMaker*",
"arn:aws:s3:::*Sagemaker*",
"arn:aws:s3:::*sagemaker*",
"arn:aws:s3:::*fmeval/datasets*",
"arn:aws:s3:::*jumpstart-cache-prod*"
]
},
{
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:ListAllMyBuckets"
],
"Resource": "*"
}
```
------
### Paso 3: Concesión de permisos de IAM
El usuario de SageMaker Canvas debe tener los AWS Identity and Access Management permisos necesarios para permitir la conexión a los puntos finales de la VPC. La función de IAM a la que concedas permisos debe ser la misma que utilizaste al incorporarte al dominio de Amazon SageMaker AI. Puede adjuntar la `AmazonSageMakerFullAccess` política gestionada por SageMaker IA a la función de IAM del usuario para concederle los permisos necesarios. Si necesitas permisos de IAM más restrictivos y, en su lugar, utilizas políticas personalizadas, concede el permiso al rol del `ec2:DescribeVpcEndpointServices` usuario. SageMaker Canvas requiere estos permisos para verificar la existencia de los puntos finales de VPC necesarios para los trabajos de construcción estándar. Si detecta estos puntos de conexión de VPC, los trabajos de compilación estándares se ejecutan de forma predeterminada en la VPC. De lo contrario, se ejecutarán en la VPC AWS gestionada predeterminada.
Para obtener instrucciones sobre cómo asociar la política de `AmazonSageMakerFullAccess` IAM al rol de IAM del usuario, consulte [Adición y eliminación de permisos de identidad de IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html).
Para conceder el permiso detallado `ec2:DescribeVpcEndpointServices` al rol de IAM de su usuario, utilice el siguiente procedimiento.
1. Inicie sesión en la consola de [IAM Consola de administración de AWS](https://console.aws.amazon.com/iam/) y ábrala.
1. Seleccione **Roles** en el panel de navegación.
1. En la lista, seleccione el nombre del rol para el que quiera conceder los permisos.
1. Elija la pestaña **Permisos**.
1. Seleccione **Agregar permisos** y, a continuación, **Crear política insertada**.
1. Elija la pestaña **JSON** e introduzca la siguiente política, que otorga el permiso `ec2:DescribeVpcEndpointServices`:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "VisualEditor0",
"Effect": "Allow",
"Action": "ec2:DescribeVpcEndpointServices",
"Resource": "*"
}
]
}
```
------
1. Seleccione **Revisar política** y después especifique un **Nombre** para la política (por ejemplo, `VPCEndpointPermissions`).
1. Elija **Crear política**.
El rol de IAM del usuario ahora debería tener permisos para acceder a los puntos de conexión de VPC configurados en su VPC.
### (Opcional) Paso 4: Anular la configuración del grupo de seguridad para usuarios específicos
Si es administrador, es posible que quiera que los distintos usuarios tengan una configuración de VPC diferente o una configuración de VPC específica para cada usuario. Al anular la configuración predeterminada del grupo de seguridad de la VPC para un usuario específico, esta configuración se transfiere a la aplicación SageMaker Canvas de ese usuario.
Puede anular los grupos de seguridad a los que tiene acceso un usuario específico en su VPC al configurar un nuevo perfil de usuario en Studio Classic. Puede usar la llamada a la [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html) SageMaker API (o [create\$1user\$1profile](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.create_user_profile) con la [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-welcome.html)) y, luego, en, puede especificar la para el `UserSettings` usuario. `SecurityGroups`
# Configure las conexiones a las fuentes de datos con OAuth
En la siguiente sección se describen los pasos que debe seguir para configurar OAuth las conexiones a las fuentes de datos desde Canvas. SageMaker [OAuth](https://oauth.net/2/)es una plataforma de autenticación común para conceder acceso a los recursos sin compartir contraseñas. Con ella OAuth, puede conectarse rápidamente a sus datos desde Canvas e importarlos para crear modelos. Actualmente, Canvas es compatible con OAuth Snowflake y Salesforce Data Cloud.
**nota**
Solo puede establecer una OAuth conexión para cada fuente de datos.
## Configure OAuth para Salesforce Data Cloud
OAuth Para configurar Salesforce Data Cloud, siga estos pasos generales:
1. Inicia sesión en Salesforce Data Cloud.
1. En Salesforce Data Cloud, cree una nueva conexión de aplicación y haga lo siguiente:
1. Habilite la OAuth configuración.
1. Cuando se le solicite una URL de devolución de llamada (o la URL del recurso que accede a sus datos), especifique la URL de su aplicación de Canvas. La URL de la aplicación de Canvas tiene este formato: `https://.studio..sagemaker.aws/canvas/default`
1. Copie la clave del consumidor y el secreto.
1. Copie la URL de autorización y la URL del token.
Para obtener instrucciones más detalladas sobre cómo realizar las tareas anteriores en Salesforce Data Cloud, consulte [Importación de datos de Salesforce Data Cloud.](data-wrangler-import.md#data-wrangler-import-salesforce-data-cloud) en la documentación de Data Wrangler para importar datos desde Salesforce Data Cloud.
Tras habilitar el acceso desde Salesforce Data Cloud y obtener la información de conexión, debe crear un [AWS Secrets Manager](https://docs.aws.amazon.com/secretsmanager/latest/userguide/intro.html)secreto para almacenar la información y añadirla a su dominio o perfil de usuario de Amazon SageMaker AI. Tenga en cuenta que puede agregar un secreto tanto a un dominio como a un perfil de usuario, pero Canvas busca primero los secretos en el perfil de usuario.
Para agregar un secreto a su dominio o perfil de usuario, haga lo siguiente:
1. Ve a la [consola Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. En el panel de navegación izquierdo, seleccione **Dominios**.
1. En la lista de **Dominios**, seleccione su dominio.
1. Si va a agregar su secreto a su dominio, haga lo siguiente:
1. Seleccione el dominio.
1. En la página **Configuración del dominio**, elija la pestaña **Configuración del dominio**.
1. Elija **Edit (Edición de)**.
1. Si va a agregar el secreto a su perfil de usuario, haga lo siguiente:
1. Seleccione el dominio del usuario.
1. En la página **Configuración del dominio**, seleccione el perfil de usuario.
1. En la página **Detalles del usuario**, elija **Editar**.
1. En el panel de navegación, elija **Configuración de Canvas**.
1. Para los **OAuth ajustes**, selecciona **Añadir OAuth configuración**.
1. En **Origen de datos**, seleccione **Salesforce Data Cloud**.
1. En **Configuración secreta**, seleccione **Crear un secreto nuevo**. Como alternativa, si ya ha creado un AWS Secrets Manager secreto con sus credenciales, introduzca el ARN del secreto. Si va a crear un nuevo secreto, haga lo siguiente:
1. En **Proveedor de identidades**, seleccione **SALESFORCE**.
1. Para el **ID de cliente**, **Secreto de cliente**, **URL de autorización** y **URL de token**, introduzca toda la información que recopiló de Salesforce Data Cloud en el procedimiento anterior.
1. Guarde la configuración de su dominio o perfil de usuario.
Ahora debería poder crear una conexión a sus datos en Salesforce Data Cloud desde Canvas.
## Configure OAuth para Snowflake
Para configurar la autenticación de Snowflake, Canvas admite proveedores de identidad que puede utilizar en lugar de que los usuarios introduzcan directamente sus credenciales en Canvas.
Los siguientes son enlaces a la documentación de Snowflake para los proveedores de identidades compatibles con Canvas:
+ [Azure AD](https://docs.snowflake.com/en/user-guide/oauth-azure.html)
+ [Okta](https://docs.snowflake.com/en/user-guide/oauth-okta.html)
+ [Ping Federate](https://docs.snowflake.com/en/user-guide/oauth-pingfed.html)
Este proceso describe los pasos generales que debe dar. Para obtener instrucciones más detalladas sobre cómo realizar estos pasos, puede consultar la sección [Configuración de Snowflake Access OAuth](data-wrangler-import.md#data-wrangler-snowflake-oauth-setup) de la documentación de Data Wrangler sobre la importación de datos de Snowflake.
OAuth Para configurar Snowflake, haga lo siguiente:
1. Registre Canvas como aplicación con el proveedor de identidades. Esto requiere especificar una URL de redireccionamiento a Canvas, que debe seguir este formato: `https://.studio..sagemaker.aws/canvas/default`
1. En el proveedor de identidades, cree un servidor o una API que envíe los OAuth tokens a Canvas para que Canvas pueda acceder a Snowflake. Al configurar el servidor, utilice el código de autorización y actualice los tipos de concesión de los tokens, especifique la duración del token de acceso y establezca una política de actualización de los mismos. Además, en la integración de OAuth seguridad externa de Snowflake, habilite. `external_oauth_any_role_mode`
1. Obtenga la siguiente información del proveedor de identidades: URL del token, URL de autorización, ID de cliente, secreto de cliente. En el caso de Azure AD, recupere también las credenciales del OAuth ámbito.
1. Guarde en AWS Secrets Manager secreto la información recuperada en el paso anterior.
1. Para Okta y Ping Federate, el formato del secreto debe ser el siguiente:
```
{"token_url":"https://identityprovider.com/oauth2/example-portion-of-URL-path/v2/token",
"client_id":"example-client-id", "client_secret":"example-client-secret", "identity_provider":"OKTA"|"PING_FEDERATE",
"authorization_url":"https://identityprovider.com/oauth2/example-portion-of-URL-path/v2/authorize"}
```
1. En el caso de Azure AD, el secreto también debe incluir las credenciales del OAuth ámbito como `datasource_oauth_scope` campo.
Tras configurar el proveedor de identidad y el secreto, debe crear un [AWS Secrets Manager](https://docs.aws.amazon.com/secretsmanager/latest/userguide/intro.html)secreto para almacenar la información y añadirlo a su dominio o perfil de usuario de Amazon SageMaker AI. Tenga en cuenta que puede agregar un secreto tanto a un dominio como a un perfil de usuario, pero Canvas busca primero los secretos en el perfil de usuario.
Para agregar un secreto a su dominio o perfil de usuario, haga lo siguiente:
1. Ve a la [consola Amazon SageMaker AI](https://console.aws.amazon.com/sagemaker).
1. En el panel de navegación izquierdo, seleccione **Dominios**.
1. En la lista de **Dominios**, seleccione su dominio.
1. Si va a agregar su secreto a su dominio, haga lo siguiente:
1. Seleccione el dominio.
1. En la página **Configuración del dominio**, elija la pestaña **Configuración del dominio**.
1. Elija **Edit (Edición de)**.
1. Si va a agregar el secreto a su perfil de usuario, haga lo siguiente:
1. Seleccione el dominio del usuario.
1. En la página **Configuración del dominio**, seleccione el perfil de usuario.
1. En la página **Detalles del usuario**, elija **Editar**.
1. En el panel de navegación, elija **Configuración de Canvas**.
1. Para los **OAuth ajustes**, selecciona **Añadir OAuth configuración**.
1. En **Origen de datos**, seleccione **Snowflake**.
1. En **Configuración secreta**, seleccione **Crear un secreto nuevo**. Como alternativa, si ya ha creado un AWS Secrets Manager secreto con sus credenciales, introduzca el ARN del secreto. Si va a crear un nuevo secreto, haga lo siguiente:
1. En **Proveedor de identidades**, seleccione **SNOWFLAKE**.
1. Para el **ID de cliente**, **Secreto de cliente**, **URL de autorización** y **URL de token**, introduzca toda la información que recopiló del proveedor de identidades en el procedimiento anterior.
1. Guarde la configuración de su dominio o perfil de usuario.
Ahora debería poder crear una conexión a sus datos en Snowflake desde Canvas.
# Asistencia de la IA generativa para resolver problemas de machine learning en Canvas con Amazon Q Developer
Mientras usa Amazon SageMaker Canvas, puede chatear con Amazon Q Developer en lenguaje natural para aprovechar la IA generativa y resolver problemas. Q Developer es un asistente que le ayuda a convertir sus objetivos en tareas de machine learning y describe cada paso del flujo de trabajo de machine learning. Q Developer ayuda a los usuarios de Canvas a reducir la cantidad de tiempo, esfuerzo y experiencia en ciencia de datos necesarios para aprovechar el machine learning y tomar decisiones basadas en datos para sus organizaciones.
A través de una conversación con Q Developer, puede iniciar acciones en Canvas, como preparar datos, crear un modelo de machine learning, hacer predicciones e implementar un modelo. Q Developer hace sugerencias sobre los próximos pasos y le proporciona contexto a medida que los va completando. También le informa de los resultados; por ejemplo, Canvas puede transformar su conjunto de datos según las prácticas recomendadas y Q Developer puede enumerar las transformaciones utilizadas y el motivo.
Amazon Q Developer está disponible en SageMaker Canvas sin coste adicional para los usuarios de Amazon Q Developer Pro y Free Tier. Sin embargo, se aplican cargos estándar a recursos como la instancia de espacio de trabajo de SageMaker Canvas y a cualquier recurso utilizado para crear o implementar modelos. Para obtener más información sobre los precios, consulta los [precios de Amazon SageMaker Canvas](https://aws.amazon.com/sagemaker-ai/canvas/pricing/).
Amazon Q se puede utilizar con la [licencia 0 de MIT](https://github.com/aws/mit-0) y de conformidad con la [Política de IA responsable de AWS](https://aws.amazon.com/machine-learning/responsible-ai/policy/). Cuando se utiliza Q Developer fuera de los EE. UU., Q Developer procesa los datos en todas las regiones de EE. UU. Para obtener más información, consulte [Cross region inference in Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/cross-region-inference.html).
**nota**
Amazon Q Developer en SageMaker Canvas no utiliza el contenido de los usuarios para mejorar el servicio, independientemente de si utilizas la suscripción de nivel gratuito o la de nivel Pro. Q Developer podría realizar un seguimiento del uso que haga, por ejemplo, del número de preguntas formuladas y de si se aceptaron o rechazaron las recomendaciones con fines de telemetría de servicios. Estos datos de telemetría no incluyen información de identificación personal, como la dirección IP.
## Funcionamiento
Amazon Q Developer es un asistente generativo con IA disponible en SageMaker Canvas que puede consultar mediante lenguaje natural. Q Developer hace sugerencias para cada paso del flujo de trabajo de machine learning, explica los conceptos y le proporciona opciones y más detalles según sea necesario. Puede usar Q Developer para obtener ayuda con los casos de uso de regresión, la clasificación binaria y la clasificación multiclase.
Por ejemplo, para predecir la pérdida de clientes, cargue un conjunto de datos con información histórica sobre la pérdida de clientes en Canvas a través de Q Developer. Q Developer sugiere un tipo de modelo de machine learning adecuado y los pasos necesarios para solucionar los problemas del conjunto de datos, crear un modelo y hacer predicciones.
**importante**
Amazon Q Developer está diseñado para conversaciones sobre problemas de aprendizaje automático en SageMaker Canvas. Además, guía a los usuarios a través de las acciones de Canvas y, de forma opcional, responde a preguntas sobre Servicios de AWS. Q Developer solo procesa las entradas del modelo en inglés. Para obtener más información sobre cómo utilizar Q Developer, consulte [Características de Amazon Q Developer](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/features.html) en la *Guía del usuario de Amazon Q Developer*.
## Regiones admitidas
Amazon Q Developer está disponible en SageMaker Canvas en las siguientes ubicaciones Regiones de AWS:
+ Este de EE. UU. (Norte de Virginia)
+ Este de EE. UU. (Ohio)
+ Oeste de EE. UU. (Oregón)
+ Asia-Pacífico (Bombay)
+ Asia-Pacífico (Seúl)
+ Asia-Pacífico (Singapur)
+ Asia-Pacífico (Sídney)
+ Asia-Pacífico (Tokio)
+ Europa (Fráncfort)
+ Europa (Irlanda)
+ Europa (París)
## Capacidades de Amazon Q Developer disponibles en Canvas
En la siguiente lista se resumen las tareas de Canvas con las que Q Developer puede ofrecer asistencia:
+ **Describir su objetivo**: Q Developer puede sugerirle un tipo de modelo de machine learning y un enfoque general para resolver su problema.
+ **Importar y analizar conjuntos de datos**: indique a Q Developer dónde está almacenado su conjunto de datos o cargue un archivo para guardarlo como conjunto de datos de Canvas. Pida a Q Developer que identifique cualquier problema en el conjunto de datos, como, por ejemplo, valores atípicos o valores que faltan. Q Developer le proporcionará estadísticas de resumen sobre su conjunto de datos y enumerará los problemas identificados.
Q Developer admite consultas sobre las siguientes estadísticas para columnas individuales:
+ Columnas numéricas: `number of valid values`, `feature type`, `mean`, `median`, `minimum`, `maximum`, `standard deviation`, `25th percentile`, `75th percentile` y `number of outliers`
+ Columnas categóricas: `number of missing values`, `number of valid values`, `feature type`, `most frequent`, `most frequent category`, `most frequent category count`, `least frequent`, `least frequent category`, `least frequent category count` y `categories`
+ **Solucionar problemas del conjunto de datos**: pida a Q Developer que utilice las capacidades de transformación de datos de Canvas para crear una versión revisada de su conjunto de datos. Canvas crea un flujo de datos de Data Wrangler y aplica las transformaciones de acuerdo con las prácticas recomendadas de la ciencia de datos. Para obtener más información, consulte [Preparación de datos](canvas-data-prep.md).
Si desea realizar tareas de análisis o preparación de datos más avanzadas que las que puede realizar con Q Developer, le recomendamos que utilice la interfaz de flujo de datos de Data Wrangler.
+ **Entrenar un modelo**: Q Developer le indica el tipo de modelo de machine learning recomendado según su problema y le propone una configuración de creación de modelos. Puede usar la configuración predeterminada sugerida para realizar una compilación rápida o puede modificar la configuración y realizar una compilación estándar. Cuando haya acabado, pida a Q Developer que cree su modelo de Canvas.
Se admiten todos los tipos de modelo personalizados. Para obtener más información acerca de los tipos de modelo y de las compilaciones rápidas frente a las estándar, consulte [Cómo funcionan los modelos personalizados](canvas-build-model.md).
+ **Evaluar la precisión del modelo**: después de crear un modelo, Q Developer genera un resumen de las puntuaciones del modelo según varias métricas. Estas métricas le ayudan a determinar la utilidad y la precisión del modelo. Q Developer puede explicar cualquier concepto o métrica en detalle.
Para ver todos los detalles y las visualizaciones, abra el modelo desde el chat o desde la página **Mis modelos** de Canvas. Para obtener más información, consulte [Evaluación de modelos](canvas-evaluate-model.md).
+ **Obtener predicciones de datos nuevos**: puede cargar un nuevo conjunto de datos y pedir a Q Developer que le ayude a abrir la característica de predicción de Canvas.
Q Developer abrirá una nueva ventana en la aplicación en la que puede hacer una sola predicción o hacer predicciones por lotes con un nuevo conjunto de datos. Para obtener más información, consulte [Predicciones con modelos personalizados](canvas-make-predictions.md).
+ **Implementar un modelo**: para implementar su modelo para producción, pida a Q Developer que le ayude a implementar su modelo a través de Canvas. Q Developer abrirá una nueva ventana en la que puede configurar su implementación.
Después, puede consultar los detalles de la implementación 1) en la página **Mis modelos** de Canvas, en la pestaña **Implementación** del modelo o 2) en la página **Operaciones de machine learning**, en la pestaña **Implementaciones**. Para obtener más información, consulte [Implementación de sus modelos en un punto de conexión](canvas-deploy-model.md).
## Requisitos previos
Para usar Amazon Q Developer para crear modelos de aprendizaje automático en SageMaker Canvas, complete los siguientes requisitos previos:
**Configuración de una aplicación de Canvas**
Asegúrese de tener configurada una aplicación de Canvas. Para obtener más información sobre cómo configurar una aplicación de Canvas, consulte [Cómo empezar a usar Amazon SageMaker Canvas](canvas-getting-started.md).
**Concesión de permisos para Q Developer**
Para acceder a Q Developer mientras usa Canvas, debe adjuntar los permisos necesarios al rol de AWS IAM utilizado para su dominio o perfil de usuario de SageMaker IA. Puede hacerlo a través de la consola que se describe en esta sección. Si tiene algún problema con los permisos debido al uso del método de consola, asocie manualmente la política AWS administrada [ AmazonSageMakerCanvasSMDataScienceAssistantAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasSMDataScienceAssistantAccess)a la función de IAM.
Los permisos asociados al dominio se aplican a todos los perfiles de usuario del dominio, a menos que se concedan o revoquen permisos individuales al perfil de usuario.
------
#### [ SageMaker AI console method ]
Puedes conceder permisos editando la configuración del dominio de SageMaker IA o del perfil de usuario.
Para conceder permisos a través de la configuración del dominio en la consola de SageMaker IA, haga lo siguiente:
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione un dominio.
1. En la página **Detalles del dominio**, elija la pestaña **Configuraciones de aplicaciones**.
1. En la sección **Canvas**, seleccione **Editar**.
1. En la página **Editar la configuración de Canvas**, vaya a la sección **Amazon Q Developer** y haga lo siguiente:
1. **Active Activar Amazon Q Developer in SageMaker Canvas para el aprendizaje automático en lenguaje natural para** añadir los permisos para chatear con Q Developer en Canvas a la función de ejecución de su dominio.
1. (Opcional) **Activa el chat Enable Amazon Q Developer si quieres hacer AWS preguntas generales** a Q Developer sobre varios temas Servicios de AWS (por ejemplo, describir cómo funciona Athena).
**nota**
Al realizar AWS consultas generales a Q Developer, las solicitudes se dirigen al este de EE. UU. (Virginia del Norte). Región de AWS Para evitar que sus datos se dirijan a través de la región Este de EE. UU. (Norte de Virginia), debe deshabilitar **Activar el chat de Amazon Q Developer para preguntas generales sobre AWS **.
------
#### [ Manual method ]
Adjunta la [ AmazonSageMakerCanvasSMDataScienceAssistantAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasSMDataScienceAssistantAccess)política al rol de AWS IAM utilizado para tu dominio o perfil de usuario. Para obtener más información, consulte [Adición y eliminación de permisos de identidad de IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) en la *Guía del usuario de AWS IAM*.
------
**(Opcional) Configuración del acceso a Q Developer desde su VPC**
Si ha configurado una VPC sin acceso público a Internet, puede añadir un punto de conexión de VPC para Q Developer. Para obtener más información, consulte [Configurar Amazon SageMaker Canvas en una VPC sin acceso a Internet](canvas-vpc.md).
## Introducción
Para usar Amazon Q Developer para crear modelos de aprendizaje automático en SageMaker Canvas, haga lo siguiente:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Amazon Q**.
1. Seleccione **Iniciar una nueva conversación** para abrir un chat nuevo.
Al iniciar un chat nuevo, Q Developer le pide que exponga su problema o que proporcione un conjunto de datos.
![\[Saludo de Q Developer al iniciar un nuevo chat.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/amazon-q-greeting.png)
Después de importar los datos, puede pedirle a Q Developer que le proporcione un resumen de las estadísticas sobre su conjunto de datos o puede hacer preguntas sobre columnas específicas. Para obtener una lista de las diferentes estadísticas que admite Q Developer, consulte la sección [Capacidades de Amazon Q Developer disponibles en Canvas](#canvas-q-capabilities) anterior. En la siguiente captura de pantalla se muestra un ejemplo de cómo se solicitan las estadísticas del conjunto de datos y la categoría más frecuente en una columna de categorías de productos.
![\[Diálogo de chat en el que se pide a Q Developer que proporcione estadísticas del conjunto de datos y las estadísticas de categorías más frecuentes.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/amazon-q-dataset-statistics.png)
Q Developer rastrea cualquier artefacto de Canvas que importe o cree durante la conversación, como conjuntos de datos y modelos transformados. Puede acceder a ellos desde el chat o desde otras pestañas de la aplicación de Canvas. Por ejemplo, si Q Developer soluciona problemas en su conjunto de datos, puede acceder al nuevo conjunto de datos transformado desde los siguientes lugares:
+ La barra lateral de artefactos de la interfaz de chat de Q Developer
+ La página **Conjuntos de datos** de Canvas, donde puede ver sus conjuntos de datos originales y transformados. Al conjunto de datos transformado se le ha añadido la etiqueta **Creado por Amazon Q**
+ La página **Data Wrangler** de Canvas, donde Q Developer crea un nuevo flujo de datos para su conjunto de datos
En la siguiente captura de pantalla se muestra el conjunto de datos original y el conjunto de datos transformado en la barra lateral de un chat.
![\[Los artefactos, que son un conjunto de datos y un conjunto de datos transformado, se muestran en la barra lateral de un chat de Q Developer.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/amazon-q-artifacts.png)
Cuando sus datos estén preparados, pida a Q Developer que le ayude a crear un modelo de Canvas. Q Developer podría pedirle que confirme algunos campos y revise la configuración de compilación. Si utiliza la configuración de compilación predeterminada, el modelo se crea con una configuración rápida. Si desea personalizar alguna parte de la configuración de compilación, como seleccionar los algoritmos utilizados o cambiar la métrica objetivo, entonces su modelo se crea con una compilación estándar.
En la siguiente captura de pantalla se muestra cómo puede pedir a Q Developer que inicie la creación de un modelo de Canvas con tan solo unas pocas peticiones. En este ejemplo, se utiliza la configuración predeterminada para iniciar una compilación rápida.
![\[Es una conversación con Q Developer en la que el usuario ha pedido empezar a crear un modelo de Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/amazon-q-training-chat.png)
Después de crear el modelo, puede realizar acciones adicionales o bien con lenguaje natural en el chat o bien en el menú de la barra lateral de artefactos. Por ejemplo, puede ver los detalles y las métricas del modelo, hacer predicciones o implementar el modelo. En la siguiente captura de pantalla se muestra la barra lateral en la que puede elegir estas opciones adicionales.
![\[Se ha expandido el menú de puntos suspensivos de la conversación de Q Developer, que muestra opciones para ver los detalles de los modelos, las predicciones y la implementación.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/amazon-q-ellipsis-menu.png)
También puede llevar a cabo cualquiera de estas acciones desde la página **Mis modelos** de Canvas y seleccionar su modelo. Desde la página de su modelo, navegue a las pestañas **Analizar**, **Predecir** e **Implementar** para ver las métricas y visualizaciones del modelo, realizar predicciones y administrar las implementaciones, respectivamente.
# Registrar las conversaciones de un desarrollador con AWS CloudTrail
AWS CloudTrail es un servicio que registra las acciones realizadas por los usuarios, los roles o Servicios de AWS en Amazon SageMaker AI. CloudTrail captura las llamadas a la API que resultan de sus interacciones con Amazon Q Developer (un asistente de IA conversacional) mientras usa SageMaker Canvas (una interfaz de aprendizaje automático sin código). CloudTrail Los datos muestran los detalles de la solicitud, la dirección IP del solicitante, quién realizó la solicitud y cuándo.
Sus interacciones con Q Developer se envían como llamadas a la `SendConversation` API al servicio SageMaker AI Data Science Assistant, que es un servicio interno que Canvas utiliza en el backend. El origen del evento de las llamadas a la API `SendConversation` es `sagemaker-data-science-assistant.amazonaws.com`.
**nota**
Por motivos de privacidad y seguridad, el contenido de las conversaciones se oculta en los registros y aparece como `HIDDEN_DUE_TO_SECURITY_REASONS` en los elementos de solicitud y respuesta.
Para obtener más información CloudTrail, consulta la Guía del [https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-user-guide.html](https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-user-guide.html). Para obtener más información sobre CloudTrail la SageMaker IA, consulte[Registro de llamadas a la API de Amazon SageMaker AI mediante AWS CloudTrail](logging-using-cloudtrail.md).
A continuación se muestra un ejemplo de archivo de registro de la API `SendConversation`:
```
{
"eventVersion":"1.10",
"userIdentity": {
"type":"AssumedRole",
"principalId":"AROA123456789EXAMPLE:user-Isengard",
"arn":"arn:aws:sts::111122223333:assumed-role/Admin/user",
"accountId":"111122223333",
"accessKeyId":"ASIAIOSFODNN7EXAMPLE",
"sessionContext": {
"sessionIssuer": {
"type":"Role",
"principalId":"AROA123456789EXAMPLE",
"arn":"arn:aws:iam::111122223333:role/Admin",
"accountId":"111122223333",
"userName":"Admin"
},
"attributes": {
"creationDate":"2024-11-11T22:04:37Z",
"mfaAuthenticated":"false"
}
}
},
"eventTime":"2024-11-11T22:09:22Z",
"eventSource":"sagemaker-data-science-assistant.amazonaws.com",
"eventName":"SendConversation",
"awsRegion":"us-west-2",
"sourceIPAddress":"192.0.2.0",
"userAgent":"Boto3/1.33.13 md/Botocore#1.33.13 ua/2.0 os/linux#5.10.227-198.884.amzn2int.x86_64 md/arch#x86_64 lang/python#3.7.16 md/pyimpl#CPython cfg/retry-mode#legacy Botocore/1.33.13",
"requestParameters": {
"conversation": [
{
"utteranceId":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"utterance":"HIDDEN_DUE_TO_SECURITY_REASONS",
"timestamp":"Feb 4, 2020, 7:46:29 AM",
"utteranceType":"User"
}
],
"utteranceId":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111"
},
"responseElements": {
"responseCode":"CHAT_RESPONSE",
"conversationId":"1234567890abcdef0",
"response": {
"chat": {
"body":"HIDDEN_DUE_TO_SECURITY_REASONS"
}
}
},
"requestID":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"eventID":"a1b2c3d4-5678-90ab-cdef-EXAMPLE11111",
"readOnly":false,
"eventType":"AwsApiCall",
"managementEvent":true,
"recipientAccountId":"123456789012",
"eventCategory":"Management",
"tlsDetails": {
"tlsVersion":"TLSv1.2",
"cipherSuite":"ECDHE-RSA-AES128-GCM-SHA256",
"clientProvidedHostHeader":"gamma.us-west-2.data-science-assistant.sagemaker.aws.dev"
}
}
```
# Importación de datos
Amazon SageMaker Canvas admite la importación de datos tabulares, de imágenes y de documentos. Puede importar conjuntos de datos desde su máquina local, servicios de Amazon como Amazon S3 y Amazon Redshift, y orígenes de datos externos. Cuando importa conjuntos de datos desde Amazon S3, puede importar un conjunto de datos de cualquier tamaño. Utilice los conjuntos de datos que importe para crear modelos y hacer predicciones para otros conjuntos de datos.
Cada caso de uso para el que puede crear un modelo personalizado acepta diferentes tipos de entrada. Por ejemplo, si desea crear un modelo de clasificación de imágenes de una sola etiqueta, debe importar datos de imágenes. Para obtener más información acerca de los distintos tipos de modelo y los datos que aceptan, consulte [Cómo funcionan los modelos personalizados](canvas-build-model.md). Puede importar datos y crear modelos personalizados en SageMaker Canvas para los siguientes tipos de datos:
+ **Tabulares** (CSV, Parquet o tablas)
+ Categóricos: utilice datos categóricos para crear modelos de predicción categórica personalizados para la predicción de más de 2 y 3 categorías.
+ Numéricos: utilice datos numéricos para crear modelos de predicción numérica personalizados.
+ Texto: utilice datos de texto para crear modelos personalizados de predicción de texto multicategoría.
+ Series temporales: utilice datos de series temporales para crear modelos de previsión de series temporales personalizados.
+ **Imágenes** (JPG o PNG): utilice datos de imágenes para crear modelos personalizados de predicción de imágenes de etiqueta única.
+ **Documento** (PDF, JPG, PNG, TIFF): los datos del documento solo son compatibles con los Ready-to-use modelos SageMaker Canvas. Para obtener más información sobre Ready-to-use los modelos que pueden realizar predicciones para los datos de los documentos, consulte[Ready-to-use modelos](canvas-ready-to-use-models.md).
Puede importar datos a Canvas desde los siguientes orígenes de datos:
+ Archivos locales de su equipo
+ Buckets de Amazon S3
+ Amazon Redshift aprovisiona clústeres (no Amazon Redshift sin servidor)
+ AWS Glue Data Catalog a través de Amazon Athena
+ Amazon Aurora
+ Amazon Relational Database Service (Amazon RDS)
+ Salesforce Data Cloud
+ Snowflake
+ Databricks, SQLServer MariaDB y otras bases de datos populares a través de conectores JDBC
+ Más de 40 plataformas SaaS externas, como SAP OData
Para obtener una lista completa de los orígenes de datos desde los que puede importar, consulte la siguiente tabla:
| origen | Tipo | Tipos de datos compatibles |
| --- | --- | --- |
| Carga de archivos locales | Local | Tabular, imagen, documento |
| Amazon Aurora | Interno de Amazon | Tabular |
| Bucket de Amazon S3 | Interno de Amazon | Tabular, imagen, documento |
| Amazon RDS | Interno de Amazon | Tabular |
| Amazon Redshift aprovisiona clústeres (no Redshift sin servidor) | Interno de Amazon | Tabular |
| AWS Glue Data Catalog (a través de Amazon Athena) | Interno de Amazon | Tabular |
| [Databricks](https://www.databricks.com/) | Externo | Tabular |
| Snowflake | Externo | Tabular |
| [Salesforce Data Cloud](https://www.salesforce.com/products/genie/overview/) | Externo | Tabular |
| SQLServer | Externo | Tabular |
| MySQL | Externo | Tabular |
| PostgreSQL | Externo | Tabular |
| MariaDB | Externo | Tabular |
| [Amplitude](https://docs.aws.amazon.com/appflow/latest/userguide/amplitude.html) | Plataforma de SaaS externa | Tabular |
| [CircleCI](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-circleci.html) | Plataforma de SaaS externa | Tabular |
| [DocuSign Monitorización](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-docusign-monitor.html) | Plataforma de SaaS externa | Tabular |
| [Domo](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-domo.html) | Plataforma de SaaS externa | Tabular |
| [Datadog](https://docs.aws.amazon.com/appflow/latest/userguide/datadog.html) | Plataforma de SaaS externa | Tabular |
| [Dynatrace](https://docs.aws.amazon.com/appflow/latest/userguide/dynatrace.html) | Plataforma de SaaS externa | Tabular |
| [Facebook Ads](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-facebook-ads.html) | Plataforma de SaaS externa | Tabular |
| [Insights de la página de Facebook](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-facebook-page-insights.html) | Plataforma de SaaS externa | Tabular |
| [Google Ads](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-ads.html) | Plataforma de SaaS externa | Tabular |
| [Google Analytics 4](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-analytics-4.html) | Plataforma de SaaS externa | Tabular |
| [Consola de búsqueda de Google](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-google-search-console.html) | Plataforma de SaaS externa | Tabular |
| [GitHub](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-github.html) | Plataforma de SaaS externa | Tabular |
| [GitLab](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-gitlab.html) | Plataforma de SaaS externa | Tabular |
| [Infor Nexus](https://docs.aws.amazon.com/appflow/latest/userguide/infor-nexus.html) | Plataforma de SaaS externa | Tabular |
| [Publicidad en Instagram](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-instagram-ads.html) | Plataforma de SaaS externa | Tabular |
| [Jira Cloud](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-jira-cloud.html) | Plataforma de SaaS externa | Tabular |
| [LinkedIn Anuncios](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-linkedin-ads.html) | Plataforma de SaaS externa | Tabular |
| [LinkedIn Anuncios](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-linkedin-ads.html) | Plataforma de SaaS externa | Tabular |
| [Mailchimp](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-mailchimp.html) | Plataforma de SaaS externa | Tabular |
| [Marketo](https://docs.aws.amazon.com/appflow/latest/userguide/marketo.html) | Plataforma de SaaS externa | Tabular |
| [Microsoft Teams](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-microsoft-teams.html) | Plataforma de SaaS externa | Tabular |
| [Mixpanel](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-mixpanel.html) | Plataforma de SaaS externa | Tabular |
| [Okta](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-okta.html) | Plataforma de SaaS externa | Tabular |
| [Salesforce](https://docs.aws.amazon.com/appflow/latest/userguide/salesforce.html) | Plataforma de SaaS externa | Tabular |
| [Salesforce Marketing Cloud](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-salesforce-marketing-cloud.html) | Plataforma de SaaS externa | Tabular |
| [Salesforce Pardot](https://docs.aws.amazon.com/appflow/latest/userguide/pardot.html) | Plataforma de SaaS externa | Tabular |
| [SAP OData](https://docs.aws.amazon.com/appflow/latest/userguide/sapodata.html) | Plataforma de SaaS externa | Tabular |
| [SendGrid](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-sendgrid.html) | Plataforma de SaaS externa | Tabular |
| [ServiceNow](https://docs.aws.amazon.com/appflow/latest/userguide/servicenow.html) | Plataforma de SaaS externa | Tabular |
| [Singular](https://docs.aws.amazon.com/appflow/latest/userguide/singular.html) | Plataforma de SaaS externa | Tabular |
| [Slack](https://docs.aws.amazon.com/appflow/latest/userguide/slack.html) | Plataforma de SaaS externa | Tabular |
| [Stripe](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-stripe.html) | Plataforma de SaaS externa | Tabular |
| [Trend Micro](https://docs.aws.amazon.com/appflow/latest/userguide/trend-micro.html) | Plataforma de SaaS externa | Tabular |
| [Typeform](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-typeform.html) | Plataforma de SaaS externa | Tabular |
| [Veeva](https://docs.aws.amazon.com/appflow/latest/userguide/veeva.html) | Plataforma de SaaS externa | Tabular |
| [Zendesk](https://docs.aws.amazon.com/appflow/latest/userguide/zendesk.html) | Plataforma de SaaS externa | Tabular |
| [Zendesk Chat](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-chat.html) | Plataforma de SaaS externa | Tabular |
| [Zendesk Sell](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-sell.html) | Plataforma de SaaS externa | Tabular |
| [Zendesk Sunshine](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zendesk-sunshine.html) | Plataforma de SaaS externa | Tabular |
| [Zoom Meetings](https://docs.aws.amazon.com/appflow/latest/userguide/connectors-zoom.html) | Plataforma de SaaS externa | Tabular |
Para obtener instrucciones sobre cómo importar datos e información sobre los requisitos de datos de entrada, como el tamaño máximo de archivo para las imágenes, consulte [Creación de un conjunto de datos](canvas-import-dataset.md).
Canvas también proporciona varios conjuntos de datos de muestra en su aplicación para ayudarle a comenzar. Para obtener más información sobre los conjuntos de datos SageMaker de muestra proporcionados por la IA con los que puede experimentar, consulte [Usar](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-sample-datasets.html) conjuntos de datos de muestra.
Después de importar un conjunto de datos a Canvas, puede actualizarlo en cualquier momento. Puede realizar una actualización manual o configurar un cronograma para las actualizaciones automáticas del conjunto de datos. Para obtener más información, consulte [Actualización de un conjunto de datos](canvas-update-dataset.md).
Para obtener más información específica para cada tipo de conjunto de datos, consulte las siguientes secciones:
**Tabular**
Para importar datos de un origen de datos externo (como una base de datos Snowflake o una plataforma SaaS), debe autenticarse y conectarse al origen de datos en la aplicación de Canvas. Para obtener más información, consulte [Conexión con orígenes de datos](canvas-connecting-external.md).
Si desea importar conjuntos de datos de más de 5 GB de Amazon S3 a Canvas, puede lograr un muestreo más rápido utilizando Amazon Athena para consultar y muestrear los datos de Amazon S3.
Después de crear los conjuntos de datos en Canvas, puede preparar y transformar los datos mediante la funcionalidad de preparación de datos de Data Wrangler. Puede utilizar Data Wrangler para gestionar los valores que faltan, transformar sus características, unir varios conjuntos de datos en uno solo y mucho más. Para obtener más información, consulte [Preparación de datos](canvas-data-prep.md).
**sugerencia**
Siempre que los datos estén organizados en tablas, puede unir conjuntos de datos de diversas fuentes, como Amazon Redshift, Amazon Athena o Snowflake.
**Imagen**
Para obtener información sobre cómo editar un conjunto de datos de imágenes y realizar tareas como asignar o reasignar etiquetas, añadir o eliminar imágenes, consulte [Edición de un conjunto de datos de imágenes](canvas-edit-image.md).
# Creación de un conjunto de datos
**nota**
Si va a importar conjuntos de datos de más de 5 GB a Amazon SageMaker Canvas, le recomendamos que utilice la [función Data Wrangler](canvas-data-prep.md) de Canvas para crear un flujo de datos. Data Wrangler admite características avanzadas de preparación de datos, como [unir](canvas-transform.md#canvas-transform-join) y [concatenar](canvas-transform.md#canvas-transform-concatenate) datos. Después de crear un flujo de datos, puede exportarlo como conjunto de datos de Canvas y empezar a crear un modelo. Para obtener más información, consulte [Exportación para crear un modelo](canvas-processing-export-model.md).
En las siguientes secciones se describe cómo crear un conjunto de datos en Amazon SageMaker Canvas. Para los modelos personalizados, puede crear conjuntos de datos para datos tabulares y de imágenes. Para Ready-to-use los modelos, puede usar conjuntos de datos tabulares y de imágenes, así como conjuntos de datos de documentos. Elija el flujo de trabajo en función de la siguiente información:
+ Para obtener datos categóricos, numéricos, de texto y de series temporales, consulte [Importación de datos tabulares](#canvas-import-dataset-tabular).
+ Para obtener datos de imágenes, consulte [Importación de datos de imágenes](#canvas-import-dataset-image).
+ Para ver datos de documentos, consulte [Importación de datos de documentos](#canvas-ready-to-use-import-document).
Un conjunto de datos puede constar de varios archivos. Por ejemplo, es posible que tenga varios archivos de datos de inventario en formato CSV. Puede cargar estos archivos juntos como un conjunto de datos siempre que el esquema (o los nombres de las columnas y los tipos de datos) de los archivos coincidan.
Canvas también admite la administración de múltiples versiones de su conjunto de datos. Al crear un conjunto de datos, la primera versión se etiqueta como `V1`. Puede crear una nueva versión de su conjunto de datos actualizándolo. Puede realizar una actualización manual o configurar un cronograma automatizado para las actualizaciones de su conjunto de datos con nuevos datos. Para obtener más información, consulte [Actualización de un conjunto de datos](canvas-update-dataset.md).
Al importar los datos en Canvas, debe asegurarse de que cumplan con los requisitos de la siguiente tabla. Las limitaciones son específicas del tipo de modelo que esté creando.
| Límite | Modelos de 2 categorías, de más de 3 categorías, numéricos y de series temporales | Modelos de predicción de texto | Modelos de predicción de imágenes | \$1Documente los datos de los modelos Ready-to-use |
| --- | --- | --- | --- | --- |
| Tipos de archivo admitidos | CSV y Parquet (carga local, Amazon S3 o bases de datos) JSON (bases de datos) | CSV y Parquet (carga local, Amazon S3 o bases de datos) JSON (bases de datos) | JPG, PNG | PDF, JPG, PNG, TIFF |
| Tamaño máximo de archivo | Carga local: 5 GB Fuentes de datos: PBs | Carga local: 5 GB Fuentes de datos: PBs | 30 MB por imagen | 5 MB por documento |
| Número máximo de archivos que puede cargar a la vez | 30 | 30 | N/A | N/A |
| Número máximo de columnas. | 1 000 | 1 000 | N/A | N/A |
| Número máximo de entradas (filas, imágenes o documentos) para las **compilaciones rápidas** | N/A | 7500 filas | 5000 imágenes | N/A |
| Número máximo de entradas (filas, imágenes o documentos) para las **compilaciones estándares** | N/A | 150 000 filas | 180 000 imágenes | N/A |
| Número mínimo de entradas (filas) para **compilaciones rápidas** | 2 categorías: 500 filas Más de 3 categorías, numéricos, serie temporal: N/A | N/A | N/A | N/A |
| Número mínimo de entradas (filas, imágenes o documentos) para las **compilaciones estándares** | 250 filas | 50 filas | 50 imágenes | N/A |
| Número mínimo de entradas (filas o imágenes) por etiqueta | N/A | 25 filas | 25 filas | N/A |
| Número mínimo de etiquetas | 2 categorías: 2 Más de 3 categorías: 3 Numérico, serie temporal: N/A | 2 | 2. | N/A |
| Tamaño mínimo de la muestra para el muestreo aleatorio | 500 | N/A | N/A | N/A |
| Tamaño máximo de la muestra para el muestreo aleatorio | 200.000 | N/A | N/A | N/A |
| Número máximo de etiquetas | 2 categorías: 2 Más de 3 categorías, numéricos, serie temporal: N/A | 1 000 | 1 000 | N/A |
\$1Actualmente, los datos de los documentos solo se admiten en los [Ready-to-use modelos](canvas-ready-to-use-models.md) que aceptan datos de documentos. No puede crear un modelo personalizado con datos de documentos.
Tenga en cuenta también las siguientes restricciones:
+ Al importar datos desde un bucket de Amazon S3, asegúrese de que el nombre de su bucket de Amazon S3 no contenga un `.`. Si el nombre del bucket contiene un `.`, puede experimentar errores al intentar importar datos a Canvas.
+ Para los datos tabulares, Canvas no permite seleccionar ningún archivo con extensiones distintas de .csv, .parquet, .parq y .pqt tanto para la carga local como para la importación a Amazon S3. Los archivos CSV pueden utilizar cualquier delimitador común o personalizado y no deben tener caracteres de nueva línea, excepto cuando indiquen una fila nueva.
+ Para los datos tabulares que utilizan archivos Parquet, tenga en cuenta lo siguiente:
+ Los archivos Parquet no pueden incluir tipos complejos, como mapas y listas.
+ Los nombres de columna de los archivos de Parquet no pueden contener espacios.
+ Si se utiliza compresión, los archivos de Parquet deben utilizar los tipos de compresión gzip o snappy. Para obtener más información sobre los tipos de compresión anteriores, consulte la [documentación de gzip](https://www.gzip.org/) y la [documentación de snappy](https://github.com/google/snappy).
+ En el caso de los datos de imágenes, si tiene imágenes sin etiquetar, debe etiquetarlas antes de crear el modelo. Para obtener información sobre cómo asignar etiquetas a las imágenes dentro de la aplicación de Canvas, consulte [Edición de un conjunto de datos de imágenes](canvas-edit-image.md).
+ Si configura actualizaciones automáticas de conjuntos de datos o configuraciones automáticas de predicción por lotes, solo podrá crear un total de 20 configuraciones en su aplicación de Canvas. Para obtener más información, consulte [¿Cómo administrar las automatizaciones](canvas-manage-automations.md).
Después de importar un conjunto de datos, puede verlos en la página **Conjuntos de datos** en cualquier momento.
## Importación de datos tabulares
Con los conjuntos de datos tabulares, puede crear modelos categóricos, numéricos, de previsión de series temporales y de predicción de texto. Revise la tabla de limitaciones de la sección anterior **Importación de un conjunto de datos** para asegurarse de que los datos cumplen los requisitos de datos tabulares.
Utilice el siguiente procedimiento para importar un conjunto de datos tabulares a Canvas:
1. Abra su aplicación SageMaker Canvas.
1. En el panel de navegación de la izquierda, elija **Conjuntos de datos**.
1. Elija **Importar datos**.
1. En el menú desplegable, seleccione **Tabular**.
1. En el cuadro de diálogo emergente, en el campo **Nombre del conjunto de datos**, introduzca un nombre para el conjunto de datos y elija **Crear**.
1. En la página **Crear conjunto de datos tabular**, abra el menú desplegable **Origen de datos**.
1. Elija el origen de datos:
+ Para cargar un archivo desde su equipo, elija **Carga local**.
+ Para importar datos de otro origen, como un bucket de Amazon S3 o una base de datos de Snowflake, busque el origen de datos en la barra **Buscar origen de datos**. A continuación, elija el mosaico del origen de datos que desee.
**nota**
Solo puede importar datos de los mosaicos que tengan una conexión activa. Si desea conectarse a un origen de datos que no tenga disponible, póngase en contacto con su administrador. Si es un administrador, consulte [Conexión con orígenes de datos](canvas-connecting-external.md).
En la siguiente captura de pantalla se muestra el menú desplegable **Origen de datos**.
![\[Captura de pantalla que muestra el menú desplegable de Origen de datos y la búsqueda de un origen de datos en la barra de búsqueda.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/import-data-choose-source.png)
1. (Opcional) Si se conecta a una base de datos de Amazon Redshift o Snowflake por primera vez, aparece un cuadro de diálogo para crear una conexión. Rellene el cuadro de diálogo con sus credenciales y seleccione **Crear conexión**. Si ya tiene una conexión, elija la que tenga.
1. En el origen de datos, seleccione los archivos que quiera importar. Para cargar e importar archivos de forma local desde Amazon S3, puede seleccionar archivos. En Amazon S3 exclusivamente, también tiene la opción de introducir directamente el URI, el alias o el ARN de S3 del bucket o punto de acceso de S3 en el campo **Punto de conexión de entrada de S3** y, a continuación, elija los archivos que desee importar. Para las fuentes de bases de drag-and-drop datos, puede crear tablas de datos desde el panel de navegación izquierdo.
1. (Opcional) Para los orígenes de datos tabulares compatibles con consultas SQL (como Amazon Redshift, Amazon Athena o Snowflake), puede elegir **Editar en SQL** para realizar consultas SQL antes de importarlas.
La siguiente captura de pantalla muestra la vista **Editar SQL** de un origen de datos de Amazon Athena.
![\[Captura de pantalla que muestra una consulta SQL en la vista Editar SQL para los datos de Amazon Athena.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/import-data-edit-sql.png)
1. Elija **Vista previa del conjunto de datos** para obtener una vista previa del conjunto de datos antes de importarlo.
1. En **Configuración de importación**, introduzca un **Nombre del conjunto de datos** o utilice el nombre de conjunto de datos predeterminado.
1. (Opcional) En el caso de los datos que importa desde Amazon S3, se mostrará la configuración **Avanzada** y podrá rellenar los siguientes campos:
1. Active la opción **Usar primera fila como encabezado** si quiere usar la primera fila del conjunto de datos para los nombres de columnas. Si ha seleccionado varios archivos, se aplica a cada uno de ellos.
1. Si va a importar un archivo CSV, en el menú desplegable **Codificación de archivos (CSV)**, seleccione la codificación del archivo de conjunto de datos. `UTF-8` es la predeterminada.
1. En el menú desplegable **Delimitador**, seleccione el delimitador que separa cada celda de los datos. El delimitador predeterminado es `,`. También puede especificar un delimitador personalizado.
1. Seleccione **Detección de varias líneas** si desea que Canvas analice manualmente todo el conjunto de datos en busca de celdas de varias líneas. Esta opción no está seleccionada de forma predeterminada y Canvas determina si usa o no la compatibilidad con varias líneas tomando una muestra de los datos. Sin embargo, es posible que Canvas no detecte ninguna celda de varias líneas en la muestra. Si tiene celdas de varias líneas, le recomendamos que seleccione la opción **Detección de varias líneas** para obligar a Canvas a comprobar si hay celdas de varias líneas en todo el conjunto de datos.
1. Cuando esté listo para importar sus datos, elija **Crear conjunto de datos**.
Mientras su conjunto de datos se importa a Canvas, puede ver sus conjuntos de datos enumerados en la página **Conjuntos de datos**. En esta página puede [Visualización de detalles de su conjunto de datos](#canvas-view-dataset-details).
Cuando el **Estado** de su conjunto de datos se muestre como `Ready`, Canvas habrá importado sus datos correctamente y podrá continuar con la [creación de un modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html).
Si tiene una conexión a un origen de datos, como una base de datos de Amazon Redshift o un conector de SaaS, puede volver a esa conexión. Para Amazon Redshift y Snowflake, puede agregar otra conexión creando otro conjunto de datos, volviendo a la página **Importar datos** y eligiendo el mosaico de **Origen de datos** para esa conexión. En el menú desplegable, puede abrir la conexión anterior o elegir **Agregar conexión**.
**nota**
Para las plataformas de SaaS, solo puede tener una conexión por origen de datos.
## Importación de datos de imágenes
Con los conjuntos de datos de imágenes, puede crear modelos personalizados de predicción de imágenes de una sola etiqueta, que predicen la etiqueta de una imagen. Revise la tabla de limitaciones de la sección anterior **Importación de un conjunto de datos** para asegurarse de que el conjunto de datos de imágenes cumpla con los requisitos de datos de imágenes.
**nota**
Solo puede importar conjuntos de datos de imágenes desde una carga de archivo local o un bucket de Amazon S3. Además, para los conjuntos de datos de imágenes, debe tener al menos 25 imágenes por etiqueta.
Utilice el siguiente procedimiento para importar un conjunto de datos de imágenes a Canvas:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación de la izquierda, elija **Conjuntos de datos**.
1. Elija **Importar datos**.
1. En el menú desplegable, seleccione **Imagen**.
1. En el cuadro de diálogo emergente, en el campo **Nombre del conjunto de datos**, introduzca un nombre para el conjunto de datos y elija **Crear**.
1. En la página **Importar**, abra el menú desplegable **Origen de datos**.
1. Elija el origen de datos. Para cargar un archivo desde su equipo, elija **Carga local**. Para importar archivos desde Amazon S3, elija **Amazon S3**.
1. Desde su equipo o desde un bucket de Amazon S3, seleccione las imágenes o carpetas de imágenes que quiera cargar.
1. Cuando esté listo para importar sus datos, elija **Importar datos**.
Mientras su conjunto de datos se importa a Canvas, puede ver sus conjuntos de datos enumerados en la página **Conjuntos de datos**. En esta página puede [Visualización de detalles de su conjunto de datos](#canvas-view-dataset-details).
Cuando el **Estado** de su conjunto de datos se muestre como `Ready`, Canvas habrá importado sus datos correctamente y podrá continuar con la [creación de un modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html).
Al crear su modelo, puede editar su conjunto de datos de imágenes y puede asignar o reasignar etiquetas, agregar imágenes o eliminar imágenes de su conjunto de datos. Para obtener más información acerca de la edición de un conjunto de datos de imágenes, consulte [Edición de un conjunto de datos de imágenes](canvas-edit-image.md).
## Importación de datos de documentos
Los Ready-to-use modelos para el análisis de gastos, el análisis de documentos de identidad, el análisis de documentos y las consultas de documentos respaldan los datos de los documentos. No puede crear un modelo personalizado con datos de documentos.
Con los conjuntos de datos de documentos, puede generar predicciones para los Ready-to-use modelos de análisis de gastos, análisis de documentos de identidad, análisis de documentos y consultas de documentos. Revise la tabla de limitaciones de la sección [Creación de un conjunto de datos](#canvas-import-dataset) para asegurarse de que el conjunto de datos de documentos cumpla con los requisitos de datos de documentos.
**nota**
Solo puede importar conjuntos de datos de documentos desde una carga de archivo local o un bucket de Amazon S3.
Utilice el siguiente procedimiento para importar un conjunto de datos de documentos a Canvas:
1. Abra su aplicación SageMaker Canvas.
1. En el panel de navegación de la izquierda, elija **Conjuntos de datos**.
1. Elija **Importar datos**.
1. En el menú desplegable, elija **Documento**.
1. En el cuadro de diálogo emergente, en el campo **Nombre del conjunto de datos**, introduzca un nombre para el conjunto de datos y elija **Crear**.
1. En la página **Importar**, abra el menú desplegable **Origen de datos**.
1. Elija el origen de datos. Para cargar un archivo desde su equipo, elija **Carga local**. Para importar archivos desde Amazon S3, elija **Amazon S3**.
1. Desde su equipo o desde un bucket de Amazon S3, seleccione los archivos de documentos que desee cargar.
1. Cuando esté listo para importar sus datos, elija **Importar datos**.
Mientras su conjunto de datos se importa a Canvas, puede ver sus conjuntos de datos enumerados en la página **Conjuntos de datos**. En esta página puede [Visualización de detalles de su conjunto de datos](#canvas-view-dataset-details).
Cuando el **Estado** de su conjunto de datos aparezca como `Ready`, eso querrá decir que Canvas ha importado sus datos correctamente.
En la página **Conjuntos de datos**, puede elegir su conjunto de datos para obtener una vista previa, que muestra los primeros 100 documentos de su conjunto de datos.
## Visualización de detalles de su conjunto de datos
Para cada uno de sus conjuntos de datos, puede ver todos los archivos de un conjunto de datos, el historial de versiones del conjunto de datos y cualquier configuración de actualización automática del conjunto de datos. Desde la página **Conjuntos de datos**, también puede iniciar acciones como [Actualización de un conjunto de datos](canvas-update-dataset.md) o [Cómo funcionan los modelos personalizados](canvas-build-model.md).
Para ver los detalles de un conjunto de datos, haga lo siguiente:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación de la izquierda, elija **Conjuntos de datos**.
1. En la lista de conjuntos de datos, elija su conjunto de datos.
En la pestaña **Datos**, puede ver una vista previa de sus datos. Si elige **Detalles del conjunto de datos**, puede ver todos los archivos que forman parte de su conjunto de datos. Elija un archivo para ver solo los datos de ese archivo en la vista previa. En el caso de los conjuntos de datos de imágenes, la vista previa solo muestra las 100 primeras imágenes del conjunto de datos.
En la pestaña **Historial de versiones**, puede ver una lista de todas las versiones de su conjunto de datos. Cada vez que actualiza un conjunto de datos, se crea una nueva versión. Para obtener más información sobre la actualización de un conjunto de datos, consulte [Actualización de un conjunto de datos](canvas-update-dataset.md). La siguiente captura de pantalla muestra la pestaña **Historial de versiones** de la aplicación de Canvas.
![\[Captura de pantalla de la pestaña Historial de versiones de un conjunto de datos, con una lista de las versiones del conjunto de datos.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-version-history.png)
En la pestaña **Actualizaciones automáticas**, puede habilitar las actualizaciones automáticas para el conjunto de datos y establecer una configuración para actualizar su conjunto de datos de forma habitual. Para obtener más información sobre cómo configurar las actualizaciones automáticas para un conjunto de datos, consulte [Configuración de las actualizaciones automáticas de un conjunto de datos](canvas-update-dataset-auto.md). La siguiente captura de pantalla muestra la pestaña **Actualizaciones automáticas** con las actualizaciones automáticas activadas y una lista de los trabajos de actualización automática que se han realizado en el conjunto de datos.
![\[La pestaña Actualizaciones automáticas de un conjunto de datos muestra las actualizaciones automáticas activadas y una lista de trabajos de actualización automática.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-auto-updates.png)
# Actualización de un conjunto de datos
Después de importar su conjunto de datos inicial a Amazon SageMaker Canvas, es posible que tenga datos adicionales que desee añadir a su conjunto de datos. Por ejemplo, puede recibir datos de inventario al final de cada semana que desee agregar a su conjunto de datos. En lugar de importar los datos varias veces, puede actualizar el conjunto de datos existente y agregar o eliminar archivos del mismo.
**nota**
Solo puede actualizar los conjuntos de datos que haya importado mediante carga local o Amazon S3.
Puede actualizar su conjunto de datos de forma manual o automática. Para obtener más información acerca de las actualizaciones automáticas de conjuntos de datos, consulte [Configuración de las actualizaciones automáticas de un conjunto de datos](canvas-update-dataset-auto.md).
Cada vez que actualiza su conjunto de datos, Canvas crea una nueva versión de su conjunto de datos. Solo puede usar la última versión de su conjunto de datos para crear un modelo o generar predicciones. Para obtener más información acerca de cómo ver el historial de versiones de su conjunto de datos, consulte [Visualización de detalles de su conjunto de datos](canvas-import-dataset.md#canvas-view-dataset-details).
También puede usar las actualizaciones del conjunto de datos con predicciones por lotes automatizadas, lo que inicia un trabajo de predicción por lotes cada vez que actualiza el conjunto de datos. Para obtener más información, consulte [Predicciones por lotes en SageMaker Canvas](canvas-make-predictions-batch.md).
En las secciones siguientes se describe cómo realizar actualizaciones manuales en el conjunto de datos.
## Actualización manual de un conjunto de datos
Para realizar una actualización manual, haga lo siguiente:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación de la izquierda, elija **Conjuntos de datos**.
1. En la lista de conjuntos de datos, elija el conjunto de datos que desee actualizar.
1. Seleccione el menú desplegable **Actualizar conjunto de datos** y seleccione **Actualización manual**. Accederá al flujo de trabajo de importación de datos.
1. En el menú desplegable **Origen de datos**, seleccione **Carga local** o **Amazon S3**.
1. La página muestra una vista previa de los datos. Desde aquí, puede agregar o eliminar archivos del conjunto de datos. Si va a importar datos tabulares, el esquema de los nuevos archivos (nombres de columnas y tipos de datos) debe coincidir con el esquema de los archivos existentes. Además, los archivos nuevos no deben superar el tamaño máximo del conjunto de datos o del archivo. Para obtener más información sobre estos límites, consulte [Importación de un conjunto de datos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html).
**nota**
Si agrega un archivo con el mismo nombre que un archivo existente en su conjunto de datos, el nuevo archivo sobrescribe la versión anterior del archivo.
1. Cuando esté listo para guardar los cambios, elija **Actualizar conjunto de datos**.
Ahora ya debería tener una nueva versión de su conjunto de datos.
En la página **Conjuntos de datos**, puede elegir la pestaña **Historial de versiones** para ver todas las versiones de su conjunto de datos y el historial de las actualizaciones manuales y automáticas que ha realizado.
# Configuración de las actualizaciones automáticas de un conjunto de datos
Después de importar su conjunto de datos inicial a Amazon SageMaker Canvas, es posible que tenga datos adicionales que desee añadir a su conjunto de datos. Por ejemplo, puede recibir datos de inventario al final de cada semana que desee agregar a su conjunto de datos. En lugar de importar los datos varias veces, puede actualizar el conjunto de datos existente y agregar o eliminar archivos del mismo.
**nota**
Solo puede actualizar los conjuntos de datos que haya importado mediante carga local o Amazon S3.
Con las actualizaciones automáticas de conjuntos de datos, especifique una ubicación en la que Canvas busca archivos con la frecuencia que determine. Si importa archivos nuevos durante la actualización, el esquema de los archivos debe coincidir exactamente con el conjunto de datos existente.
Cada vez que actualiza su conjunto de datos, Canvas crea una nueva versión de su conjunto de datos. Solo puede usar la última versión de su conjunto de datos para crear un modelo o generar predicciones. Para obtener más información acerca de cómo ver el historial de versiones de su conjunto de datos, consulte [Visualización de detalles de su conjunto de datos](canvas-import-dataset.md#canvas-view-dataset-details).
También puede usar las actualizaciones del conjunto de datos con predicciones por lotes automatizadas, lo que inicia un trabajo de predicción por lotes cada vez que actualiza el conjunto de datos. Para obtener más información, consulte [Predicciones por lotes en SageMaker Canvas](canvas-make-predictions-batch.md).
En las secciones siguientes se describe cómo realizar actualizaciones automáticas en el conjunto de datos.
Una actualización automática se produce cuando establece una configuración para que Canvas actualice su conjunto de datos con una frecuencia determinada. Le recomendamos que utilice esta opción si recibe regularmente nuevos archivos de datos que desee agregar a su conjunto de datos.
Al establecer la configuración de actualización automática, especifica una ubicación de Amazon S3 en la que carga los archivos y la frecuencia con la que Canvas comprueba la ubicación e importa los archivos. Cada instancia en la que Canvas actualiza su conjunto de datos se denomina *trabajo*. Para cada trabajo, Canvas importa todos los archivos de la ubicación de Amazon S3. Si tiene archivos nuevos con los mismos nombres que los archivos existentes en su conjunto de datos, Canvas sobrescribe los archivos antiguos con los archivos nuevos.
Para las actualizaciones automáticas de los conjuntos de datos, Canvas no realiza la validación del esquema. Si el esquema de los archivos importados durante una actualización automática no coincide con el esquema de los archivos existentes o supera los límites de tamaño (consulte [Importación de un conjunto de datos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html) para ver una tabla con las limitaciones de tamaño de los archivos), se producen errores al ejecutar los trabajos.
**nota**
Solo puede configurar un máximo de 20 configuraciones automáticas en su aplicación de Canvas. Además, Canvas solo realiza actualizaciones automáticas mientras está conectado a la aplicación de Canvas. Si cierra sesión en su aplicación de Canvas, las actualizaciones automáticas se detienen hasta que vuelva a iniciar sesión.
Para configurar las actualizaciones automáticas de su conjunto de datos, haga lo siguiente:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación de la izquierda, elija **Conjuntos de datos**.
1. En la lista de conjuntos de datos, elija el conjunto de datos que desee actualizar.
1. Seleccione el menú desplegable **Actualización de conjunto de datos** y seleccione **Actualización automática**. Se abrirá la pestaña **Actualizaciones automáticas** del conjunto de datos.
1. Active la opción **Actualización automática habilitada**.
1. En **Especificar origen de datos**, introduzca la ruta de Amazon S3 a la carpeta en la que vaya a cargar archivos con regularidad.
1. En **Elegir una frecuencia**, seleccione **Por hora**, **Semanalmente** o **Diariamente**.
1. Para **Especificar una hora de inicio**, utilice el calendario y el selector de hora para seleccionar cuándo desea que comience el primer trabajo de actualización automática.
1. Cuando esté listo para crear la configuración de actualización automática, elija **Guardar**.
Canvas comienza el primer trabajo de la cadencia de actualización automática a la hora de inicio especificada.
# Visualización de trabajos de actualización automática de conjuntos de datos
Para ver el historial de trabajos de las actualizaciones automáticas de sus conjuntos de datos en Amazon SageMaker Canvas, en la página de detalles del conjunto de datos, seleccione la pestaña **Actualizaciones automáticas**.
Cada actualización automática de un conjunto de datos aparece como un trabajo en la pestaña **Actualizaciones automáticas** de la sección **Historial de trabajos**. Para cada trabajo, puede ver lo siguiente:
+ **Trabajo creado**: la marca de tiempo en la que Canvas comenzó a actualizar el conjunto de datos.
+ **Archivos**: la cantidad de archivos en el conjunto de datos.
+ **Celdas (columnas x filas)**: el número de columnas y filas del conjunto de datos.
+ **Estado**: el estado del conjunto de datos tras la actualización. Si el trabajo se ha completado correctamente, el estado será **Listo**. Si el trabajo ha fallado por algún motivo, el estado es **Error** y podrá pasar el ratón sobre el estado para obtener más información.
# Edición de la configuración de actualización automática del conjunto de datos
Es posible que desee realizar cambios en la configuración de actualización automática de un conjunto de datos, como cambiar la frecuencia de las actualizaciones. También puede desactivar la configuración de actualización automática para pausar las actualizaciones del conjunto de datos.
Para realizar cambios en la configuración de actualización automática de un conjunto de datos, vaya a la pestaña **Actualizaciones automáticas** de su conjunto de datos y elija **Editar** para realizar cambios en la configuración.
Para pausar las actualizaciones del conjunto de datos, desactive la configuración automática. Para desactivar las actualizaciones automáticas, vaya a la pestaña **Actualizaciones automáticas** de su conjunto de datos y desactive la opción **Habilitar actualizaciones automáticas**. Puede volver a activar esta opción en cualquier momento para reanudar la programación de actualizaciones.
Para aprender a eliminar su configuración, consulte [Eliminación de una configuración automática](canvas-manage-automations-delete.md).
# Conexión con orígenes de datos
En Amazon SageMaker Canvas, puede importar datos desde una ubicación fuera de su sistema de archivos local a través de un AWS servicio, una plataforma SaaS u otras bases de datos mediante conectores JDBC. Por ejemplo, es posible que desee importar tablas desde un almacenamiento de datos en Amazon Redshift o puede que quiera importar datos de Google Analytics.
Cuando realice el flujo de trabajo de **importación** para importar datos en la aplicación de Canvas, podrá elegir el origen de datos y, a continuación, seleccionar los datos que desee importar. Para determinados orígenes de datos, como Snowflake y Amazon Redshift, debe especificar sus credenciales y agregar una conexión al origen de datos.
La siguiente captura de pantalla muestra la barra de herramientas de orígenes de datos del flujo de trabajo de **importación**, con todos los orígenes de datos disponibles resaltados. Solo puede importar datos de los orígenes de datos que estén disponibles. Póngase en contacto con el administrador si el origen de datos que desea no está disponible.
![\[El menú desplegable Origen de datos de la página Importar datos de Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/data-sources.png)
Las siguientes secciones proporcionan información sobre el establecimiento de conexiones con orígenes de datos externos y la importación de datos desde ellos. Revise primero la sección siguiente para determinar qué permisos necesita para importar datos desde su origen de datos.
## Permisos
Revise la siguiente información para asegurarse de que dispone de los permisos necesarios para importar datos de su origen de datos:
+ **Amazon S3:** puede importar datos de cualquier bucket de Amazon S3 siempre que el usuario tenga permisos para acceder al bucket. Para obtener más información sobre el uso de AWS IAM para controlar el acceso a los buckets de Amazon S3, consulte [Administración de identidad y acceso en Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/s3-access-control.html) en la Guía del *usuario de Amazon S3*.
+ **Amazon Athena:** si tienes la [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)política y la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política asociada a la función de ejecución de tu usuario, puedes consultarla AWS Glue Data Catalog con Amazon Athena. Si forma parte de un grupo de trabajo de Athena, asegúrese de que el usuario de Canvas tenga permisos para ejecutar consultas de Athena en los datos. Si desea obtener más información, consulte [Uso de grupos de trabajo para la ejecución de consultas](https://docs.aws.amazon.com/athena/latest/ug/workgroups.html) en la *Guía del usuario de Amazon Athena*.
+ **Amazon DocumentDB:** puede importar datos de cualquier base de datos de Amazon DocumentDB siempre que tenga las credenciales (nombre de usuario y contraseña) para conectarse a la base de datos y tenga los permisos básicos mínimos de Canvas asociados al rol de ejecución del usuario. Para obtener más información acerca de los permisos de Canvas, consulte [Requisitos previos para configurar Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites).
+ **Amazon Redshift:** para darse los permisos necesarios para importar datos de Amazon Redshift, consulte [Concesión a los usuarios de permisos para importar datos de Amazon Redshift](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-redshift-permissions.html).
+ **Amazon RDS:** si tiene la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política asociada a la función de ejecución de su usuario, podrá acceder a sus bases de datos de Amazon RDS desde Canvas.
+ **Plataformas SaaS:** si tiene la [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)política y la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política asociadas a la función de ejecución de su usuario, entonces tiene los permisos necesarios para importar datos de las plataformas SaaS. Consulte [Uso de conectores de SaaS con Canvas](#canvas-connecting-external-appflow) para obtener más información acerca de cómo conectarse a un conector de SaaS específico.
+ **Conectores JDBC:** para fuentes de bases de datos como Databricks, MySQL o MariaDB, debe habilitar la autenticación con nombre de usuario y contraseña en la base de datos de origen antes de intentar conectarse desde Canvas. Si se conecta a una base de datos de Databricks, debe tener la URL de JDBC que contenga las credenciales necesarias.
## Conectarse a una base de datos almacenada en AWS
Es posible que desee importar los datos que ha almacenado AWS. Puede importar datos de Amazon S3, utilizar Amazon Athena para consultar una base de datos AWS Glue Data Catalog, importar datos de Amazon [RDS o establecer una conexión a una base de datos de Amazon](https://docs.aws.amazon.com/AmazonRDS/latest/UserGuide/Welcome.html) Redshift aprovisionada (no a Redshift Serverless).
Puede crear varias conexiones a Amazon Redshift. En el caso de Amazon Athena, puede acceder a cualquier base de datos que tenga en su [AWS Glue Data Catalog](https://docs.aws.amazon.com/prescriptive-guidance/latest/serverless-etl-aws-glue/aws-glue-data-catalog.html). En el caso de Amazon S3, puede importar datos desde un bucket siempre que cuente con los permisos necesarios.
Revise las siguientes secciones para obtener información más detallada.
### Conexión a los datos en Amazon S3, Amazon Athena o Amazon RDS
Para Amazon S3, puede importar datos de cualquier bucket de Amazon S3 siempre que tenga permisos para acceder al bucket.
En el caso de Amazon Athena, puede acceder a sus bases de datos AWS Glue Data Catalog siempre que tenga permisos a través de su grupo de trabajo de [Amazon Athena](https://docs.aws.amazon.com/athena/latest/ug/manage-queries-control-costs-with-workgroups.html).
En el caso de Amazon RDS, si tiene la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política asociada al rol de su usuario, podrá importar datos de sus bases de datos de Amazon RDS a Canvas.
Para importar datos de un bucket de Amazon S3 o para ejecutar consultas e importar tablas de datos con Amazon Athena, consulte [Creación de un conjunto de datos](canvas-import-dataset.md). Solo puede importar datos tabulares desde Amazon Athena y puede importar datos tabulares y de imágenes de Amazon S3.
### Conexión a una base de datos de Amazon DocumentDB
Amazon DocumentDB es un servicio de base de datos de documentos completamente administrado y sin servidor. Puede importar datos de documentos no estructurados almacenados en una base de datos de Amazon DocumentDB SageMaker a Canvas como un conjunto de datos tabular y, a continuación, puede crear modelos de aprendizaje automático con los datos.
**importante**
Su dominio de SageMaker IA debe estar configurado **solo en modo VPC** para añadir conexiones a Amazon DocumentDB. Solo puede acceder a clústeres de Amazon DocumentDB en la misma Amazon VPC que su aplicación de Canvas. Además, Canvas solo se puede conectar a clústeres de Amazon DocumentDB con TLS. Para obtener más información acerca de cómo configurar Canvas en el modo **solo VPC**, consulte [Configurar Amazon SageMaker Canvas en una VPC sin acceso a Internet](canvas-vpc.md).
Para importar datos de las bases de datos de Amazon DocumentDB, debe tener credenciales para acceder a la base de datos de Amazon DocumentDB y especificar el nombre de usuario y la contraseña al crear una conexión a la base de datos. Puede configurar permisos más detallados y restringir el acceso modificando los permisos de usuario de Amazon DocumentDB. Para obtener más información sobre el control de acceso en Amazon DocumentDB, consulte [Acceso a bases de datos mediante control de acceso basado en roles](https://docs.aws.amazon.com/documentdb/latest/developerguide/role_based_access_control.html) en la *Guía para desarrolladores de Amazon DocumentDB.*
Al importar desde Amazon DocumentDB, Canvas convierte los datos no estructurados en un conjunto de datos tabular mediante la asignación de los campos a las columnas de una tabla. Se crean tablas adicionales para cada campo complejo (o estructura anidada) de los datos, donde las columnas corresponden a los subcampos del campo complejo. Para obtener información más detallada sobre este proceso y ejemplos de conversión de esquemas, consulte la página de descubrimiento de esquemas de [controladores JDBC de Amazon DocumentDB](https://github.com/aws/amazon-documentdb-jdbc-driver/blob/develop/src/markdown/schema/schema-discovery.md). GitHub
Canvas solo puede establecer una conexión a una única base de datos en Amazon DocumentDB. Para importar datos de una base de datos distinta debe crear una conexión nueva.
Puede importar datos de Amazon DocumentDB a Canvas mediante los siguientes métodos:
+ [Creación de un conjunto de datos](canvas-import-dataset.md). Puede importar datos de Amazon DocumentDB y crear un conjunto de datos tabular en Canvas. Si elige este método, asegúrese de seguir el procedimiento de [Importación de datos tabulares](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-import-dataset.html#canvas-import-dataset-tabular).
+ [Creación de un flujo de datos](canvas-data-flow.md). Puede crear una canalización de preparación de datos en Canvas y añadir la base de datos de Amazon DocumentDB como origen de datos.
Para continuar con la importación de los datos, siga el procedimiento de uno de los métodos enlazados en la lista anterior.
Cuando llegue al paso en cualquiera de los flujos de trabajo para elegir un origen de datos (paso 6 para crear un conjunto de datos o paso 8 para crear un flujo de datos), haga lo siguiente:
1. En **Origen de datos**, abra el menú desplegable y seleccione **DocumentDB**.
1. Elija **Agregar conexión**.
1. En el cuadro de diálogo, especifique sus credenciales de Amazon DocumentDB:
1. Especifique un **Nombre de la conexión**. Canvas utiliza este nombre para identificar esta conexión.
1. En **Clúster**, seleccione el clúster de Amazon DocumentDB que almacena los datos. Canvas rellena automáticamente el menú desplegable con clústeres de Amazon DocumentDB en la misma VPC que la aplicación de Canvas.
1. Escriba el **Nombre de usuario** para el clúster de Amazon DocumentDB.
1. Escriba la **Contraseña** para el clúster de Amazon DocumentDB.
1. Escriba el nombre de la **Base de datos** a la que desea conectarse.
1. La opción de **Preferencias de lectura** determina los tipos de instancias del clúster desde los que Canvas lee los datos. Seleccione una de estas opciones:
+ **Se prefiere secundaria**: Canvas lee de forma predeterminada las instancias secundarias del clúster, pero si no hay una instancia secundaria disponible, Canvas lee una instancia principal.
+ **Secundaria**: Canvas solo lee las instancias secundarias del clúster, lo que evita que las operaciones de lectura interfieran en las operaciones de lectura y escritura habituales del clúster.
1. Elija **Agregar conexión**. La siguiente imagen muestra el cuadro de diálogo con los campos anteriores para una conexión a Amazon DocumentDB.
![\[Captura de pantalla del cuadro de diálogo Añadir una nueva conexión de DocumentDB en Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/add-docdb-connection.png)
Ahora debería tener una conexión a Amazon DocumentDB y puede usar sus datos de Amazon DocumentDB en Canvas para crear un conjunto de datos o un flujo de datos.
### Conexión a una base de datos de Amazon Redshift
Puede importar datos de Amazon Redshift, un almacenamiento de datos en el que su organización guarda sus datos. Para poder importar datos de Amazon Redshift, la función de AWS IAM que utilice debe tener la política `AmazonRedshiftFullAccess` gestionada adjunta. Para obtener instrucciones sobre cómo asociar esta política, consulte [Concesión a los usuarios de permisos para importar datos de Amazon Redshift](canvas-redshift-permissions.md).
Para importar datos desde Amazon Redshift, haga lo siguiente:
1. Cree una conexión a una base de datos de Amazon Redshift.
1. Seleccione los datos que vaya a importar.
1. Importe los datos.
Puede usar el editor Amazon Redshift para arrastrar conjuntos de datos al panel de importación e importarlos a Canvas. SageMaker Para tener un mayor control sobre los valores devueltos en el conjunto de datos, se puede usar lo siguiente:
+ Consultas SQL
+ Uniones
Las consultas SQL le permiten personalizar la forma en que se importan los valores en el conjunto de datos. Por ejemplo, puede especificar las columnas devueltas en el conjunto de datos o el rango de valores de una columna.
Puede usar las uniones para combinar varios conjuntos de datos de Amazon Redshift en un solo conjunto de datos. Puede arrastrar sus conjuntos de datos desde Amazon Redshift al panel que le permite unir los conjuntos de datos.
Puede usar el editor SQL para editar el conjunto de datos que ha unido y convertir el conjunto de datos unido en un solo nodo. Puede unir otro conjunto de datos en el nodo. Puede importar los datos que ha seleccionado a SageMaker Canvas.
Utilice el siguiente procedimiento para importar datos desde Amazon Redshift.
1. En la aplicación SageMaker Canvas, vaya a la página **Conjuntos de datos.**
1. Seleccione **Importar datos** y, en el menú desplegable, elija **Tabular**.
1. Escriba un nombre para el conjunto de datos y, a continuación, elija **Crear**.
1. Para **Origen de datos**, abra el menú desplegable y seleccione **Redshift**.
1. Elija **Agregar conexión**.
1. En el cuadro de diálogo, especifique sus credenciales de Amazon Redshift:
1. En **Método de autenticación**, seleccione **IAM**.
1. Ingrese el **Identificador del clúster** para especificar a qué clúster desea conectarse. Introduzca solo el identificador del clúster y no el punto de conexión completo del clúster de Amazon Redshift.
1. Especifique el **Nombre de la base de datos** a la que desea conectarse.
1. Ingrese un **Usuario de la base de datos** para identificar el usuario que desea utilizar para conectarse a la base de datos.
1. En **ARN**, especifique el ARN del rol de IAM del rol que debe asumir el clúster de Amazon Redshift para mover y escribir datos en Amazon S3. Para obtener más información sobre esta función, consulte [Autorizar a Amazon Redshift a acceder a AWS otros servicios en su nombre en la Guía](https://docs.aws.amazon.com/redshift/latest/mgmt/authorizing-redshift-service.html) de administración de *Amazon Redshift*.
1. Especifique un **Nombre de la conexión**. Canvas utiliza este nombre para identificar esta conexión.
1. Desde la pestaña que tiene el nombre de su conexión, arrastre el archivo .csv que va a importar al panel **Arrastrar y soltar para importar**.
1. Opcional: Arrastrar tablas adicionales al panel de importación. Puede utilizar la interfaz gráfica de usuario para unir las tablas. Para obtener una mayor especificidad en las uniones, elija **Editar en SQL**.
1. Opcional: si utiliza SQL para consultar los datos, puede elegir **Contexto** para agregar contexto a la conexión especificando valores para lo siguiente:
+ **Almacén**
+ **Base de datos**
+ **Esquema**
1. Elija **Importar datos**.
En la imagen siguiente, se muestra un ejemplo de campos especificados para una conexión de Amazon Redshift.
![\[Captura de pantalla del cuadro de diálogo Añadir una nueva conexión de Redshift en Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-add-connection.png)
La siguiente imagen muestra la página utilizada para unir conjuntos de datos en Amazon Redshift.
![\[Captura de pantalla de la página Importar en Canvas, que muestra la unión de dos conjuntos de datos.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-join.png)
La siguiente imagen muestra una consulta SQL que se utiliza para editar una unión en Amazon Redshift.
![\[Captura de pantalla de una consulta SQL en el Editor de SQL de la página Importar de Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-redshift-edit-sql.png)
## Conexión a sus datos con conectores JDBC
Con JDBC, puede conectarse a sus bases de datos desde fuentes como Databricks, MySQL, SQLServer PostgreSQL, MariaDB, Amazon RDS y Amazon Aurora.
Debe asegurarse de tener las credenciales y los permisos necesarios para crear la conexión desde Canvas.
+ En el caso de Databricks, debe proporcionar una URL de JDBC. El formato de la URL puede variar entre las instancias de Databricks. Para obtener información sobre cómo encontrar la URL y especificar los parámetros que contiene, consulte [JDBC configuration and connection parameters](https://docs.databricks.com/integrations/bi/jdbc-odbc-bi.html#jdbc-configuration-and-connection-parameters) en la documentación de Databricks. A continuación, se muestra un ejemplo de cómo se puede formatear una URL: `jdbc:spark://aws-sagemaker-datawrangler.cloud.databricks.com:443/default;transportMode=http;ssl=1;httpPath=sql/protocolv1/o/3122619508517275/0909-200301-cut318;AuthMech=3;UID=token;PWD=personal-access-token`
+ Para otros orígenes de bases de datos, debe configurar la autenticación con nombre de usuario y contraseña y, a continuación, especificar esas credenciales al conectarse a la base de datos desde Canvas.
Además, se debe poder acceder al origen de datos a través del Internet público o, si la aplicación de Canvas se ejecuta en modo **solo VPC**, el origen de datos debe ejecutarse en la misma VPC. *Para obtener más información sobre la configuración de una base de datos de Amazon RDS en una VPC, consulte [Amazon VPC VPCs y Amazon RDS en la Guía del usuario de Amazon RDS](https://docs.aws.amazon.com/AmazonRDS/latest/UserGuide/USER_VPC.html).*
Tras configurar las credenciales de su origen de datos, puede iniciar sesión en la aplicación de Canvas y crear una conexión con el origen de datos. Especifique sus credenciales (o, en el caso de Databricks, la URL) al crear la conexión.
## Conéctese a fuentes de datos con OAuth
Canvas admite su uso OAuth como método de autenticación para conectarse a sus datos en Snowflake y Salesforce Data Cloud. [OAuth](https://oauth.net/2/)es una plataforma de autenticación común para conceder acceso a los recursos sin compartir contraseñas.
**nota**
Solo puede establecer una OAuth conexión para cada fuente de datos.
Para autorizar la conexión, debe seguir la configuración inicial descrita en [Configure las conexiones a las fuentes de datos con OAuth](canvas-setting-up-oauth.md).
Tras configurar las OAuth credenciales, puede hacer lo siguiente para añadir una conexión de Snowflake o Salesforce Data Cloud con: OAuth
1. Inicie sesión en la aplicación de Canvas.
1. Cree un conjunto de datos tabular. Cuando se le pida que cargue datos, elija Snowflake o Salesforce Data Cloud como origen de datos.
1. Cree una nueva conexión a su origen de datos de Snowflake o Salesforce Data Cloud. Especifique el método OAuth de autenticación e introduzca los detalles de la conexión.
Ahora debería poder importar datos de sus bases de datos en Snowflake o Salesforce Data Cloud.
## Conexión a una plataforma SaaS
Puede importar datos de Snowflake y de más de 40 plataformas de SaaS externas. Para obtener una lista completa de conectores, consulte la tabla de [Importación de datos](canvas-importing-data.md).
**nota**
Solo puede importar datos tabulares, como tablas de datos, desde plataformas de SaaS.
### Uso de Snowflake con Canvas
Snowflake es un servicio de almacenamiento y análisis de datos, y puede importar sus datos de Snowflake a Canvas. SageMaker Para obtener más información acerca de Snowflake, consulte la [documentación de Snowflake](https://www.snowflake.com/en/).
Puede importar datos desde su cuenta de Snowflake por medio del siguiente procedimiento:
1. Crear una conexión a la base de datos de Snowflake.
1. Seleccionar los datos que va a importar arrastrando y soltando la tabla desde el menú de navegación de la izquierda hasta el editor.
1. Importe los datos.
Puede usar el editor Snowflake para arrastrar conjuntos de datos al panel de importación e importarlos a Canvas. SageMaker Para tener un mayor control sobre los valores devueltos en el conjunto de datos, se puede usar lo siguiente:
+ Consultas SQL
+ Uniones
Las consultas SQL le permiten personalizar la forma en que se importan los valores en el conjunto de datos. Por ejemplo, puede especificar las columnas devueltas en el conjunto de datos o el rango de valores de una columna.
Puede unir varios conjuntos de datos de Snowflake en un solo conjunto de datos antes de importarlos a Canvas mediante SQL o la interfaz de Canvas. Puede arrastrar los conjuntos de datos de Snowflake al panel que le permite unir los conjuntos de datos, o bien puede editar las combinaciones en SQL y convertir el SQL en un solo nodo. Puede unir otros nodos con el nodo que ha convertido. A continuación, puede combinar los conjuntos de datos que ha unido en un único nodo y unir los nodos con un conjunto de datos de Snowflake diferente. Por último, puede importar los datos que ha seleccionado a Canvas.
Utilice el siguiente procedimiento para importar datos de Snowflake a Amazon SageMaker Canvas.
1. En la aplicación SageMaker Canvas, vaya a la página **Conjuntos de datos.**
1. Seleccione **Importar datos** y, en el menú desplegable, elija **Tabular**.
1. Escriba un nombre para el conjunto de datos y, a continuación, elija **Crear**.
1. Para **Origen de datos**, abra el menú desplegable y seleccione **Snowflake**.
1. Elija **Agregar conexión**.
1. En el cuadro de diálogo **Agregar una nueva conexión a Snowflake**, especifique sus credenciales de Snowflake. En **Método de autenticación**, elija una de las siguientes opciones:
+ **Básico: nombre de usuario y contraseña**: indique su ID de cuenta, nombre de usuario y contraseña de Snowflake.
+ **ARN**: para mejorar la protección de sus credenciales de Snowflake, proporcione el ARN de un AWS Secrets Manager secreto que contenga sus credenciales. *Para obtener más información, consulte [Crear un AWS Secrets Manager secreto](https://docs.aws.amazon.com/secretsmanager/latest/userguide/create_secret.html) en la Guía del usuario.AWS Secrets Manager *
El secreto debe contener las credenciales de Snowflake almacenadas en el siguiente formato JSON:
```
{"accountid": "ID",
"username": "username",
"password": "password"}
```
+ **OAuth**— OAuth permite autenticarse sin necesidad de proporcionar una contraseña, pero requiere una configuración adicional. Para obtener más información sobre la configuración de OAuth las credenciales de Snowflake, consulte. [Configure las conexiones a las fuentes de datos con OAuth](canvas-setting-up-oauth.md)
1. Elija **Agregar conexión**.
1. Desde la pestaña que tiene el nombre de su conexión, arrastre el archivo .csv que va a importar al panel **Arrastrar y soltar para importar**.
1. Opcional: Arrastrar tablas adicionales al panel de importación. Puede utilizar la interfaz gráfica para unir las tablas. Para obtener una mayor especificidad en las uniones, elija **Editar en SQL**.
1. Opcional: si utiliza SQL para consultar los datos, puede elegir **Contexto** para agregar contexto a la conexión especificando valores para lo siguiente:
+ **Almacén**
+ **Base de datos**
+ **Esquema**
Añadir contexto a una conexión facilita la especificación de consultas futuras.
1. Elija **Importar datos**.
En la imagen siguiente, se muestra un ejemplo de campos especificados para una conexión de Snowflake.
![\[Captura de pantalla del cuadro de diálogo Añadir una nueva conexión de Snowflake en Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-connection.png)
La siguiente imagen muestra la página utilizada para agregar contexto a una conexión.
![\[Captura de pantalla de la página Importar en Canvas, que muestra el cuadro de diálogo Contexto.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-connection-context.png)
La siguiente imagen muestra la página utilizada para unir conjuntos de datos en Snowflake.
![\[Captura de pantalla de la página Importar en Canvas, que muestra la unión de conjuntos de datos.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-join.png)
La siguiente imagen muestra una consulta SQL que se utiliza para editar una unión en Snowflake.
![\[Captura de pantalla de una consulta SQL en el Editor de SQL de la página Importar de Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-snowflake-edit-sql.png)
### Uso de conectores de SaaS con Canvas
**nota**
Para las plataformas de SaaS aparte de Snowflake, solo puede tener una conexión por origen de datos.
Antes de poder importar datos desde una plataforma de SaaS, el administrador debe autenticarse y crear una conexión con el origen de datos. Para obtener más información sobre cómo los administradores pueden crear una conexión con una plataforma SaaS, consulte Administrar [ AppFlow las conexiones de Amazon](https://docs.aws.amazon.com/appflow/latest/userguide/connections.html) en la Guía * AppFlow del usuario de Amazon*.
Si eres administrador y estás empezando a usar Amazon AppFlow por primera vez, consulta [Cómo empezar](https://docs.aws.amazon.com/appflow/latest/userguide/getting-started.html) en la *Guía del AppFlow usuario de Amazon*.
Para importar datos desde una plataforma de SaaS, puede seguir el procedimiento estándar [Importación de datos tabulares](canvas-import-dataset.md#canvas-import-dataset-tabular), que le muestra cómo importar conjuntos de datos tabulares en Canvas.
# Conjuntos de datos de ejemplo en Canvas
SageMaker Canvas proporciona conjuntos de datos de muestra que abordan casos de uso únicos para que pueda empezar a crear, entrenar y validar modelos rápidamente sin escribir ningún código. Los casos de uso asociados a estos conjuntos de datos destacan las capacidades de SageMaker Canvas, y puede aprovechar estos conjuntos de datos para empezar a crear modelos. Puede encontrar los conjuntos de datos de muestra en la página de **conjuntos de datos** de su aplicación Canvas. SageMaker
Los siguientes conjuntos de datos son los ejemplos que SageMaker Canvas proporciona de forma predeterminada. Estos conjuntos de datos abarcan casos de uso como la predicción del precio de la vivienda, la morosidad de los préstamos y la readmisión de pacientes diabéticos; la previsión de las ventas; la predicción de los fallos de la maquinaria para agilizar el mantenimiento predictivo en las unidades de fabricación; y la generación de predicciones de la cadena de suministro para el transporte y la logística. Los conjuntos de datos se almacenan en la `sample_dataset` carpeta del bucket de Amazon S3 predeterminado que SageMaker AI crea para su cuenta en una región.
+ **canvas-sample-diabetic-readmission.csv:** este conjunto de datos contiene datos históricos que incluyen más de quince características con los resultados de los pacientes y los hospitales. Puede utilizar este conjunto de datos para predecir si es probable que los pacientes diabéticos de alto riesgo sean readmitidos en el hospital dentro de los 30 días siguientes al alta, después de 30 días o que no vuelvan a ingresar en el hospital. Utilice la columna de **reingresos** como columna de destino y utilice el tipo de modelo de predicción de más de 3 categorías con este conjunto de datos. Para obtener más información sobre cómo crear un modelo con este conjunto de datos, consulte la [página del taller de SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/5-hcls). Este conjunto de datos se obtuvo del [UCI Machine Learning Repository](https://archive.ics.uci.edu/ml/datasets/diabetes+130-us+hospitals+for+years+1999-2008).
+ **canvas-sample-housing.csv:** este conjunto de datos contiene datos sobre las características vinculadas a un precio de vivienda determinado. Puede usar este conjunto de datos para predecir los precios de la vivienda. Utilice la columna **median\$1house\$1value** como columna de destino y utilice el tipo de modelo de predicción numérica con este conjunto de datos. Para obtener más información sobre cómo crear un modelo con este conjunto de datos, consulte la [página del taller de SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/2-real-estate). Este es el conjunto de datos sobre viviendas de California obtenido del [StatLib repositorio](https://www.dcc.fc.up.pt/~ltorgo/Regression/cal_housing.html).
+ **canvas-sample-loans.csv:** este conjunto de datos contiene datos crediticios completos de todos los préstamos emitidos entre 2007 y 2011, incluidos el estado actual del préstamo y la información de pago más reciente. Puede usar este conjunto de datos para predecir si un cliente reembolsará un préstamo. Utilice la columna de **loan\$1status** como columna de destino y utilice el tipo de modelo de predicción de más de 3 categorías con este conjunto de datos. Para obtener más información sobre cómo crear un modelo con este conjunto de datos, consulte la página del taller de [SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/4-finserv). Estos datos utilizan los LendingClub datos obtenidos de [Kaggle](https://www.kaggle.com/datasets/wordsforthewise/lending-club).
+ **canvas-sample-maintenance.csv:** este conjunto de datos contiene datos sobre las características relacionadas con un tipo de fallo de mantenimiento determinado. Puede usar este conjunto de datos para predecir qué fallos se producirán en el futuro. Utilice la columna de **Failure Type** como columna de destino y utilice el tipo de modelo de predicción de más de 3 categorías con este conjunto de datos. Para obtener más información sobre cómo crear un modelo con este conjunto de datos, consulte la [página del taller de SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/6-manufacturing). Este conjunto de datos se obtuvo del [UCI Machine Learning Repository](https://archive.ics.uci.edu/ml/datasets/AI4I+2020+Predictive+Maintenance+Dataset).
+ **canvas-sample-shipping-logs.csv:** este conjunto de datos contiene los datos de envío completos de todos los productos entregados, incluidos el tiempo estimado, la prioridad de envío, el transportista y el origen. Puede usar este conjunto de datos para predecir la hora estimada de llegada del envío en número de días. Usa la **ActualShippingDays**columna como columna de destino y usa el tipo de modelo de predicción numérica con este conjunto de datos. Para obtener más información sobre cómo crear un modelo con estos datos, consulte la [página del taller de SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/7-supply-chain). Se trata de un conjunto de datos sintético creado por Amazon.
+ **canvas-sample-sales-forecasting.csv:** este conjunto de datos contiene datos históricos de ventas en series temporales para tiendas minoristas. Puede usar este conjunto de datos para pronosticar las ventas de una tienda minorista en particular. Use la columna **sales** como columna de destino y use el tipo de modelo de previsión de series temporales con este conjunto de datos. Para obtener más información sobre cómo crear un modelo con este conjunto de datos, consulte la [página del taller de SageMaker Canvas](https://catalog.us-east-1.prod.workshops.aws/workshops/80ba0ea5-7cf9-4b8c-9d3f-1cd988b6c071/en-US/zzz-legacy/1-use-cases/3-retail). Se trata de un conjunto de datos sintético creado por Amazon.
# Reimportación de un conjunto de datos de muestra eliminado
Amazon SageMaker Canvas le proporciona conjuntos de datos de muestra para varios casos de uso que destacan las capacidades de Canvas. Para obtener más información acerca de los conjuntos de datos de muestra que están disponibles, consulte [Conjuntos de datos de ejemplo en Canvas](canvas-sample-datasets.md). Si ya no desea utilizar los conjuntos de datos de muestra, puede eliminarlos de la página de **conjuntos** de datos de su SageMaker aplicación Canvas. Sin embargo, estos conjuntos de datos siguen almacenados en el bucket de Amazon S3 que especificó como [ubicación de almacenamiento de Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-storage-configuration.html), por lo que siempre podrá acceder a ellos más adelante.
Si utilizó el bucket de Amazon S3 predeterminado, el nombre del bucket sigue el patrón `sagemaker-{region}-{account ID}`. Puede encontrar los conjuntos de datos de muestra en la ruta del directorio `Canvas/sample_dataset`.
Si elimina un conjunto de datos de muestra de su aplicación SageMaker Canvas y desea volver a acceder al conjunto de datos de muestra, utilice el siguiente procedimiento.
1. Navegue a la página **de conjuntos de datos** en su aplicación SageMaker Canvas.
1. Elija **Importar datos**.
1. En la lista de buckets de Amazon S3, seleccione el bucket que sea su ubicación de almacenamiento de Canvas. Si utiliza el bucket Amazon S3 predeterminado SageMaker creado por IA, sigue el patrón de nomenclatura. `sagemaker-{region}-{account ID}`
1. Seleccione la carpeta **Canvas**.
1. Seleccione la carpeta **sample\$1dataset**, que contiene todos los conjuntos de datos de muestra de Canvas. SageMaker
1. Seleccione el conjunto de datos que quiera importar y, a continuación, elija **Importar datos**.
# Preparación de datos
**nota**
Anteriormente, Amazon SageMaker Data Wrangler formaba parte de la experiencia SageMaker Studio Classic. Ahora, si se actualiza para usar la nueva experiencia de Studio, debe usar SageMaker Canvas para acceder a Data Wrangler y recibir las últimas actualizaciones de funciones. Si ha estado utilizando Data Wrangler en Studio Classic hasta ahora y desea migrar a Data Wrangler en Canvas, es posible que tenga que conceder permisos adicionales para crear y usar una aplicación de Canvas. Para obtener más información, consulte [(Opcional) Migre de Data Wrangler en Studio Classic a Canvas SageMaker](studio-updated-migrate-ui.md#studio-updated-migrate-dw).
Para obtener información sobre cómo migrar flujos de datos desde Data Wrangler en Studio Classic, consulte [(Opcional) Migración de datos de Studio Classic a Studio](studio-updated-migrate-data.md).
Utilice Amazon SageMaker Data Wrangler en Amazon SageMaker Canvas para preparar, caracterizar y analizar sus datos. Puede integrar un flujo de preparación de datos de Data Wrangler en sus flujos de trabajo de machine learning (ML) a fin de simplificar y agilizar el preprocesamiento de datos y la ingeniería de características sin apenas codificación. También puede añadir sus propios scripts y transformaciones de Python para personalizar flujos de trabajo.
+ **Flujo de datos**: cree un flujo de datos para definir una serie de pasos de preparación de datos para el ML. Puede usar un flujo para combinar conjuntos de datos de diferentes orígenes, identificar el número y los tipos de transformaciones que desea aplicar a los conjuntos de datos y definir un flujo de trabajo de preparación de datos que se pueda integrar en una canalización de ML.
+ **Transformación**: limpie y transforme su conjunto de datos mediante *transformaciones* estándar, como herramientas de formato para datos numéricos, vectoriales y de cadenas. Personalice sus datos mediante transformaciones como texto, incrustación y codificación categórica. date/time
+ **Generación de información sobre los datos**: verifique automáticamente la calidad de los datos y detecte anomalías en estos con el informe de información y calidad de datos de Data Wrangler.
+ **Análisis**: analice las características de su conjunto de datos en cualquier punto del flujo. Data Wrangler incluye herramientas integradas de visualización de datos, como diagramas de dispersión e histogramas; también dispone de herramientas para el análisis de datos, como el análisis de fuga de objetivos y el modelado rápido para comprender la correlación de características.
+ **Exportación**: exporte su flujo de trabajo de preparación de datos a una ubicación distinta. A continuación, se muestran algunos ejemplos de ubicaciones.
+ Bucket de Amazon Simple Storage Service (Amazon S3)
+ Amazon SageMaker Feature Store: almacene las funciones y sus datos en una tienda centralizada.
+ **Automatización de la preparación de datos**: cree flujos de trabajo de machine learning a partir de un flujo de datos.
+ Amazon SageMaker Pipelines: cree flujos de trabajo que gestionen la preparación de datos de SageMaker IA, el entrenamiento de modelos y los trabajos de implementación de modelos.
+ Canalización de inferencia en serie: cree una canalización de inferencia en serie a partir de su flujo de datos. Utilícela para hacer predicciones sobre datos nuevos.
+ Script de Python. Almacene los datos y sus transformaciones en un script de Python para sus flujos de trabajo personalizados.
# Creación de un flujo de datos
Utilice un flujo de Data Wrangler en SageMaker Canvas, o flujo de *datos*, para crear y modificar una canalización de preparación de datos. Le recomendamos que utilice Data Wrangler para conjuntos de datos de más de 5 GB.
Para comenzar, siga este procedimiento detallado para importar los datos a un flujo de datos.
1. Abre Canvas SageMaker .
1. En el panel de navegación izquierdo, elija **Data Wrangler**.
1. Seleccione **Importar y preparar**.
1. En el menú desplegable, seleccione **Tabular** o **Imagen**.
1. En **Seleccionar un origen de datos**, elija un origen de datos y seleccione los datos que desea importar. Tiene la opción de seleccionar hasta 30 archivos o una carpeta. Si ya ha importado un conjunto de datos a Canvas, elija el **Conjunto de datos de Canvas** como origen. De lo contrario, conéctese a un origen de datos como Amazon S3 o Snowflake y explore los datos. Para obtener información sobre cómo conectarse a un origen de datos o importar datos, consulte las páginas siguientes:
+ [Importación de datos](canvas-importing-data.md)
+ [Conexión con orígenes de datos](canvas-connecting-external.md)
1. Después de seleccionar los datos que desea importar, elija **Siguiente**.
1. (Opcional) En la sección **Configuración de importación** al importar un conjunto de datos tabular, expanda el menú desplegable **Avanzado**. Puede especificar la siguiente configuración avanzada para la importación de flujos de datos:
+ **Método de muestreo**: seleccione el método de muestreo y el tamaño de la muestra que desee utilizar. Para obtener más información sobre cómo cambiar la muestra, consulte la sección [Edición de la configuración de muestreo del flujo de datos](canvas-data-flow-edit-sampling.md).
+ **Codificación de archivos (CSV)**: seleccione la codificación del archivo del conjunto de datos. `UTF-8` es la predeterminada.
+ **Omitir primeras filas**: introduzca el número de filas que desea omitir de la importación si hay filas redundantes al principio del conjunto de datos.
+ **Delimitador**: seleccione el delimitador que separa cada elemento de los datos. También puede especificar un delimitador personalizado.
+ **Detección de varias líneas**: seleccione esta opción si desea que Canvas analice manualmente todo el conjunto de datos en busca de celdas de varias líneas. Canvas determina si se usa o no la compatibilidad con varias líneas tomando una muestra de los datos, pero es posible que Canvas no detecte ninguna celda de varias líneas en la muestra. En este caso, le recomendamos que seleccione la opción **Detección de varias líneas** para obligar a Canvas a comprobar si hay celdas de varias líneas en todo el conjunto de datos.
1. Seleccione **Importar**.
Ahora debería tener un nuevo flujo de datos y poder empezar a añadir pasos de transformación y análisis.
# Cómo funciona la interfaz de usuario del flujo de datos
Para ayudarle a navegar por el flujo de datos, Data Wrangler tiene las siguientes pestañas en el panel de navegación superior:
+ **Flujo de datos**: esta pestaña proporciona una vista visual del paso del flujo de datos en el que puede añadir o eliminar transformaciones y exportar datos.
+ **Datos**: esta pestaña ofrece una vista previa de los datos para que pueda comprobar los resultados de las transformaciones. También puede ver una lista ordenada de los pasos del flujo de datos y editarlos o reordenarlos.
**nota**
En esta pestaña, solo puede previsualizar las visualizaciones de datos (como la distribución de valores por columna) para las orígenes de datos de Amazon S3. No se admiten las visualizaciones de otros orígenes de datos, como Amazon Athena.
+ **Análisis**: en esta pestaña, puede ver subpestañas independientes para cada análisis que cree. Por ejemplo, si crea un histograma y un informe de información y calidad de los datos (DQI), Canvas crea una pestaña para cada uno.
**Al importar un conjunto de datos, el conjunto de datos original aparece en el flujo de datos y se denomina Fuente.** SageMaker **Canvas deduce automáticamente los tipos de cada columna del conjunto de datos y crea un nuevo marco de datos denominado Tipos de datos.** Puede seleccionar este marco para actualizar los tipos de datos inferidos.
Los conjuntos de datos, las transformaciones y los análisis que utiliza en el flujo de datos se representan como *pasos*. Cada vez que agregue un paso de transformación, creará un marco de datos nuevo. Cuando se agregan varios pasos de transformación (salvo **Unir** o **Concatenar**) al mismo conjunto de datos, estos se apilan.
En la opción **Combinar datos**, seleccione **Unir** y **Concatenar** para crear pasos independientes que contienen el nuevo conjunto de datos unido o concatenado.
# Edición de la configuración de muestreo del flujo de datos
Al importar datos tabulares a un flujo de datos de Data Wrangler, puede tomar una muestra de su conjunto de datos para acelerar el proceso de exploración y limpieza de datos. Ejecutar transformaciones exploratorias en una muestra del conjunto de datos suele ser más rápido que ejecutar transformaciones en todo el conjunto de datos, y cuando esté listo para exportar el conjunto de datos y crear un modelo, puede aplicar las transformaciones a todo el conjunto de datos.
Canvas admite los siguientes métodos de muestreo:
+ **FirstK**: Canvas selecciona los primeros *K* elementos del conjunto de datos, donde *K* es un número que especifique. Este método de muestreo es simple, pero puede provocar sesgos si el conjunto de datos no está ordenado aleatoriamente.
+ **Aleatorio**: Canvas selecciona los elementos del conjunto de datos de forma aleatoria, y cada elemento tiene la misma probabilidad de ser elegido. Este método de muestreo ayuda a garantizar que la muestra sea representativa de todo el conjunto de datos.
+ **Estratificado**: Canvas divide el conjunto de datos en grupos (o *estratos*) en función de uno o más atributos (por ejemplo, la edad y el nivel de ingresos). A continuación, selecciona aleatoriamente un número proporcional de elementos de cada grupo. Este método garantiza que todos los subgrupos relevantes estén adecuadamente representados en la muestra.
Puede editar la configuración de muestreo en cualquier momento para cambiar el tamaño de la muestra utilizada para la exploración de datos.
Para realizar cambios en la configuración de muestreo, haga lo siguiente:
1. En el gráfico de flujo de datos, seleccione el nodo del origen de datos.
1. Elija **Muestreo** en la barra de navegación inferior.
1. Se abre el cuadro de diálogo **Muestreo**. En el menú desplegable **Método de muestreo**, seleccione el método de muestreo que desee.
1. En **Tamaño máximo de la muestra**, introduzca el número de filas que desee muestrear.
1. Elija **Actualizar** para guardar los cambios.
Ahora deberían aplicarse los cambios en la configuración de muestreo.
# Adición de un paso al flujo de datos
En los flujos de datos de Data Wrangler puede añadir pasos que representen las transformaciones y los análisis de los datos.
Para agregar un paso a su flujo de datos, seleccione **\$1** junto a cualquier nodo del conjunto de datos o un paso agregado anteriormente. A continuación, seleccione una de las siguientes opciones:
+ **Editar tipos de datos** (solo para un paso de **Tipos de datos**): si no ha agregado ninguna transformación a un paso de **Tipos de datos**, puede hacer doble clic en el paso de **Tipos de datos** del flujo para abrir la pestaña **Datos** y editar los tipos de datos que Data Wrangler infirió al importar el conjunto de datos.
+ **Agregar transformación**: agrega un nuevo paso de transformación. Consulte [Transformación de datos](canvas-transform.md) para obtener más información sobre las transformaciones de datos que puede agregar.
+ **Obtener información sobre datos**: añada análisis, como histogramas o visualizaciones personalizadas. Puede utilizar esta opción para analizar los datos en cualquier punto del flujo de datos. Consulte [Realización de análisis de datos exploratorio (EDA)](canvas-analyses.md) para obtener más información sobre los análisis que puede agregar.
+ **Unir**: busque esta opción en **Combinar datos** para unir dos conjuntos de datos y agregar el conjunto de datos resultante al flujo de datos. Para obtener más información, consulte [Unir conjuntos de datos](canvas-transform.md#canvas-transform-join).
+ **Concatenar**: busque esta opción en **Combinar datos** para concatenar dos conjuntos de datos y agregar el conjunto de datos resultante al flujo de datos. Para obtener más información, consulte [Concatenar conjuntos de datos](canvas-transform.md#canvas-transform-concatenate).
# Edición de pasos del flujo de datos
En Amazon SageMaker Canvas, puede editar los pasos individuales de los flujos de datos para transformar el conjunto de datos sin tener que crear un flujo de datos nuevo. En la siguiente página se explica cómo editar pasos de unión y concatenación, así como pasos de origen de datos.
## Editar pasos de unión y concatenación
En los flujos de datos tiene la flexibilidad de editar los pasos de unión y concatenación. Puede realizar los ajustes necesarios en el flujo de trabajo de procesamiento de datos para garantizar que los datos se combinen y transformen correctamente sin tener que rehacer todo el flujo de datos.
Para editar un paso de unión o concatenación del flujo de datos, haga lo siguiente:
1. Abra el flujo de datos.
1. Elija el icono del signo más (**\$1**) situado junto al nodo de unión o concatenación que desee editar.
1. En el menú contextual, elija **Edit**.
1. Se abre un panel lateral en el que puede editar los detalles de la unión o concatenación. Modifique los campos de los pasos, como el tipo de unión. Para cambiar un nodo de datos y seleccionar otro distinto para unirlo o concatenarlo, elija el icono de eliminación situado junto al nodo y, a continuación, en la vista de flujo de datos, seleccione el nuevo nodo que desee incluir en la transformación.
**nota**
Al intercambiar un nodo durante el proceso de edición, solo puede seleccionar los pasos que se produzcan antes de la operación de unión o concatenación. Puede intercambiar el nodo izquierdo o derecho, pero solo puede intercambiar un nodo a la vez. Además, no puede seleccionar un nodo de origen como sustituto.
1. Seleccione **Vista previa** para ver el resultado de la operación de combinación.
1. Elija **Actualizar** para guardar los cambios.
Ahora debería actualizarse el flujo de datos.
## Edición o sustitución de un paso de origen de datos
Es posible que deba realizar cambios en el origen de datos o el conjunto de datos sin eliminar las transformaciones y los pasos del flujo de datos aplicados a los datos originales. En Data Wrangler puede editar o reemplazar la configuración del origen de datos y, al mismo tiempo, mantener los pasos del flujo de datos. Al editar un origen de datos, puede cambiar la configuración de importación, como el tamaño o el método de muestreo, y cualquier configuración avanzada. También puede añadir más archivos con el mismo esquema o, en el caso de orígenes de datos basados en consultas, como Amazon Athena, puede editar la consulta. Al reemplazar un origen de datos, tiene la opción de seleccionar un conjunto de datos diferente o incluso importar los datos de un origen de datos completamente diferente, siempre que el esquema de los nuevos datos coincida con los datos originales.
Para editar una configuración de origen de datos, haga lo siguiente:
1. En la aplicación de Canvas, vaya a la página **Data Wrangler**.
1. Elija un flujo de datos para verlo.
1. En la pestaña **Flujo de datos** que muestra los pasos del flujo de datos, busque el nodo **Origen** que desea editar.
1. Seleccione el icono de puntos suspensivos situado junto al nodo **Origen**.
1. En el menú contextual, elija **Edit**.
1. Para orígenes de datos de Amazon S3 y carga local tiene la opción de seleccionar o cargar más archivos con el mismo esquema que los datos originales. En el caso de orígenes de datos basados en consultas, como Amazon Athena, puede eliminar y seleccionar diferentes tablas en el generador visual de consultas, o bien editar la consulta SQL directamente. Cuando haya terminado, elija **Siguiente**.
1. En **Configuración de importación**, realice los cambios que desee.
1. Cuando haya terminado, elija **Guardar cambios**.
El origen de datos debería actualizarse ahora.
Para reemplazar un origen de datos, haga lo siguiente:
1. En la aplicación de Canvas, vaya a la página **Data Wrangler**.
1. Elija un flujo de datos para verlo.
1. En la pestaña **Flujo de datos** que muestra los pasos del flujo de datos, busque el nodo **Origen** que desea editar.
1. Seleccione el icono de puntos suspensivos situado junto al nodo **Origen**.
1. Seleccione **Reemplazar** en el menú contextual.
1. Consulte la [experiencia de creación de un flujo de datos](canvas-data-flow.md) para seleccionar otro origen de datos y otros datos.
1. Cuando haya seleccionado los datos y esté listo para actualizar el nodo de origen, elija **Guardar**.
Ahora debería ver el nodo **Origen** actualizado en el flujo de datos.
# Reordenación de pasos en el flujo de datos
Después de añadir pasos al flujo de datos tiene la opción de reordenar los pasos en lugar de eliminarlos y volver a añadirlos en el orden correcto. Por ejemplo, puede mover una transformación para imputar los valores que faltan antes de un paso para formatear cadenas.
**nota**
No puede cambiar el orden de algunos tipos de pasos, por ejemplo, definir el origen de datos, cambiar tipos de datos, unirlos, concatenarlos o dividirlos. Los pasos que no se pueden reordenar aparecen atenuados en la interfaz de usuario de la aplicación de Canvas.
Para reordenar los pasos del flujo de datos, haga lo siguiente:
1. Mientras edita un flujo de datos en Data Wrangler, elija la pestaña **Datos**. Un panel lateral llamado **Pasos** muestra los pasos del flujo de datos en orden.
1. Sitúe el cursor sobre un paso de transformación y seleccione el icono de **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) situado junto a ese paso.
1. Seleccione **Reordenar** en el menú contextual.
1. Arrastre y suelte los pasos del flujo de datos en el orden que desee.
1. Cuando haya terminado, elija **Guardar**.
Los pasos y el gráfico del flujo de datos deberían reflejar ahora los cambios que ha realizado.
# Eliminación de un paso del flujo de datos
En sus flujos de datos tiene la flexibilidad para eliminar los pasos de unión y concatenación y elegir si desea seguir aplicando o no las transformaciones posteriores a sus datos.
Para eliminar un paso de unión o concatenación del flujo de datos, haga lo siguiente:
1. Abra el flujo de datos.
1. Elija el icono del signo más (**\$1**) situado junto al nodo de unión o concatenación que desee editar.
1. En el menú contextual, seleccione **Delete (Eliminar)**.
1. (Opcional) Si tiene pasos de transformación después del paso de unión o concatenación, puede elegir si desea conservar o no los pasos de transformación subsiguientes y añadirlos por separado a cada nodo de datos. En el panel lateral **Eliminar unión**, elija un nodo para anular su selección y eliminar cualquier paso de transformación posterior. Puede dejar ambos nodos seleccionados para conservar todos los pasos de transformación, o puede anular la selección de ambos nodos para descartar todos los pasos de transformación.
La siguiente captura de pantalla muestra este paso con solo el segundo de los dos nodos de datos seleccionado. Si la unión se elimina correctamente, la posterior transformación de **Cambiar el nombre de la columna** solo la conserva el segundo nodo de datos.
![\[Captura de pantalla de un flujo de datos en Data Wrangler que muestra la vista de eliminación de uniones.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-data-flow-delete-step.png)
1. Elija **Eliminar**.
El paso de unión o concatenación debería estar eliminada ahora del flujo de datos.
# Realización de análisis de datos exploratorio (EDA)
Data Wrangler incluye análisis integrados que le ayudan a generar visualizaciones y análisis de datos con unos pocos clics. También puede crear análisis personalizados con su propio código.
Para agregar un análisis a un marco de datos, seleccione un paso del flujo de datos y, a continuación, elija **Agregar análisis**. Para acceder a un análisis que haya creado, seleccione el paso que contiene el análisis y seleccione el análisis.
Los análisis se generan con una muestra de hasta 200 000 filas del conjunto de datos y puede configurar el tamaño de la muestra. Para obtener más información acerca del cambio del tamaño de muestra del flujo de datos, consulte [Edición de la configuración de muestreo del flujo de datos](canvas-data-flow-edit-sampling.md).
**nota**
Los análisis están optimizados para datos con 1000 columnas o menos. Es posible que experimente cierta latencia al generar análisis de datos con columnas adicionales.
Puede agregar los análisis siguientes a un marco de datos:
+ Visualizaciones de datos, incluidos histogramas y gráficos de dispersión.
+ Un resumen rápido del conjunto de datos, que incluye el número de entradas, los valores mínimo y máximo (para los datos numéricos) y las categorías más y menos frecuentes (para los datos categóricos).
+ Un modelo rápido del conjunto de datos, que se puede utilizar para generar una puntuación de importancia para cada característica.
+ Un informe de fuga de objetivos, que puede utilizar para determinar si una o más características están estrechamente correlacionadas con la característica objetivo.
+ Una visualización personalizada con su propio código.
Utilice las siguientes secciones para obtener más información sobre estas opciones.
## Obtención de información sobre los datos y la calidad de los datos
Utilice el **Informe de información y calidad de los datos** para realizar un análisis de los datos que ha importado a Data Wrangler. Se recomienda crear el informe después de importar el conjunto de datos. Puede utilizar informe como ayuda para limpiar y procesar los datos. Le proporciona información como el número de valores ausentes y el número de valores atípicos. Si tiene problemas con los datos, como una fuga de objetivos o un desequilibrio, el informe de información puede indicarle esos problemas.
Utilice el siguiente procedimiento para crear un informe de información y calidad de los datos. Se supone que ya ha importado un conjunto de datos a su flujo de Data Wrangler.
**Para crear un informe de información y calidad de datos**
1. Elija el icono de puntos suspensivos junto a un nodo del flujo de Data Wrangler.
1. Seleccione **Obtener información sobre los datos**.
1. En **Tipo de análisis**, elija **Informe de información y calidad de los datos**.
1. En **Nombre del análisis**, especifique un nombre para el informe de información.
1. En **Tipo de problema**, especifique **Regresión** o **Clasificación**.
1. En **Columna de destino**, especifique la columna de destino.
1. Para **Tamaño de los datos**, especifique uno de los siguientes valores:
+ **Conjunto de datos muestreado**: utiliza la muestra interactiva del flujo de datos, que puede contener hasta 200 000 filas del conjunto de datos. Para obtener información acerca de cómo editar el tamaño de la muestra, consulte [Edición de la configuración de muestreo del flujo de datos](canvas-data-flow-edit-sampling.md).
+ **Conjunto de datos completo**: utiliza el conjunto de datos completo del origen de datos para crear el informe.
**nota**
Para crear un informe de información y calidad de los datos sobre el conjunto de datos completo se utiliza un trabajo SageMaker de procesamiento de Amazon. Un trabajo de SageMaker procesamiento proporciona los recursos informáticos adicionales necesarios para obtener información sobre todos sus datos. Para obtener más información sobre los trabajos de SageMaker procesamiento, consulte[Cargas de trabajo de transformación de datos con procesamiento SageMaker](processing-job.md).
1. Seleccione **Crear**.
Los siguientes temas muestran las secciones del informe:
**Topics**
+ [Resumen](#canvas-data-insights-summary)
+ [Columna objetivo](#canvas-data-insights-target-column)
+ [Modelo rápido](#canvas-data-insights-quick-model)
+ [Resumen de características](#canvas-data-insights-feature-summary)
+ [Muestras](#canvas-data-insights-samples)
+ [Definiciones](#canvas-data-insights-definitions)
Puede descargar el informe o verlo en línea. Para descargar el informe, pulse el botón de descarga en la esquina superior derecha de la pantalla.
### Resumen
El informe de análisis contiene un breve resumen de los datos que incluye información general, como valores ausentes, valores no válidos, tipos de características, recuentos de valores atípicos, etc. También puede incluir advertencias de alta gravedad que indiquen posibles problemas con los datos. Se recomienda investigar las advertencias.
### Columna objetivo
Cuando crea el informe de información y calidad de los datos, Data Wrangler le ofrece la opción de seleccionar una columna de destino. La columna objetivo es una columna que intenta predecir. Cuando se elige una columna objetivo, Data Wrangler crea automáticamente un análisis de la columna objetivo. También clasifica las características en el orden de su poder predictivo. Al seleccionar una columna objetivo, debe especificar si va a intentar resolver un problema de regresión o de clasificación.
Para la clasificación, Data Wrangler muestra una tabla y un histograma de las clases más frecuentes. Una clase es una categoría. También presenta observaciones, o filas, con un valor objetivo que falta o que no es válido.
Para la regresión, Data Wrangler muestra un histograma de todos los valores de la columna objetivo. También presenta observaciones, o filas, con un valor objetivo que falta, que no es válido o que es atípico.
### Modelo rápido
El **Modelo rápido** proporciona una estimación de la calidad prevista de un modelo que se entrena con sus datos.
Data Wrangler divide los datos en pliegues de entrenamiento y validación. Utiliza el 80 % de las muestras para el entrenamiento y el 20 % de los valores para la validación. Para la clasificación, la muestra se divide estratificadamente. Para una división estratificada, cada partición de datos tiene la misma proporción de etiquetas. En lo que se refiere a los problemas de clasificación, es importante tener la misma proporción de etiquetas entre los pliegues de entrenamiento y de clasificación. Data Wrangler entrena el XGBoost modelo con los hiperparámetros predeterminados. Aplica una parada temprana a los datos de validación y realiza un preprocesamiento mínimo de la característica.
En el caso de los modelos de clasificación, Data Wrangler devuelve un resumen del modelo y una matriz de confusión.
Para obtener más información sobre la información que devuelve el resumen del modelo de clasificación, consulte [Definiciones](#canvas-data-insights-definitions).
Una matriz de confusión le ofrece la siguiente información:
+ El número de veces que la etiqueta predicha coincide con la etiqueta verdadera.
+ El número de veces que la etiqueta predicha no coincide con la etiqueta verdadera.
La etiqueta verdadera representa una observación real de los datos. Por ejemplo, si utiliza un modelo para detectar transacciones fraudulentas, la etiqueta verdadera representa una transacción que en realidad es fraudulenta o no fraudulenta. La etiqueta predicha representa la etiqueta que el modelo asigna a los datos.
Puede usar la matriz de confusión para ver lo bien que predice el modelo la presencia o ausencia de una condición. Si predice transacciones fraudulentas, puede utilizar la matriz de confusión para hacerse una idea de la sensibilidad y la especificidad del modelo. La sensibilidad se refiere a la capacidad del modelo de detectar transacciones fraudulentas. La especificidad se refiere a la capacidad del modelo de evitar detectar transacciones no fraudulentas como fraudulentas.
### Resumen de características
Al especificar una columna objetivo, Data Wrangler ordena las características por su poder de predicción. El poder de predicción se mide en los datos después de dividirlos en un 80 % de pliegues de entrenamiento y un 20 % de pliegues de validación. Data Wrangler encaja un modelo para cada característica independiente en el pliegue de entrenamiento. Aplica un preprocesamiento mínimo de la característica y mide el rendimiento de la predicción en los datos de validación.
Normaliza las puntuaciones al rango [0,1]. Las puntuaciones de predicción más altas indican columnas que son más útiles para predecir el objetivo por sí mismas. Las puntuaciones más bajas apuntan a columnas que no predicen la columna objetivo.
No es habitual que una columna que no sea predictiva por sí sola lo sea cuando se usa junto con otras columnas. Puede utilizar con confianza las puntuaciones de predicción para determinar si una característica de su conjunto de datos es predictiva.
Una puntuación baja suele indicar que la característica es redundante. Una puntuación de 1 implica una capacidad predictiva perfecta, lo que a menudo es señal de una fuga de objetivos. La fuga de objetivos suele producirse cuando el conjunto de datos contiene una columna que no está disponible en el momento de la predicción. Por ejemplo, podría ser un duplicado de la columna objetivo.
### Muestras
Data Wrangler proporciona información sobre si sus muestras son anómalas o si hay duplicados en el conjunto de datos.
Data Wrangler detecta muestras anómalas mediante el *algoritmo de bosque de aislamiento*. El bosque de aislamiento asocia una puntuación de anomalía a cada muestra (fila) del conjunto de datos. Las puntuaciones de anomalías bajas indican muestras anómalas. Las puntuaciones altas se asocian a muestras no anómalas. Las muestras con una puntuación de anomalía negativa suelen considerarse anómalas y las muestras con una puntuación de anomalía positiva se consideran no anómalas.
Al observar una muestra que podría ser anómala, se recomienda prestar atención a los valores inusuales. Por ejemplo, es posible que tenga valores anómalos que se deban a errores en la recopilación y el procesamiento de los datos. El siguiente es un ejemplo de las muestras más anómalas según la implementación del algoritmo de bosque de aislamiento de Data Wrangler. Se recomienda utilizar el conocimiento del dominio y la lógica empresarial al examinar las muestras anómalas.
Data Wrangler detecta filas duplicadas y calcula la proporción de filas duplicadas en los datos. Algunos orígenes de datos pueden incluir duplicados válidos. Otros orígenes de datos pueden tener duplicados que indiquen problemas en la recopilación de los datos. Las muestras duplicadas que resultan de una recopilación de datos defectuosa podrían interferir con los procesos de machine learning, que se basan en dividir los datos en grupos independientes de entrenamiento y validación.
Los siguientes son los elementos del informe de información que pueden verse afectados por la duplicación de muestras:
+ Modelo rápido
+ Estimación de la potencia predictiva
+ Ajuste automático de hiperparámetros
Puede eliminar las muestras duplicadas del conjunto de datos mediante la transformación **Eliminar duplicados** en **Administrar filas**. Data Wrangler le muestra las filas que se duplican con más frecuencia.
### Definiciones
A continuación, se muestran las definiciones de los términos técnicos que se utilizan en el informe de información de datos.
------
#### [ Feature types ]
Las siguientes son las definiciones de cada uno de los tipos de características:
+ **Numérica**: los valores numéricos pueden ser flotantes o enteros, como la edad o los ingresos. Los modelos de machine learning suponen que los valores numéricos están ordenados y que se define una distancia sobre ellos. Por ejemplo, 3 está más cerca de 4 que de 10 y 3 < 4 < 10.
+ **Categórica**: las entradas de la columna pertenecen a un conjunto de valores únicos, que suele ser mucho menor que el número de entradas de la columna. Por ejemplo, una columna de longitud 100 podría contener los valores únicos `Dog`, `Cat` y `Mouse`. Los valores pueden ser numéricos, de texto o una combinación de ambos. `Horse`, `House`, `8`, `Love` y `3.1` serían todos valores válidos y podrían encontrarse en la misma columna categórica. El modelo de machine learning no supone el orden ni la distancia en los valores de las características categóricas, a diferencia de las características numéricas, incluso cuando todos los valores son números.
+ **Binaria**: las características binarias son un tipo de característica categórica especial en la que la cardinalidad del conjunto de valores únicos es 2.
+ **Texto**: una columna de texto contiene muchos valores únicos no numéricos. En casos extremos, todos los elementos de la columna son únicos. En un caso extremo, no hay dos entradas iguales.
+ **Fecha y hora**: una columna de fecha y hora contiene información sobre la fecha o la hora. Puede contener información tanto de la fecha como de la hora.
------
#### [ Feature statistics ]
Las siguientes son definiciones para cada una de las estadísticas de la característica:
+ **Potencia predictiva**: la potencia predictiva mide la utilidad de la columna para predecir el objetivo.
+ **Valores atípicos** (en columnas numéricas): Data Wrangler detecta los valores atípicos mediante dos estadísticas que son resistentes a los valores atípicos: la mediana y la desviación estándar robusta (RSTD). La RSTD se obtiene al recortar los valores de las características al rango [percentil 5, percentil 95] y calcular la desviación estándar del vector recortado. Todos los valores superiores a la mediana \$15 \$1 RSTD o inferiores a la mediana -5 \$1 RSTD se consideran valores atípicos.
+ **Sesgo** (en columnas numéricas): el sesgo mide la simetría de la distribución y se define como el tercer momento de la distribución dividido por la tercera potencia de la desviación estándar. La asimetría de la distribución normal o de cualquier otra distribución simétrica es cero. Los valores positivos implican que la cola derecha de la distribución es más larga que la cola izquierda. Los valores negativos implican que la cola izquierda de la distribución es más larga que la cola derecha. Como regla general, una distribución se considera asimétrica cuando el valor absoluto de la asimetría es superior a 3.
+ **Curtosis** (en columnas numéricas): la curtosis de Pearson mide el peso de la cola de la distribución. Se define como el cuarto momento de la distribución dividido por el cuadrado del segundo momento. La curtosis de la distribución normal es 3. Los valores de curtosis inferiores a 3 implican que la distribución se concentra alrededor de la media y que las colas son más ligeras que las colas de la distribución normal. Los valores de curtosis superiores a 3 implican colas con más peso o valores atípicos.
+ **Valores ausentes**: los objetos de tipo nulo, las cadenas vacías y las cadenas compuestas únicamente por espacios en blanco se consideran valores ausentes.
+ **Valores válidos para las características numéricas o el objetivo de regresión**: todos los valores que se pueden convertir en flotantes finitos son válidos. Los valores ausentes no son válidos.
+ **Valores válidos para características categóricas, binarias o de texto, o para el objetivo de clasificación**: todos los valores que no faltan son válidos.
+ **Características de fecha y hora**: todos los valores que puede convertir en un objeto de fecha y hora son válidos. Los valores ausentes no son válidos.
+ **Valores no válidos**: valores ausentes o que no se pueden convertir correctamente. Por ejemplo, en una columna numérica, no puede convertir la cadena `"six"` o un valor nulo.
------
#### [ Quick model metrics for regression ]
Las siguientes son las definiciones de las métricas del modelo rápido:
+ R2 (o coeficiente de determinación): R2 es la proporción de la variación en el objetivo que predice el modelo. R2 está en el rango de [-inft, 1]. 1 es la puntuación del modelo que predice el objetivo a la perfección y 0 es la puntuación del modelo trivial que siempre predice la media objetivo.
+ MSE o error cuadrático medio: MSE está en el rango [0, infty]. 0 es la puntuación del modelo que predice perfectamente el objetivo.
+ MAE o error absoluto medio: el MAE se encuentra en el rango [0, infty] donde 0 es la puntuación del modelo que predice perfectamente el objetivo.
+ RMSE o raíz del error cuadrático medio: la RMSE se encuentra en el rango [0, infty] donde 0 es la puntuación del modelo que predice perfectamente el objetivo.
+ Error máximo: el valor absoluto máximo del error en el conjunto de datos. El error máximo se encuentra en el rango [0, infty] donde 0 es la puntuación del modelo que predice perfectamente el objetivo.
+ Mediana del error absoluto: la mediana del error absoluto se encuentra en el rango [0, infty] donde 0 es la puntuación del modelo que predice perfectamente el objetivo.
------
#### [ Quick model metrics for classification ]
Las siguientes son las definiciones de las métricas del modelo rápido:
+ **Precisión**: la precisión es la proporción de muestras que se predicen con precisión. La precisión está en el rango [0, 1]. 0 es la puntuación del modelo que predice todas las muestras de forma incorrecta y 1 es la puntuación del modelo perfecto.
+ **Precisión equilibrada**: la precisión equilibrada es la proporción de muestras que se predicen con precisión cuando se ajustan las ponderaciones de las clases para equilibrar los datos. Se les da la misma importancia a todas las clases, independientemente de su frecuencia. La precisión equilibrada se encuentra en el rango [0, 1]. 0 es la puntuación del modelo que predice erróneamente todas las muestras. 1 es la puntuación del modelo perfecto.
+ **AUC (clasificación binaria)**: es el área bajo la curva característica de funcionamiento del receptor. El AUC se encuentra en el rango [0, 1] en el que un modelo aleatorio arroja una puntuación de 0,5 y el modelo perfecto devuelve una puntuación de 1.
+ **AUC (OVR)**: en la clasificación multiclase, se trata del área bajo la curva característica de funcionamiento del receptor, que se calcula por separado para cada etiqueta, utilizando uno frente al resto. Data Wrangler informa del promedio de las áreas. El AUC se encuentra en el rango [0, 1] en el que un modelo aleatorio arroja una puntuación de 0,5 y el modelo perfecto devuelve una puntuación de 1.
+ **Precisión**: la precisión se define para una clase específica. La precisión es la fracción de positivos verdaderos de todas las instancias en las que el modelo clasificó como esa clase. La precisión está en el rango [0, 1]. 1 es la puntuación del modelo que no tiene falsos positivos para la clase. Para la clasificación binaria, Data Wrangler informa de la precisión de la clase positiva.
+ **Recuperación**: la recuperación se define para una clase específica. La recuperación es la fracción de las instancias de clase pertinentes que se recuperan correctamente. La recuperación está en el rango [0, 1]. 1 es la puntuación del modelo que clasifica correctamente todas las instancias de la clase. Para la clasificación binaria, Data Wrangler informa de la recuperación de la clase positiva.
+ **F1**: F1 se define para una clase específica. Es la media armónica entre la precisión y la recuperación. F1 está en el rango [0, 1]. 1 es la puntuación del modelo perfecto. Para la clasificación binaria, Data Wrangler indica la F1 para las clases con valores positivos.
------
#### [ Textual patterns ]
Los **patrones** describen el formato textual de una cadena utilizando un formato fácil de leer. A continuación se muestran ejemplos de patrones de texto:
+ “\$1digits:4-7\$1” describe una secuencia de dígitos que tienen una longitud entre 4 y 7.
+ “\$1alnum:5\$1” describe una cadena alfanumérica con una longitud exacta de 5.
Data Wrangler infiere los patrones observando muestras de cadenas no vacías a partir de sus datos. Puede describir muchos de los patrones más utilizados. La **confianza** expresada como porcentaje indica qué cantidad de datos se estima que coincide con el patrón. Con el patrón textual, puede ver qué filas de los datos tiene que corregir o eliminar.
A continuación se describen los patrones que Data Wrangler puede reconocer:
| Patrón | Formato textual |
| --- | --- |
| \$1alnum\$1 | Cadenas alfanuméricas |
| \$1any\$1 | Cualquier cadena de caracteres de palabra |
| \$1digits\$1 | Una secuencia de dígitos |
| \$1lower\$1 | Una palabra en minúscula |
| \$1mixed\$1 | Una palabra con mayúsculas y minúsculas |
| \$1name\$1 | Una palabra que comienza por una letra mayúscula |
| \$1upper\$1 | Una palabra mayúscula |
| \$1whitespace\$1 | Caracteres de espacio en blanco |
Un carácter de palabra es un carácter de subrayado o un carácter que puede aparecer en una palabra en cualquier idioma. Por ejemplo, las cadenas `'Hello_word'` y `'écoute'` están compuestas por caracteres de palabra. Tanto la “H” como la “é” son ejemplos de caracteres de palabra.
------
## Informe de sesgo
SageMaker Canvas proporciona el informe de sesgo en Data Wrangler para ayudar a descubrir posibles sesgos en sus datos. El informe de sesgo analiza la relación entre la columna de destino (etiqueta) y una columna que usted crea que puede contener un sesgo (variable de faceta). Por ejemplo, si intenta predecir la conversión de clientes, la variable de faceta podría ser la edad del cliente. El informe de sesgo puede ayudarlo a determinar si los datos están sesgados hacia un grupo de edad determinado.
Para generar un informe de sesgo en Canvas, haga lo siguiente:
1. En el flujo de datos de Data Wrangler, elija el icono de **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) situado junto a un nodo del flujo.
1. En el menú contextual, seleccione **Obtener información sobre los datos**.
1. Se abre el panel lateral **Crear análisis**. En el menú desplegable **Tipo de análisis**, seleccione **Informe de sesgo**.
1. En el campo **Nombre del análisis**, introduzca un nombre para el informe de sesgo.
1. En el menú desplegable **Seleccione la columna que predice el modelo (destino)**, seleccione la columna de destino.
1. En **¿La columna predicha es un valor o un umbral?**, seleccione **Valor** si la columna de destino tiene valores categóricos o **Umbral** si tiene valores numéricos.
1. En **Valor predicho** (o **Umbral pronosticado**, según lo que haya seleccionado en el paso anterior), introduzca el valor o los valores de la columna de destino que correspondan a un resultado positivo. Por ejemplo, si predice la conversión de clientes, el valor podría ser `yes` para indicar que un cliente se ha convertido.
1. En el menú desplegable **Columna analizada para detectar sesgos**, seleccione la columna que crea que puede contener sesgos, también conocida como variable de faceta.
1. En **¿La columna es un valor o un umbral?**, seleccione **Valor** si la variable de faceta tiene valores categóricos o **Umbral** si tiene valores numéricos.
1. En **Valores de columna analizados para detectar sesgo** (o **Umbral de columna analizado para detectar sesgo**, según lo que haya seleccionado en el paso anterior), introduzca el valor o los valores que desea analizar para detectar posible sesgo. Por ejemplo, si está comprobando si hay sesgo contra clientes mayores de cierta edad, utilice el principio de ese rango de edad como umbral.
1. En **Elegir métricas de sesgo**, seleccione las métricas de sesgo que desee incluir en el informe de sesgo. Pase el cursor sobre los iconos de información para obtener más información sobre cada métrica.
1. (Opcional) Cuando aparezca la opción **¿Desea analizar métricas adicionales?**, seleccione **Sí** para ver e incluir más métricas de sesgo.
1. Cuando esté listo para crear el informe de sesgo, elija **Agregar**.
Una vez generado, el informe le ofrece una visión general de las métricas de sesgo que ha seleccionado. Puede ver el informe de sesgo en cualquier momento desde la pestaña **Análisis** del flujo de datos.
## Histograma
Utilice los histogramas para ver los recuentos de los valores de las características de una característica específica. Puede examinar las relaciones entre las características mediante la opción **Colorear por**.
Puede usar la característica **Facetas** para crear histogramas de una columna para cada valor de otra columna.
## Gráfico de dispersión
Use la característica **Gráfico de dispersión** para examinar la relación entre las características. Para crear un gráfico de dispersión, seleccione una característica para representarla en el eje **X** y el eje **Y**. Ambas columnas deben ser columnas de tipo numérico.
Puede colorear los gráficos de dispersión mediante una columna adicional.
Además, puede ordenar los gráficos de dispersión por características.
## Resumen de la tabla
Utilice el análisis **Resumen de la tabla** para resumir rápidamente los datos.
Para las columnas con datos numéricos, incluidos los logarítmicos y datos flotantes, el resumen de la tabla indica el número de entradas (recuento), mínimo (mín.), máximo (máx.), media y desviación estándar (DE) de cada columna.
Para las columnas con datos no numéricos, incluidas las columnas con cadenas, booleanas o date/time datos, un resumen de tabla indica el número de entradas (recuento), el valor menos frecuente (mínimo) y el valor más frecuente (máximo).
## Modelo rápido
Utilice la visualización **Modelo rápido** para evaluar rápidamente los datos y generar puntuaciones de importancia para cada característica. Una [Puntuación de importancia de la característica](http://spark.apache.org/docs/2.1.0/api/python/pyspark.ml.html#pyspark.ml.classification.DecisionTreeClassificationModel.featureImportances) indica la utilidad de una característica para predecir una etiqueta objetivo. La puntuación de importancia de la característica está entre [0, 1] y un número más alto indica que la característica es más importante para todo el conjunto de datos. En la parte superior del gráfico de modelo rápido, hay una puntuación del modelo. Un problema de clasificación muestra una puntuación de F1. Un problema de regresión tiene una puntuación de error cuadrático medio (MSE).
Cuando crea un gráfico de modelo rápido, selecciona el conjunto de datos que desea evaluar y una etiqueta objetivo con la que desea comparar la importancia de las características. Data Wrangler hace lo siguiente:
+ Infiere los tipos de datos de la etiqueta objetivo y de cada característica del conjunto de datos seleccionado.
+ Determina el tipo de problema. En función del número de valores distintos de la columna de etiquetas, Data Wrangler determina si se trata de un problema de regresión o clasificación. Data Wrangler establece un umbral categórico en 100. Si hay más de 100 valores distintos en la columna de etiquetas, Data Wrangler lo clasifica como un problema de regresión; de lo contrario, se clasifica como un problema de clasificación.
+ Preprocesa las características y etiqueta los datos para el entrenamiento. El algoritmo utilizado requiere codificar las características con un tipo vectorial y codificar las etiquetas con un tipo doble.
+ Entrena un algoritmo de bosque aleatorio con un 70 % de datos. El de Spark [RandomForestRegressor](https://spark.apache.org/docs/latest/ml-classification-regression.html#random-forest-regression)se usa para entrenar un modelo para problemas de regresión. [RandomForestClassifier](https://spark.apache.org/docs/latest/ml-classification-regression.html#random-forest-classifier)Se usa para entrenar un modelo para problemas de clasificación.
+ Evalúa un modelo de bosque aleatorio con el 30 % restante de los datos. Data Wrangler evalúa los modelos de clasificación con una puntuación F1 y evalúa los modelos de regresión con una puntuación MSE.
+ Calcula la importancia de cada característica mediante el método de importancia de Gini.
## Fuga de objetivos
La fuga de objetivos se produce cuando hay datos en un conjunto de datos de entrenamiento de machine learning que están estrechamente correlacionados con la etiqueta objetivo, pero que no están disponibles en los datos de la vida real. Por ejemplo, es posible que tenga una columna en su conjunto de datos que sirva como proxy de la columna que desea predecir con su modelo.
Al utilizar el análisis **Fuga de objetivos**, especifica lo siguiente:
+ **Objetivo**: esta es la característica sobre la que desea que su modelo de machine learning pueda realizar predicciones.
+ **Tipo de problema**: este es el tipo de problema de machine learning en el que está trabajando. El tipo de problema puede ser de **clasificación** o **regresión**.
+ (Opcional) **Características máximas**: es la cantidad máxima de características que se pueden presentar en la visualización, que muestra las características clasificadas según su riesgo de convertirse en una fuga de objetivos.
Para la clasificación, el análisis de fuga de objetivos utiliza el área bajo la curva de la característica operativa de receptor, o curva AUC-ROC para cada columna, hasta las **Características máximas**. Para la regresión, utiliza un coeficiente de determinación o métrica R2.
La curva AUC-ROC proporciona una métrica predictiva, calculada individualmente para cada columna mediante la validación cruzada, en una muestra de hasta 1000 filas aproximadamente. Una puntuación de 1 indica una capacidad predictiva perfecta, lo que a menudo es señal de una fuga de objetivos. Una puntuación igual o inferior a 0,5 indica que la información de la columna no puede proporcionar, por sí sola, ninguna información útil para predecir el objetivo. Aunque puede ocurrir que una columna no sea informativa por sí sola, pero que sea útil para predecir el objetivo cuando se utiliza junto con otras características, una puntuación baja podría indicar que la característica es redundante.
## Multicolinealidad
La multicolinealidad es una circunstancia en la que dos o más variables predictoras están relacionadas entre sí. Las variables predictoras son características del conjunto de datos que se utilizan para predecir una variable objetivo. Cuando tiene multicolinealidad, las variables predictoras no solo predicen la variable objetivo, sino que también se predicen entre sí.
Puede utilizar el **factor de inflación de la varianza (VIF)**, el **análisis de componentes principales (PCA)** o la **selección de características Lasso** como medidas de la multicolinealidad de los datos. Para obtener más información, consulte lo siguiente.
------
#### [ Variance Inflation Factor (VIF) ]
El factor de inflación de la varianza (VIF) es una medida de la colinealidad entre pares de variables. Data Wrangler devuelve una puntuación de VIF como una medida de lo estrechamente que están relacionadas las variables entre sí. Una puntuación de VIF es un número positivo que es mayor o igual a 1.
Una puntuación de 1 significa que la variable no está correlacionada con las demás variables. Las puntuaciones superiores a 1 indican una correlación más alta.
En teoría, puede tener una puntuación VIF con un valor de infinito. Data Wrangler reduce las puntuaciones altas a 50. Si tiene una puntuación de VIF superior a 50, Data Wrangler establece la puntuación en 50.
Puede utilizar las siguientes pautas para interpretar las puntuaciones de VIF:
+ Una puntuación de VIF inferior o igual a 5 indica que las variables están moderadamente correlacionadas con las demás variables.
+ Una puntuación de VIF mayor o igual a 5 indica que las variables están altamente correlacionadas con las demás variables.
------
#### [ Principle Component Analysis (PCA) ]
El análisis de componentes principales (PCA) mide la varianza de los datos en diferentes direcciones en el espacio de características. El espacio de características consta de todas las variables predictoras que se utilizan para predecir la variable objetivo en el conjunto de datos.
Por ejemplo, si intenta predecir quién sobrevivió en el *RMS Titanic* tras chocar contra un iceberg, su espacio de características puede incluir la edad, el sexo y la tarifa que pagaron los pasajeros.
Desde el espacio de características, el PCA genera una lista ordenada de varianzas. Estas varianzas también se conocen como valores singulares. Los valores de la lista de varianzas son mayores o iguales a 0. Podemos usarlos para determinar cuánta multicolinealidad hay en nuestros datos.
Cuando los números son aproximadamente uniformes, los datos tienen muy pocas instancias de multicolinealidad. Cuando hay mucha variabilidad entre los valores, tenemos muchas instancias de multicolinealidad. Antes de realizar el PCA, Data Wrangler normaliza cada característica para que tenga una media de 0 y una desviación estándar de 1.
**nota**
En esta circunstancia, el PCA también puede denominarse descomposición en valores singulares (SVD).
------
#### [ Lasso feature selection ]
La selección de características Lasso utiliza la técnica de regularización L1 para incluir solo las características más predictivas en el conjunto de datos.
Tanto para la clasificación como para la regresión, la técnica de regularización genera un coeficiente para cada característica. El valor absoluto del coeficiente proporciona una puntuación de importancia para la característica. Una puntuación de importancia más alta indica que es más predictiva de la variable objetivo. Un método habitual de selección de características consiste en utilizar todas las características que tienen un coeficiente lasso distinto de cero.
------
## Detección de anomalías en los datos de serie temporal
Puede utilizar la visualización de la detección de anomalías para ver los valores atípicos en los datos de serie temporal. Para entender qué es lo que determina una anomalía, debe entender que descomponemos la serie temporal en un término predicho y un término de error. La estacionalidad y la tendencia de la serie temporal se consideran el término predicho. Los residuos se tratan como el término de error.
Para el término de error, se especifica un umbral como el número de desviaciones estándar que el residuo puede alejarse de la media para que se considere una anomalía. Por ejemplo, puede especificar un umbral de 3 desviaciones estándar. Cualquier residuo que esté a más de 3 desviaciones estándar de la media es una anomalía.
Puede utilizar el siguiente procedimiento para realizar un análisis de **Detección de anomalías**.
1. Abra el flujo de datos de Data Wrangler.
1. En el flujo de datos, en **Tipos de datos**, elija el signo **\$1** y seleccione **Agregar análisis**.
1. En **Tipo de análisis**, elija **Serie temporal**.
1. En **Visualización**, elija **Detección de anomalías**.
1. En **Umbral de anomalía**, elija el umbral para que un valor se considera una anomalía.
1. Elija **Vista previa** para generar una vista previa del análisis.
1. Elija **Agregar** para agregar la transformación al flujo de datos de Data Wrangler.
## Descomposición de tendencias estacionales en datos de serie temporal
Puede determinar si hay estacionalidad en sus datos de serie temporal mediante la visualización de la descomposición de tendencias estacionales. Para realizar la descomposición, se usa el método STL (descomposición de tendencias estacionales mediante LOESS). La serie temporal se descompone en sus componentes estacionales, tendenciales y residuales. La tendencia refleja la progresión a largo plazo de la serie. El componente estacional es una señal que se repite en un período de tiempo. Tras eliminar los componentes estacionales y tendenciales de la serie temporal, se obtiene el residuo.
Puede utilizar el siguiente procedimiento para realizar un análisis de **descomposición de la tendencia estacional**.
1. Abra el flujo de datos de Data Wrangler.
1. En el flujo de datos, en **Tipos de datos**, elija el signo **\$1** y seleccione **Agregar análisis**.
1. En **Tipo de análisis**, elija **Serie temporal**.
1. En **Visualización**, elija **Descomposición de tendencias estacionales**.
1. En **Umbral de anomalía**, elija el umbral para que un valor se considera una anomalía.
1. Elija **Vista previa** para generar una vista previa del análisis.
1. Elija **Agregar** para agregar la transformación al flujo de datos de Data Wrangler.
## Creación de visualizaciones personalizadas
Puede agregar un análisis al flujo de Data Wrangler para crear una visualización personalizada. Su conjunto de datos, con todas las transformaciones que ha aplicado, está disponible como [Pandas DataFrame](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.html). Data Wrangler usa la variable `df` para almacenar el marco de datos. Para acceder al marco de datos, debe llamar a la variable.
Debe proporcionar la variable de salida, `chart`, para almacenar un gráfico de salida de [Altair](https://altair-viz.github.io/). Por ejemplo, puede utilizar el bloque de código siguiente para crear un histograma personalizado con el conjunto de datos del Titanic.
```
import altair as alt
df = df.iloc[:30]
df = df.rename(columns={"Age": "value"})
df = df.assign(count=df.groupby('value').value.transform('count'))
df = df[["value", "count"]]
base = alt.Chart(df)
bar = base.mark_bar().encode(x=alt.X('value', bin=True, axis=None), y=alt.Y('count'))
rule = base.mark_rule(color='red').encode(
x='mean(value):Q',
size=alt.value(5))
chart = bar + rule
```
**Para crear una visualización personalizada:**
1. Junto al nodo que contiene la transformación que quiere visualizar, elija el signo **\$1**.
1. Elija **Agregar análisis**.
1. En **Tipo de análisis**, elija **Visualización personalizada**.
1. En **Nombre del análisis**, especifique un nombre.
1. Introduzca el código en el cuadro de códigos.
1. Elija **Vista previa** para obtener una vista previa de la visualización.
1. Elija **Guardar** para agregar la visualización.
Si no sabe cómo usar el paquete de visualización de Altair en Python, puede usar fragmentos de código personalizados para ayudarle a empezar.
Data Wrangler tiene una colección de fragmentos de visualización con capacidad de búsqueda. Para utilizar un fragmento de visualización, elija **Buscar fragmentos de ejemplo** y especifique una consulta en la barra de búsqueda.
En el siguiente ejemplo, se utiliza el fragmento de código **Gráfico de dispersión discretizado**. Traza un histograma para 2 dimensiones.
Los fragmentos incluyen comentarios para ayudarle a entender los cambios que debe realizar en el código. Por lo general, es necesario especificar los nombres de las columnas del conjunto de datos en el código.
```
import altair as alt
# Specify the number of top rows for plotting
rows_number = 1000
df = df.head(rows_number)
# You can also choose bottom rows or randomly sampled rows
# df = df.tail(rows_number)
# df = df.sample(rows_number)
chart = (
alt.Chart(df)
.mark_circle()
.encode(
# Specify the column names for binning and number of bins for X and Y axis
x=alt.X("col1:Q", bin=alt.Bin(maxbins=20)),
y=alt.Y("col2:Q", bin=alt.Bin(maxbins=20)),
size="count()",
)
)
# :Q specifies that label column has quantitative type.
# For more details on Altair typing refer to
# https://altair-viz.github.io/user_guide/encoding.html#encoding-data-types
```
# Transformación de datos
Amazon SageMaker Data Wrangler ofrece numerosas transformaciones de datos de aprendizaje automático para agilizar la limpieza y la caracterización de los datos. Con las herramientas interactivas de preparación de datos de Data Wrangler, puede muestrear conjuntos de datos de cualquier tamaño con una variedad de técnicas de muestreo y empezar a explorar los datos en cuestión de minutos. Después de finalizar las transformaciones de datos en los datos muestreados, puede escalar el flujo de datos para aplicar esas transformaciones a todo el conjunto de datos.
Cuando agrega una transformación, agrega un paso al flujo de datos. Cada transformación que añada modifica su conjunto de datos y produce un nuevo marco de datos. Todas las transformaciones posteriores se aplican al marco de datos resultante.
Data Wrangler incluye transformaciones integradas, que puede utilizar para transformar columnas sin necesidad de código. Si sabe cómo quiere preparar los datos, pero no sabe cómo empezar o qué transformaciones utilizar, puede utilizar la función de chat para que la característica de preparación de datos interactúe de forma conversacional con Data Wrangler y aplicar transformaciones utilizando lenguaje natural. Para obtener más información, consulte [Chat para preparación de datos](canvas-chat-for-data-prep.md).
También puede añadir transformaciones personalizadas mediante PySpark Python (función definida por el usuario), pandas y PySpark SQL. Algunas transformaciones funcionan “in situ”, mientras que otras crean una nueva columna de salida en el conjunto de datos.
Puede aplicar transformaciones a varias columnas a la vez. Por ejemplo, puede eliminar varias columnas en un solo paso.
Puede aplicar las transformaciones **Procesar numérico** y **Gestionar faltantes** solo a una columna.
Utilice esta página para obtener más información sobre estas transformaciones integradas y personalizadas que ofrece Data Wrangler.
## Unir conjuntos de datos
Puede unir conjuntos de datos directamente en su flujo de datos. Al unir dos conjuntos de datos, el conjunto de datos unido resultante aparece en el flujo. Data Wrangler admite los siguientes tipos de unión.
+ **Exterior izquierda**: incluye todas las filas de la tabla de la izquierda. Si el valor de la columna unida a una fila de la izquierda de la tabla no coincide con ningún valor de la fila de la derecha, esa fila contiene valores nulos para todas las columnas de la derecha de la tabla unida.
+ **Anti izquierda**: incluye las filas de la tabla de la izquierda que no contienen los valores de la tabla de la derecha para la columna unida.
+ **Semicombinación izquierda**: incluye una sola fila de la tabla de la izquierda para todas las filas idénticas que cumplan los criterios de la instrucción de combinación. Esto excluye las filas duplicadas de la tabla de la izquierda que coincidan con los criterios de la unión.
+ **Exterior derecha**: incluye todas las filas de la tabla de la derecha. Si el valor de la columna unida de una fila de la derecha de la tabla no coincide con ningún valor de la fila de la izquierda, esa fila contiene valores nulos para todas las columnas de la tabla de la izquierda de la tabla unida.
+ **Interior**: incluye filas de las tablas izquierda y derecha que contengan valores coincidentes en la columna unida.
+ **Exterior completa**: incluye todas las filas de las tablas de la izquierda y la derecha. Si el valor de fila de la columna unida de alguna de las tablas no coincide, se crean filas independientes en la tabla unida. Si una fila no contiene un valor para una columna de la tabla unida, se inserta un valor nulo para esa columna.
+ **Cruz cartesiana**: incluye las filas que combinan cada fila de la primera tabla con cada fila de la segunda tabla. Se trata de un [producto cartesiano](https://en.wikipedia.org/wiki/Cartesian_product) de las filas de las tablas de la unión. El resultado de este producto es el tamaño de la tabla izquierda multiplicado por el tamaño de la tabla derecha. Por lo tanto, recomendamos tener cuidado al utilizar esta unión entre conjuntos de datos muy grandes.
Siga este procedimiento para unir dos conjuntos de datos. Ya debería haber importado dos orígenes de datos al flujo de datos.
1. Seleccione el icono de **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) situado junto al nodo izquierdo que desea unir. El primer nodo que seleccione será siempre la tabla de la izquierda de la unión.
1. Pase el cursor sobre **Combinar datos** y, a continuación, seleccione **Unir**.
1. Seleccione el nodo derecho. El segundo nodo que seleccione será siempre la tabla de la derecha de la unión.
1. El campo **Tipo de unión** está establecido en **Unión interna** de forma predeterminada. Seleccione el menú desplegable para cambiar el tipo de unión.
1. En **Claves de unión**, compruebe las columnas de las tablas de la izquierda y la derecha que desee utilizar para unir los datos. Puede agregar o eliminar claves de unión adicionales.
1. En **Nombre de unión**, escriba un nombre para los datos unidos o utilice el nombre predeterminado.
1. (Opcional) Seleccione **Vista previa** para obtener una vista previa de los datos unidos.
1. Seleccione **Añadir** para completar la unión.
**nota**
Si recibe un aviso de que Canvas no ha identificado filas coincidentes al unir los datos, le recomendamos que compruebe que ha seleccionado las columnas correctas o que actualice la muestra para buscar filas coincidentes. Puede elegir una estrategia de muestreo diferente o cambiar el tamaño de la muestra. Para obtener información acerca de cómo editar la muestra, consulte [Edición de la configuración de muestreo del flujo de datos](canvas-data-flow-edit-sampling.md).
Ahora debería ver un nodo de unión agregado al flujo de datos.
## Concatenar conjuntos de datos
La concatenación combina dos conjuntos de datos añadiendo las filas de un conjunto de datos a otro.
Siga este procedimiento para concatenar dos conjuntos de datos. Ya debería haber importado dos orígenes de datos al flujo de datos.
**Concatenación de dos conjuntos de datos:**
1. Seleccione el icono de **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) situado junto al nodo izquierdo que desea concatenar. El primer nodo que seleccione será siempre la tabla de la izquierda de la operación de concatenación.
1. Pase el cursor sobre **Combinar datos** y, a continuación, seleccione **Concatenar**.
1. Seleccione el nodo derecho. El segundo nodo que seleccione será siempre la tabla de la derecha de la concatenación.
1. (Opcional) Seleccione la casilla de verificación situada junto a **Eliminar los duplicados después de la concatenación** para eliminar las columnas duplicadas.
1. (Opcional) Seleccione la casilla de verificación situada junto a **Añadir columna para indicar el marco de datos de origen** para agregar una columna al marco de datos resultante que presente el conjunto de datos de origen de cada registro.
1. En **Nombre de la columna del indicador**, introduzca un nombre para la columna agregada.
1. En **Cadena que indica el primer conjunto de datos**, introduzca el valor que desee usar para marcar los registros del primer conjunto de datos (o del nodo izquierdo).
1. En **Cadena que indica el segundo conjunto de datos**, introduzca el valor que desee usar para marcar los registros del segundo conjunto de datos (o del nodo derecho).
1. En **Nombre de la concatenación**, introduzca un nombre para la concatenación.
1. (Opcional) Seleccione **Vista previa** para obtener una vista previa de los datos concatenados.
1. Seleccione **agregar** para añadir el nuevo conjunto de datos a su flujo de datos.
Ahora debería ver un nodo de concatenación agregado al flujo de datos.
## Equilibrar los datos
Puede equilibrar los datos de los conjuntos de datos con una categoría infrarrepresentada. Equilibrar un conjunto de datos puede ayudarle a crear mejores modelos para la clasificación binaria.
**nota**
No puede equilibrar los conjuntos de datos que contienen vectores de columnas.
Puede utilizar la operación **Equilibrar datos** para equilibrar los datos mediante uno de los siguientes operadores.
+ *Sobremuestreo aleatorio*: duplica aleatoriamente las muestras de la categoría minoritaria. Por ejemplo, si está intentando detectar un fraude, es posible que solo tenga casos de fraude en el 10 % de sus datos. Para una proporción igual de casos fraudulentos y no fraudulentos, este operador duplica aleatoriamente los casos de fraude en el conjunto de datos ocho veces.
+ *Submuestreo aleatorio*: es bastante equivalente al sobremuestreo aleatorio. Elimina aleatoriamente las muestras de la categoría sobrerrepresentada para obtener la proporción de muestras que desee.
+ *Técnica de sobremuestreo de minorías sintéticas (SMOTE)*: utiliza muestras de la categoría infrarrepresentada para interpolar nuevas muestras minoritarias sintéticas. Para obtener más información sobre SMOTE, consulte la siguiente descripción.
Puede usar todas las transformaciones para conjuntos de datos que contengan características numéricas y no numéricas. SMOTE interpola los valores mediante muestras vecinas. Data Wrangler utiliza la distancia R cuadrada para determinar la vecindad e interpolar las muestras adicionales. Data Wrangler solo usa características numéricas para calcular las distancias entre las muestras del grupo subrepresentado.
Para dos muestras reales del grupo subrepresentado, Data Wrangler interpola las características numéricas mediante un promedio ponderado. Asigna ponderaciones de forma aleatoria a las muestras en el rango de [0, 1]. Para las características numéricas, Data Wrangler interpola las muestras utilizando un promedio ponderado de las muestras. Para las muestras A y B, Data Wrangler podría asignar aleatoriamente una ponderación de 0,7 a A y 0,3 a B. La muestra interpolada tiene un valor de 0,7A \$1 0,3B.
Data Wrangler interpola las características no numéricas copiándolas de cualquiera de las muestras reales interpoladas. Copie las muestras con una probabilidad que asigna aleatoriamente a cada muestra. Para las muestras A y B, puede asignar probabilidades de 0,8 a A y 0,2 a B. Para las probabilidades que asignó, copia A el 80% del tiempo.
## Transformaciones personalizadas
El grupo **Transformaciones personalizadas** le permite usar Python (función definida por el usuario) PySpark, pandas o PySpark (SQL) para definir transformaciones personalizadas. En las tres opciones, utilice la variable `df` para acceder al marco de datos al que desee aplicar la transformación. Para aplicar el código personalizado en el marco de datos, asigne el marco de datos a las transformaciones que ha realizado a la variable `df`. Si no utiliza Python (función definida por el usuario), no es necesario incluir una declaración de retorno. Seleccione **Vista previa** para obtener una vista previa del resultado de la transformación personalizada. Seleccione **Agregar** para añadir la transformación personalizada a la lista de **Pasos anteriores**.
Puede importar las bibliotecas más populares con una instrucción `import` en el bloque de código de transformación personalizada, como la siguiente:
+ NumPy versión 1.19.0
+ scikit-learn versión 0.23.2
+ SciPy versión 1.5.4
+ pandas versión 1.0.3
+ PySpark versión 3.0.0
**importante**
La **transformación personalizada** no admite columnas con espacios ni caracteres especiales en el nombre. Se recomienda especificar nombres de columnas que solo tengan caracteres alfanuméricos y guiones bajos. Puede utilizar la transformación **Cambiar nombre de columna** en el grupo de transformaciones **Administrar columnas**, a fin de eliminar los espacios del nombre de una columna. También puede añadir una **transformación personalizada** de **Python (Pandas)** similar a la siguiente para eliminar los espacios de varias columnas en un solo paso. En este ejemplo, se cambian las columnas denominadas `A column` y `B column` por `A_column` y`B_column`, respectivamente.
```
df.rename(columns={"A column": "A_column", "B column": "B_column"})
```
Si incluye instrucciones de impresión en el bloque de código, el resultado aparece al seleccionar **Vista previa**. Puede cambiar el tamaño del panel del transformador de código personalizado. Al cambiar el tamaño del panel, se proporciona más espacio para escribir código.
Las siguientes secciones proporcionan contexto adicional y ejemplos para escribir código de transformación personalizado.
**Python (función definida por el usuario)**
La función Python le permite escribir transformaciones personalizadas sin necesidad de conocer Apache Spark o pandas. Data Wrangler está optimizado para ejecutar su código personalizado rápidamente. Obtiene un rendimiento similar con el código Python personalizado y un complemento de Apache Spark.
Para usar el bloque de código Python (función definida por el usuario), especifique lo siguiente.
+ **Columna de entrada**: la columna de entrada en la que aplica la transformación.
+ **Modo**: el modo de programación, ya sea pandas o Python.
+ **Tipo de retorno**: el tipo de datos del valor que devolverá.
El uso del modo pandas ofrece un mejor rendimiento. El modo Python facilita la escritura de transformaciones mediante el uso de funciones puras de Python.
**PySpark**
El siguiente ejemplo extrae la fecha y la hora de una marca de tiempo.
```
from pyspark.sql.functions import from_unixtime, to_date, date_format
df = df.withColumn('DATE_TIME', from_unixtime('TIMESTAMP'))
df = df.withColumn( 'EVENT_DATE', to_date('DATE_TIME')).withColumn(
'EVENT_TIME', date_format('DATE_TIME', 'HH:mm:ss'))
```
**pandas**
El siguiente ejemplo proporciona una descripción general del marco de datos al que se van a añadir las transformaciones.
```
df.info()
```
**PySpark (SQL)**
El siguiente ejemplo crea un nuevo marco de datos con cuatro columnas: *name*, *fare*, *pclass* y *survived*.
```
SELECT name, fare, pclass, survived FROM df
```
Si no sabes cómo usarlo PySpark, puedes usar fragmentos de código personalizados para ayudarte a empezar.
Data Wrangler tiene una colección de fragmentos de código con capacidad de búsqueda. Puedes usar fragmentos de código para realizar tareas como colocar columnas, agrupar por columnas o modelar.
Para usar un fragmento de código, seleccione **Buscar fragmentos de ejemplo** y especifique una consulta en la barra de búsqueda. El texto que especifique en la consulta no tiene por qué coincidir exactamente con el nombre del fragmento de código.
En el siguiente ejemplo, se muestra un fragmento de código **Descartar filas duplicadas** que puede eliminar filas con datos similares del conjunto de datos. Para encontrar el fragmento de código, busque una de las siguientes opciones:
+ Duplicados
+ Idéntico
+ Quitar
El siguiente fragmento contiene comentarios que le ayudarán a comprender los cambios que debe realizar. Para la mayoría de los fragmentos, debe especificar los nombres de las columnas del conjunto de datos en el código.
```
# Specify the subset of columns
# all rows having identical values in these columns will be dropped
subset = ["col1", "col2", "col3"]
df = df.dropDuplicates(subset)
# to drop the full-duplicate rows run
# df = df.dropDuplicates()
```
Para usar un fragmento, copie y pegue su contenido en el campo **Transformación personalizada**. Puede copiar y pegar varios fragmentos de código en el campo de transformación personalizada.
## Fórmula personalizada
Usa una **fórmula personalizada** para definir una nueva columna mediante una expresión Spark SQL para consultar datos en el marco de datos actual. La consulta debe usar las convenciones de las expresiones Spark SQL.
**importante**
La **fórmula personalizada** no admite columnas con espacios ni caracteres especiales en el nombre. Se recomienda especificar nombres de columnas que solo tengan caracteres alfanuméricos y guiones bajos. Puede utilizar la transformación **Cambiar nombre de columna** en el grupo de transformaciones **Administrar columnas**, a fin de eliminar los espacios del nombre de una columna. También puede añadir una **transformación personalizada** de **Python (Pandas)** similar a la siguiente para eliminar los espacios de varias columnas en un solo paso. En este ejemplo, se cambian las columnas denominadas `A column` y `B column` por `A_column` y`B_column`, respectivamente.
```
df.rename(columns={"A column": "A_column", "B column": "B_column"})
```
Puede utilizar esta transformación para realizar operaciones en las columnas, y puede hacer referencia a las columnas por su nombre. Por ejemplo, supongamos que el marco de datos actual contiene columnas denominadas *col\$1a* y *col\$1b*; puede utilizar la siguiente operación para generar una **columna de salida** que sea el producto de estas dos columnas con el siguiente código:
```
col_a * col_b
```
Otras operaciones comunes son las siguientes, suponiendo que el marco de datos contenga columnas `col_a` y `col_b`:
+ Concatenar dos columnas: `concat(col_a, col_b)`
+ Añadir dos columnas: `col_a + col_b`
+ Restar dos columnas: `col_a - col_b`
+ Dividir dos columnas: `col_a / col_b`
+ Tomar el valor absoluto de una columna: `abs(col_a)`
Para obtener más información, consulte la [documentación de Spark](http://spark.apache.org/docs/latest/api/python) sobre la selección de datos.
## Reducir la dimensionalidad dentro de un conjunto de datos
Reduzca la dimensionalidad de sus datos mediante el análisis de componentes principales (PCA). La dimensionalidad de su conjunto de datos depende de la cantidad de características. Cuando utiliza la reducción de dimensionalidad en Data Wrangler, obtiene un nuevo conjunto de características denominados componentes. Cada componente tiene en cuenta cierta variabilidad en los datos.
El primer componente representa la mayor cantidad de variación en los datos. El segundo componente representa la segunda mayor cantidad de variación en los datos, y así sucesivamente.
Puede utilizar la reducción de dimensionalidad para reducir el tamaño de los conjuntos de datos que utiliza para entrenar los modelos. En lugar de utilizar las características en su conjunto de datos, puede utilizar los componentes principales.
Para realizar la PCA, Data Wrangler crea ejes para sus datos. Un eje es una combinación afín de columnas en su conjunto de datos. El primer componente principal es el valor del eje que tiene la mayor cantidad de varianza. El segundo componente principal es el valor del eje que tiene la segunda mayor cantidad de varianza. El enésimo componente principal es el valor del eje que tiene la enésima cantidad de varianza más alta.
Puede configurar el número de componentes principales que devuelve Data Wrangler. Puede especificar el número de componentes principales directamente o puede especificar el porcentaje del umbral de varianza. Cada componente principal explica una cantidad de varianza en los datos. Por ejemplo, podría tener un componente principal con un valor de 0,5. El componente explicaría el 50 % de la variación de los datos. Al especificar un porcentaje umbral de varianza, Data Wrangler devuelve el menor número de componentes posible que cumple con el porcentaje que especifique.
A continuación, se muestran ejemplos de componentes principales con la cantidad de varianza que explican en los datos.
+ Componente 1: 0,5
+ Componente 2: 0,45
+ Componente 3: 0,05
Si especifica un porcentaje de umbral de varianza de `94` o `95`, Data Wrangler devuelve el componente 1 y el componente 2. Si especifica un porcentaje de umbral de varianza de `96`, Data Wrangler devuelve los tres componentes principales.
Puede utilizar el siguiente procedimiento para ejecutar el PCA en el conjunto de datos.
Para ejecutar el PCA en el conjunto de datos, haga lo siguiente.
1. Abra el flujo de datos de Data Wrangler.
1. Seleccione **\$1** y seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Elija **Reducción de dimensionalidad**.
1. En **Columnas de entrada**, elija las características que va a reducir en los componentes principales.
1. (Opcional) En **Número de componentes principales**, elija el número de componentes principales que Data Wrangler devuelve en su conjunto de datos. Si especifica un valor para el campo, no podrá especificar un valor para el **porcentaje del umbral de varianza**.
1. (Opcional) En el **porcentaje del umbral de varianza**, especifique el porcentaje de variación de los datos que desea que expliquen los componentes principales. Data Wrangler utiliza el valor predeterminado de `95` si no especifica un valor para el umbral de varianza. No puede especificar un porcentaje de umbral de varianza si ha especificado un valor para el **número de componentes principales**.
1. (Opcional) Deseleccione **Centrar** para no usar la media de las columnas como centro de los datos. De forma predeterminada, Data Wrangler centra los datos con la media antes de escalarlos.
1. (Opcional) Deseleccione **Escala** para no escalar los datos con la desviación estándar de la unidad.
1. (Opcional) Elija **Columnas** para generar los componentes en columnas separadas. Elija **Vector** para generar los componentes como un vector único.
1. (Opcional) En **Columna de salida**, especifique un nombre para la columna de salida. Si va a enviar los componentes a columnas independientes, el nombre que especifique es un prefijo. Si va a generar los componentes en un vector, el nombre que especifique es el nombre de la columna vectorial.
1. (Opcional) Seleccione **Conservar columnas de entrada**. No recomendamos seleccionar esta opción si planea usar solo los componentes principales para entrenar el modelo.
1. Seleccione **Preview** (Versión preliminar).
1. Elija **Añadir**.
## Codificar categóricos
Los datos categóricos suelen estar compuestos por un número finito de categorías, donde cada categoría se representa con una cadena. Por ejemplo, si tiene una tabla de datos de clientes, una columna que indica el país en el que vive una persona es categórica. Las categorías serían *Afganistán*, *Albania*, *Argelia*, etc. Los datos categóricos pueden ser *nominales* u *ordinales*. Las categorías ordinales tienen un orden inherente, pero las categorías nominales no. El grado de educación más alto obtenido (*bachillerato*, *licenciatura*, *máster*, etc.) es un ejemplo de categorías ordinales.
La codificación de datos categóricos es el proceso de crear una representación numérica de las categorías. Por ejemplo, si sus categorías son *Perro* y *Gato*, puede codificar esta información en dos vectores: `[1,0]` para representar a *Perro* y `[0,1]` para representar a *Gato*.
Al codificar categorías ordinales, es posible que necesite traducir el orden natural de las categorías a su codificación. Por ejemplo, puede representar el grado más alto obtenido con el siguiente mapa: `{"High school": 1, "Bachelors": 2, "Masters":3}`.
Utilice la codificación categórica para codificar datos categóricos en formato de cadena en matrices de enteros.
Los codificadores categóricos de Data Wrangler crean codificaciones para todas las categorías que existen en una columna en el momento en que se define el paso. Si se han agregado nuevas categorías a una columna al iniciar un trabajo de Data Wrangler para procesar el conjunto de datos en el momento *t* y esa columna era la entrada para una transformación de codificación categórica de Data Wrangler en el momento *t*-1, esas nuevas categorías se consideran *ausentes* en el trabajo de Data Wrangler. La opción que seleccione para **estrategia de gestión no válida** se aplica a estos valores que faltan. Algunos ejemplos de situaciones en las que esto puede ocurrir:
+ Cuando se utiliza un archivo .flow para crear un trabajo de Data Wrangler a fin de procesar un conjunto de datos que se actualizó tras la creación del flujo de datos. Por ejemplo, puedes usar un flujo de datos para procesar regularmente los datos de ventas cada mes. Si los datos de ventas se actualizan semanalmente, es posible que se introduzcan nuevas categorías en las columnas para las que se defina un paso categórico de codificación.
+ Al seleccionar el **muestreo** al importar el conjunto de datos, es posible que algunas categorías queden fuera de la muestra.
En estas situaciones, estas nuevas categorías se consideran valores ausentes en el trabajo de Data Wrangler.
Puede elegir y configurar una codificación *ordinal* y una *codificación One-Hot*. Utilice las siguientes secciones para obtener más información sobre estas opciones.
Ambas transformaciones crean una nueva columna llamada **Nombre de columna de salida**. El formato de salida de esta columna se especifica con **Estilo de salida**:
+ Seleccione **Vector** para producir una sola columna con un vector disperso.
+ Seleccione **Columnas** para crear una columna para cada categoría con una variable indicadora de si el texto de la columna original contiene un valor igual a esa categoría.
### Codificación ordinal
Seleccione **Codificación ordinal** para codificar las categorías en un número entero entre 0 y el número total de categorías de la **columna de entrada** que seleccione.
**Estrategia de administración no válida**: seleccione un método para gestionar los valores no válidos o ausentes.
+ Elija **Omitir** si desea omitir las filas en las que falten valores.
+ Elija **Conservar** para retener los valores faltantes como última categoría.
+ Seleccione **Error** si desea que Data Wrangler arroje un error si se encuentran valores faltantes en la **columna de entrada**.
+ Elija **Reemplazar por NaN** para reemplazar lo que falte por NaN. Se recomienda utilizar esta opción si el algoritmo ML puede gestionar los valores faltantes. De lo contrario, las tres primeras opciones de esta lista pueden producir mejores resultados.
### Codificación One-Hot
Seleccione **Codificación One-Hot** para que **Transform** utilice la codificación One-Hot. Para configurar esta transformación, haga lo siguiente:
+ **Descartar la última categoría**: si es `True`, la última categoría no tiene un índice correspondiente en la codificación One-Hot. Cuando es posible que falten valores, una categoría ausente siempre será la última; si se establece esto en `True`, un valor ausente dará como resultado un vector completamente cero.
+ **Estrategia de administración no válida**: seleccione un método para gestionar los valores no válidos o ausentes.
+ Elija **Omitir** si desea omitir las filas en las que falten valores.
+ Elija **Conservar** para retener los valores faltantes como última categoría.
+ Seleccione **Error** si desea que Data Wrangler arroje un error si se encuentran valores faltantes en la **columna de entrada**.
+ **Entrada con codificación ordinal**: seleccione esta opción si el vector de entrada contiene datos con codificación ordinal. Esta opción requiere que los datos de entrada contengan números enteros no negativos. Si es **Verdadero**, la entrada *i* se codifica como un vector con un valor distinto de cero en la ubicación número *i*.
### Codificación por similitud
Utilice la codificación por similitud cuando tenga lo siguiente:
+ Un gran número de variables categóricas
+ Datos con ruido
El codificador por similitud crea incrustaciones para columnas con datos categóricos. Una integración es una asignación de objetos discretos, como palabras, a vectores de números reales. Codifica cadenas similares a vectores que contienen valores similares. Por ejemplo, crea codificaciones muy similares para “California” y “Calfornia”.
Data Wrangler convierte cada categoría de su conjunto de datos en un conjunto de tokens mediante un tokenizador de 3 gramos. Convierte los tokens en una incrustación mediante la codificación MinHash.
Características de las codificaciones por similitud que crea Data Wrangler:
+ Tienen una dimensionalidad baja.
+ Son escalables a un gran número de categorías.
+ Son robustas y resistentes al ruido.
Por las razones anteriores, la codificación por similitud es más versátil que la codificación centralizada.
Para agregar la transformación de codificación por similitud en su conjunto de datos, utilice el siguiente procedimiento.
Para utilizar la codificación por similitud, haga lo siguiente.
1. Inicia sesión en [Amazon SageMaker AI Console](https://console.aws.amazon.com/sagemaker/).
1. Elija **Abrir Studio Classic**.
1. Elija **Lanzar aplicación**.
1. Elija **Studio**.
1. Especifique su flujo de datos.
1. Elija un paso con una transformación.
1. Seleccione **Agregar paso**.
1. Elija **Codificar categóricos**.
1. Especifique lo siguiente:
+ **Transformar**: **codificación por similitud**
+ **Columna de entrada**: la columna que contiene los datos categóricos que está codificando.
+ **Dimensión de destino**: la dimensión del vector de incrustación categórica (opcional). El valor predeterminado es 30. Recomendamos usar una dimensión de destino más grande si tiene un conjunto de datos grande con muchas categorías.
+ **Estilo de salida**: elija **Vector** para un único vector con todos los valores codificados. Elija **Columna** para tener los valores codificados en columnas separadas.
+ **Columna de salida**: el nombre de la columna de salida para una salida codificada vectorial (opcional). En el caso de una salida codificada por columnas, este es el prefijo de los nombres de las columnas seguido del número indicado.
## Caracterización del texto
Utilice el grupo de transformaciones **Caracterizar texto** para inspeccionar las columnas de tipo cadena y utilizar la incrustación de texto a fin de caracterizar estas columnas.
Este grupo de características contiene dos características: *Estadísticas de caracteres* y *Vectorizar*. Utilice las siguientes secciones para obtener más información sobre estas transformaciones. Para ambas opciones, la **columna de entrada** debe contener datos de texto (tipo cadena).
### Estadísticas de caracteres
Utilice **Estadísticas de caracteres** para generar estadísticas para cada fila de una columna que contenga datos de texto.
Esta transformación calcula las siguientes proporciones y recuentos para cada fila y crea una nueva columna para informar del resultado. La nueva columna recibe el nombre de la columna de entrada como prefijo y un sufijo específico de la proporción o el recuento.
+ **Número de palabras**: el número total de palabras de esa fila. El sufijo de esta columna de salida es `-stats_word_count`.
+ **Número de caracteres**: el número total de caracteres de esa fila. El sufijo de esta columna de salida es `-stats_char_count`.
+ **Proporción de mayúsculas**: el número de caracteres en mayúscula, de la A a la Z, dividido entre todos los caracteres de la columna. El sufijo de esta columna de salida es `-stats_capital_ratio`.
+ **Proporción de minúsculas**: el número de caracteres en minúscula, de la a a la z, dividido entre todos los caracteres de la columna. El sufijo de esta columna de salida es `-stats_lower_ratio`.
+ **Proporción de dígitos**: la relación entre los dígitos de una sola fila y la suma de los dígitos de la columna de entrada. El sufijo de esta columna de salida es `-stats_digit_ratio`.
+ **Proporción de caracteres especiales**: proporción entre caracteres no alfanuméricos (como \$1\$1&%: @) y la suma de todos los caracteres de la columna de entrada. El sufijo de esta columna de salida es `-stats_special_ratio`.
### Vectorizar
La incrustación de texto implica asignar palabras o frases de un vocabulario a vectores de números reales. Utilice la transformación de incrustación de texto de Data Wrangler para tokenizar y vectorizar datos de texto en vectores de frecuencia de término/frecuencia inversa de documento (TF-IDF).
Cuando se calcula la TF-IDF para una columna de datos de texto, cada palabra de cada oración se convierte en un número real que representa su importancia semántica. Los números más altos se asocian a palabras menos frecuentes, que suelen ser más significativas.
Al definir un paso de transformación **Vectorizar**, Data Wrangler utiliza los datos de su conjunto de datos para definir el vectorizador de recuento y los métodos TF-IDF. Al ejecutar un trabajo de Data Wrangler, se utilizan estos mismos métodos.
Para usar esta transformación, configure lo siguiente:
+ **Nombre de la columna de salida**: esta transformación crea una nueva columna con el texto incrustado. Utilice este campo para especificar un nombre para esta columna de salida.
+ **Tokenizador**: un tokenizador convierte la oración en una lista de palabras o *tokens*.
Elija **Estándar** para usar un tokenizador que divida por espacios en blanco y convierta cada palabra en minúsculas. Por ejemplo, `"Good dog"` está tokenizado a `["good","dog"]`.
Elija **Personalizado** para usar un tokenizador personalizado. Si elige **Personalizado**, puede usar los siguientes campos para configurar el tokenizador.
+ **Longitud mínima del token**: la longitud mínima, en caracteres, para que un token sea válido. El valor predeterminado es `1`. Por ejemplo, si especifica `3` como longitud mínima del token, las palabras como `a, at, in` se eliminarán de la oración tokenizada.
+ **La expresión regular debe dividirse en espacios**: si se selecciona, la **expresión regular** se dividirá en espacios. De lo contrario, se ajusta a los tokens. El valor predeterminado es `True`.
+ **Patrón de expresiones regulares**: el patrón de expresiones regulares que define el proceso de tokenización. El valor predeterminado es `' \\ s+'`.
+ **A minúsculas**: si se selecciona, Data Wrangler convierte todos los caracteres a minúsculas antes de la tokenización. El valor predeterminado es `True`.
Para obtener más información, consulte la documentación de Spark en [Tokenizer](https://spark.apache.org/docs/latest/ml-features#tokenizer).
+ **Vectorizador**: el vectorizador convierte la lista de tokens en un vector numérico disperso. Cada token corresponde a un índice del vector, y un valor distinto de cero indica la existencia del token en la oración de entrada. Puede elegir entre dos opciones de vectorización: *Recuento* y *Hashing*.
+ **Vectorización de recuento** permite personalizaciones con las que filtrar tokens poco frecuentes o demasiado comunes. Los **parámetros de Vectorización de recuento** son los siguientes.
+ **Frecuencia mínima de términos**: en cada fila, se filtran los términos (tokens) con una frecuencia menor. Si especifica un número entero, se trata de un umbral absoluto (inclusivo). Si especifica una fracción entre 0 y 1 (ambos incluidos), el umbral es relativo al recuento total de términos. El valor predeterminado es `1`.
+ **Frecuencia mínima de documentos**: número mínimo de filas en las que debe aparecer un término (token) para poder incluirlo. Si especifica un número entero, se trata de un umbral absoluto (inclusivo). Si especifica una fracción entre 0 y 1 (ambos incluidos), el umbral es relativo al recuento total de términos. El valor predeterminado es `1`.
+ **Frecuencia máxima de documentos**: número máximo de documentos (filas) en los que puede aparecer un término (token) para ser incluido. Si especifica un número entero, se trata de un umbral absoluto (inclusivo). Si especifica una fracción entre 0 y 1 (ambos incluidos), el umbral es relativo al recuento total de términos. El valor predeterminado es `0.999`.
+ **Tamaño máximo del vocabulario**: tamaño máximo del vocabulario. El vocabulario se compone de todos los términos (tokens) de todas las filas de la columna. El valor predeterminado es `262144`.
+ **Salidas binarias**: si se selecciona, las salidas vectoriales no incluyen el número de apariciones de un término en un documento, sino que son un indicador binario de su presencia. El valor predeterminado es `False`.
Para obtener más información sobre esta opción, consulta la documentación de Spark en [CountVectorizer](https://spark.apache.org/docs/latest/ml-features#countvectorizer).
+ El **Hashing** es computacionalmente más rápido. Los **parámetros de Vectorización de hashing** son los siguientes.
+ **Número de características durante el hashing**: un vectorizador de hashing asigna los tokens a un índice vectorial según su valor de hash. Esta característica determina el número de valores de hash posibles. Los valores grandes dan como resultado menos colisiones entre los valores hash, pero un vector de salida de mayor dimensión.
Para obtener más información sobre esta opción, consulta la documentación de Spark en [FeatureHasher](https://spark.apache.org/docs/latest/ml-features#featurehasher)
+ **Apply IDF** aplica una transformación IDF, que multiplica la frecuencia de término por la frecuencia inversa de documento estándar utilizada para la incrustación TF-IDF. Los **parámetros de IDF** son los siguientes.
+ **Frecuencia mínima de documentos**: número mínimo de documentos (filas) en las que debe aparecer un término (token) para poder incluirlo. Si el vectorizador elegido es **count\$1vectorize**, le recomendamos que mantenga el valor predeterminado y que solo modifique el campo **min\$1doc\$1freq** en los parámetros de **Count vectorize**. El valor predeterminado es `5`.
+ **Formato de salida**: el formato de salida de cada fila.
+ Seleccione **Vector** para producir una sola columna con un vector disperso.
+ Seleccione **Plano** para crear una columna para cada categoría con una variable indicadora de si el texto de la columna original contiene un valor igual a esa categoría. Solo puede elegir Plano si **Vectorizador** está configurado como **Vectorizador de recuento**.
## Transformar series temporales
En Data Wrangler puede transformar datos de serie temporal. Los valores de un conjunto de datos de series temporales están indexados en función de un tiempo específico. Por ejemplo, un conjunto de datos que muestra el número de clientes en una tienda por cada hora del día es un conjunto de datos de series temporales. En la siguiente tabla, se muestra un ejemplo de un conjunto de datos de series temporales.
Número de clientes por hora en una tienda
| Número de clientes | Hora (hora) |
| --- | --- |
| 4 | 09:00 |
| 10 | 10:00 |
| 14 | 11:00 |
| 25 | 12:00 |
| 20 | 13:00 |
| 18 | 14:00 |
En la tabla anterior, la columna **Número de clientes** contiene los datos de serie temporal. Los datos de serie temporal se indexan en función de los datos horarios de la columna **Hora**.
Es posible que necesite realizar una serie de transformaciones en los datos para ponerlos en un formato que pueda utilizar en el análisis. Utilice el grupo de transformaciones **Series temporales** para transformar los datos de series temporales. Para obtener más información acerca de las transformaciones que puede realizar, consulte las siguientes secciones.
**Topics**
+ [Agrupación por serie temporal](#canvas-group-by-time-series)
+ [Remuestreo de datos de series temporales](#canvas-resample-time-series)
+ [Gestión de datos ausentes de series temporales](#canvas-transform-handle-missing-time-series)
+ [Validar la marca de tiempo de sus datos de series temporales](#canvas-transform-validate-timestamp)
+ [Estandarizar la longitud de las series temporales](#canvas-transform-standardize-length)
+ [Extracción de características a partir de datos de series temporales](#canvas-transform-extract-time-series-features)
+ [Uso de características desfasadas en los datos de series temporales](#canvas-transform-lag-time-series)
+ [Crear un rango de fecha y hora en su serie temporal](#canvas-transform-datetime-range)
+ [Uso de periodos móviles en series temporales](#canvas-transform-rolling-window)
### Agrupación por serie temporal
Puede utilizar el agrupamiento por operación para agrupar los datos de series temporales para valores específicos de una columna.
Por ejemplo, tiene la siguiente tabla que registra el consumo medio diario de electricidad en un domicilio.
Consumo medio diario de electricidad en un domicilio
| ID del domicilio | Marca de tiempo diaria | Consumo de electricidad (kWh) | Número de ocupantes del domicilio |
| --- | --- | --- | --- |
| household\$10 | 1/1/2020 | 30 | 2 |
| household\$10 | 1/2/2020 | 40 | 2 |
| household\$10 | 1/4/2020 | 35 | 3 |
| household\$11 | 1/2/2020 | 45 | 3 |
| household\$11 | 1/3/2020 | 55 | 4 |
Si elige agrupar por ID, obtendrá la siguiente tabla.
El consumo de electricidad se agrupa por ID de domicilio
| ID del domicilio | Serie de consumo de electricidad (kWh) | Serie de número de ocupantes del domicilio |
| --- | --- | --- |
| household\$10 | [30, 40, 35] | [2, 2, 3] |
| household\$11 | [45, 55] | [3, 4] |
Cada entrada de la secuencia de series temporales está ordenada por la marca de tiempo correspondiente. El primer elemento de la secuencia corresponde a la primera marca de tiempo de la serie. Para `household_0`, `30` es el primer valor de la **Serie de consumo de electricidad**. El valor de `30` corresponde a la primera marca de tiempo de `1/1/2020`.
Puede incluir la marca de tiempo inicial y la marca de tiempo final. En la siguiente tabla, se muestra cómo aparece esa información.
El consumo de electricidad se agrupa por ID de domicilio
| ID del domicilio | Serie de consumo de electricidad (kWh) | Serie de número de ocupantes del domicilio | Start\$1time | End\$1time |
| --- | --- | --- | --- | --- |
| household\$10 | [30, 40, 35] | [2, 2, 3] | 1/1/2020 | 1/4/2020 |
| household\$11 | [45, 55] | [3, 4] | 1/2/2020 | 1/3/2020 |
Puede utilizar el siguiente procedimiento para agrupar por una columna de series temporales.
1. Abra el flujo de datos de Data Wrangler.
1. En el flujo de datos, en **Tipos de datos**, elija el signo **\$1** y seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Seleccione **Serie temporal**.
1. En **Transformar**, elija **Agrupar por**.
1. Especifique una columna en **Agrupar por esta columna**.
1. En **Aplicar a columnas**, especifique un valor.
1. Elija **Vista previa** para generar una vista previa del análisis.
1. Elija **Agregar** para agregar la transformación al flujo de datos de Data Wrangler.
### Remuestreo de datos de series temporales
Los datos de series temporales suelen contener observaciones que no se toman a intervalos regulares. Por ejemplo, un conjunto de datos puede tener algunas observaciones que se registran cada hora y otras observaciones que se registran cada dos horas.
Muchos análisis, como los algoritmos de pronóstico, requieren que las observaciones se realicen a intervalos regulares. El remuestreo le permite establecer intervalos regulares para las observaciones de su conjunto de datos.
Puede aumentar o reducir el muestreo de una serie temporal. La reducción del muestreo aumenta el intervalo entre las observaciones del conjunto de datos. Por ejemplo, si reduce el muestreo de las observaciones que se realizan cada hora o cada dos horas, cada observación del conjunto de datos se realiza cada dos horas. Las observaciones horarias se agregan en un único valor mediante un método de agregación, como la media o la mediana.
El aumento del muestreo reduce el intervalo entre las observaciones del conjunto de datos. Por ejemplo, si aumenta el muestreo de las observaciones que se toman cada dos horas para convertirlas en observaciones por hora, puede usar un método de interpolación para inferir las observaciones por hora a partir de las que se han realizado cada dos horas. [Para obtener información sobre los métodos de interpolación, consulte pandas. DataFrame.interpolar.](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html)
Puede volver a muestrear datos numéricos y no numéricos.
Utilice la operación **Remuestreo** para volver a muestrear los datos de series temporales. Si tiene varias series temporales en su conjunto de datos, Data Wrangler estandariza el intervalo de tiempo para cada serie temporal.
En la siguiente tabla, se muestra un ejemplo de reducción del muestreo de datos de series temporales utilizando la media como método de agregación. Los datos del muestreo se reducen de cada dos horas a cada hora.
Lecturas de temperatura por hora durante un día antes de la reducción de muestreo
| Timestamp | Temperatura (Celsius) |
| --- | --- |
| 12:00 | 30 |
| 1:00 | 32 |
| 2:00 | 35 |
| 3:00 | 32 |
| 4:00 | 30 |
Las lecturas de temperatura se redujeron a cada dos horas
| Timestamp | Temperatura (Celsius) |
| --- | --- |
| 12:00 | 30 |
| 2:00 | 33,5 |
| 4:00 | 35 |
Puede utilizar el siguiente procedimiento para volver a muestrear datos de serie temporal.
1. Abra el flujo de datos de Data Wrangler.
1. En el flujo de datos, en **Tipos de datos**, elija el signo **\$1** y seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Seleccione **Remuestrear**.
1. En **Marca temporal**, elija la columna timestamp.
1. En **Unidad de frecuencia**, especifique la frecuencia que va a volver a muestrear.
1. (Opcional) Especifique un valor para la **Cantidad de frecuencia**.
1. Configure la transformación especificando los campos restantes.
1. Elija **Vista previa** para generar una vista previa del análisis.
1. Elija **Agregar** para agregar la transformación al flujo de datos de Data Wrangler.
### Gestión de datos ausentes de series temporales
Si faltan valores en el conjunto de datos, puede elegir una de las siguientes opciones:
+ En el caso de los conjuntos de datos que tienen varias series temporales, elimine las series temporales en las que faltan valores superiores al umbral que especifique.
+ Impute los valores faltantes en una serie temporal utilizando otros valores de la serie temporal.
La imputación de un valor faltante implica reemplazar los datos especificando un valor o utilizando un método inferencial. Estos son los métodos que puede utilizar para la imputación.
+ Valor constante: reemplaza todos los datos que faltan en su conjunto de datos por un valor que especifique.
+ Valor más común: reemplaza todos los datos que faltan por el valor que tenga la frecuencia más alta en el conjunto de datos.
+ Rellenar hacia delante: utilice un relleno hacia delante para reemplazar los valores faltantes por el valor no faltante que precede a los valores faltantes. En la secuencia [2, 4, 7, NaN, NaN, NaN, 8], todos los valores faltantes se sustituyen por 7. La secuencia que resulta del uso de un relleno hacia delante es [2, 4, 7, 7, 7, 7, 8].
+ Rellenar hacia atrás: utilice un relleno hacia detrás para reemplazar los valores faltantes por el valor no faltante que sigue a los valores faltantes. En la secuencia [2, 4, 7, NaN, NaN, NaN, 8], todos los valores faltantes se sustituyen por 8. La secuencia que resulta del uso de un relleno hacia atrás es [2, 4, 7, 8, 8, 8, 8].
+ Interpolar: utilice una función de interpolación para imputar los valores faltantes. [Para obtener más información sobre las funciones que puede utilizar para la interpolación, consulte pandas. DataFrame.interpolar.](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html)
Es posible que algunos de los métodos de imputación no puedan imputar todo el valor que falta en el conjunto de datos. Por ejemplo, **Rellenar hacia delante** no puede imputar un valor faltante que aparezca al principio de la serie temporal. Puede imputar los valores utilizando un relleno hacia delante o hacia atrás.
Puede imputar los valores faltantes en una celda o en una columna.
En el siguiente ejemplo, se muestra cómo se imputan los valores dentro de una celda.
Consumo de electricidad con valores faltantes
| ID del domicilio | Serie de consumo de electricidad (kWh) |
| --- | --- |
| household\$10 | [30, 40, 35, NaN, NaN] |
| household\$11 | [45, NaN, 55] |
Consumo de electricidad con valores imputados mediante un relleno hacia delante
| ID del domicilio | Serie de consumo de electricidad (kWh) |
| --- | --- |
| household\$10 | [30, 40, 35, 35, 35] |
| household\$11 | [45, 45, 55] |
En el siguiente ejemplo, se muestra cómo se imputan los valores dentro de una columna.
Consumo medio diario de electricidad de un domicilio con valores faltantes
| ID del domicilio | Consumo de electricidad (kWh) |
| --- | --- |
| household\$10 | 30 |
| household\$10 | 40 |
| household\$10 | NaN |
| household\$11 | NaN |
| household\$11 | NaN |
Consumo medio diario de electricidad en un domicilio, con valores imputados mediante un relleno hacia delante
| ID del domicilio | Consumo de electricidad (kWh) |
| --- | --- |
| household\$10 | 30 |
| household\$10 | 40 |
| household\$10 | 40 |
| household\$11 | 40 |
| household\$11 | 40 |
Puede utilizar el siguiente procedimiento para gestionar los valores que faltan.
1. Abra el flujo de datos de Data Wrangler.
1. En el flujo de datos, en **Tipos de datos**, elija el signo **\$1** y seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Elija **Manejo de ausentes**.
1. Para el **tipo de entrada de series temporales**, elija si desea gestionar los valores faltantes dentro de una celda o a lo largo de una columna.
1. En **Imputar valores faltantes para esta columna**, especifique la columna que tiene los valores faltantes.
1. En **Método para imputar valores**, seleccione un método.
1. Configure la transformación especificando los campos restantes.
1. Elija **Vista previa** para generar una vista previa del análisis.
1. Si faltan valores, puede especificar un método para imputarlos en **Método para imputar valores**.
1. Elija **Agregar** para agregar la transformación al flujo de datos de Data Wrangler.
### Validar la marca de tiempo de sus datos de series temporales
Es posible que tenga datos de marca de tiempo que no sean válidos. Puede usar la función **Validar marca de tiempo** para determinar si las marcas de tiempo de su conjunto de datos son válidas. La marca de tiempo puede no ser válida por uno o varios de los motivos siguientes:
+ Faltan valores en la columna de marca de tiempo.
+ Los valores de la columna de marca de tiempo no tienen el formato correcto.
Si tiene marcas de tiempo no válidas en su conjunto de datos, no podrá realizar el análisis correctamente. Puede usar Data Wrangler para identificar las marcas de tiempo no válidas y saber dónde debe limpiar sus datos.
La validación de series temporales funciona de dos maneras:
Puede configurar Data Wrangler para realizar una de las siguientes acciones si encuentra valores faltantes en el conjunto de datos:
+ Descarte las filas en las que falten valores o haya valores no válidos.
+ Identifique las filas en las que falten valores o haya valores no válidos.
+ Lance un error si encuentra algún valor faltante o no válido en el conjunto de datos.
Puede validar las marcas de tiempo en las columnas del tipo `timestamp` o `string`. Si la columna tiene el tipo `string`, Data Wrangler convierte el tipo de columna a `timestamp` y realiza la validación.
Puede utilizar el siguiente procedimiento para validar las marcas de tiempo de su conjunto de datos.
1. Abra el flujo de datos de Data Wrangler.
1. En el flujo de datos, en **Tipos de datos**, elija el signo **\$1** y seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Seleccione **Validar marcas de tiempo**.
1. En **Columna marca de tiempo**, elija la columna marca de tiempo.
1. En **Política**, elija si desea gestionar las marcas de tiempo que faltan.
1. (Opcional) En **Columna de salida**, especifique un nombre para la columna de salida.
1. Si la columna de fecha y hora está formateada para el tipo de cadena, elija **Transmitir a fecha y hora**.
1. Elija **Vista previa** para generar una vista previa del análisis.
1. Elija **Agregar** para agregar la transformación al flujo de datos de Data Wrangler.
### Estandarizar la longitud de las series temporales
Si tiene datos de series temporales almacenados como matrices, puede estandarizar cada serie temporal con la misma longitud. La estandarización de la longitud de la matriz de series temporales podría facilitar la realización del análisis de los datos.
Puede estandarizar las series temporales para las transformaciones de datos que requieren que la longitud de los datos sea fija.
Muchos algoritmos de ML requieren que aplane los datos de las series temporales antes de usarlos. Aplanar los datos de series temporales consiste en separar cada valor de la serie temporal en su propia columna de un conjunto de datos. El número de columnas de un conjunto de datos no puede cambiar, por lo que es necesario estandarizar las longitudes de las series temporales antes de aplanar cada matriz en un conjunto de características.
Cada serie temporal se establece de acuerdo con la longitud que se especifique como cuantil o percentil del conjunto de series temporales. Por ejemplo, puede tener tres secuencias que tengan las siguientes longitudes:
+ 3
+ 4
+ 5
Puede establecer la longitud de todas las secuencias como la longitud de la secuencia que tenga la longitud del percentil número 50.
A las matrices de series temporales que son más cortas que la longitud que especificó se les agregan los valores faltantes. Lo que sigue es un ejemplo de formato de estandarización de la serie temporal a una longitud mayor: [2, 4, 5, NaN, NaN].
Puede utilizar diferentes métodos para gestionar los valores faltantes. Para obtener más información sobre estos métodos, consulte [Gestión de datos ausentes de series temporales](#canvas-transform-handle-missing-time-series).
Las matrices de series temporales que son más largas que la longitud especificada se truncan.
Puede utilizar el siguiente procedimiento para estandarizar la longitud de la serie temporal.
1. Abra el flujo de datos de Data Wrangler.
1. En el flujo de datos, en **Tipos de datos**, elija el signo **\$1** y seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Elija **Estandarizar longitud**.
1. En **Estandarizar la longitud de la serie temporal de la columna**, elija una columna.
1. (Opcional) En **Columna de salida**, especifique un nombre para la columna de salida. Si no especifica un nombre, la transformación se realiza en ese lugar.
1. Si la columna de fecha y hora está formateada para el tipo de cadena, elija **Transmitir a fecha y hora**.
1. Elija un **Cuantil de corte** y especifique un cuantil para establecer la longitud de la secuencia.
1. Seleccione **Aplanar la salida** para extraer los valores de la serie temporal en columnas independientes.
1. Elija **Vista previa** para generar una vista previa del análisis.
1. Elija **Agregar** para agregar la transformación al flujo de datos de Data Wrangler.
### Extracción de características a partir de datos de series temporales
Si está ejecutando un algoritmo de clasificación o regresión en los datos de series temporales, le recomendamos que extraiga las características de las series temporales antes de ejecutar el algoritmo. La extracción de características podría mejorar el rendimiento del algoritmo.
Utilice las siguientes opciones para elegir cómo desea extraer las características de los datos:
+ Utilice el **subconjunto mínimo** para especificar la extracción de 8 características que usted considere útiles para los análisis posteriores. Puede utilizar un subconjunto mínimo cuando necesite realizar cálculos rápidamente. También puede usarlo cuando su algoritmo de ML tenga un alto riesgo de sobreajuste y desee proporcionarle menos características.
+ Utilice el **subconjunto eficiente** para especificar la extracción de la mayor cantidad de posible de características sin extraer en sus análisis las características que requieran un uso intensivo de recursos computacionales.
+ Utilice **Todas las características** para especificar la extracción de todas las características de la serie de ajustes.
+ Utilice el **subconjunto manual** para elegir una lista de características que, en su opinión, explican bien la variación de los datos.
Utilice el siguiente procedimiento para extraer características de los datos de series temporales.
1. Abra el flujo de datos de Data Wrangler.
1. En el flujo de datos, en **Tipos de datos**, elija el signo **\$1** y seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Seleccione **Extraer características**.
1. En **Extraer características para esta columna**, seleccione una columna.
1. (Opcional) Seleccione **Aplanar** para extraer las características en columnas independientes.
1. En **Estrategia**, elija una estrategia para extraer las características.
1. Elija **Vista previa** para generar una vista previa del análisis.
1. Elija **Agregar** para agregar la transformación al flujo de datos de Data Wrangler.
### Uso de características desfasadas en los datos de series temporales
En muchos casos de uso, la mejor manera de predecir el comportamiento futuro de una serie temporal es usar su comportamiento más reciente.
Los usos más comunes de las características desfasadas son los siguientes:
+ Recopilación de algunos valores pasados. Por ejemplo, para el tiempo t \$1 1, se recopila t, t - 1, t - 2 y t - 3.
+ Recopilación de valores que corresponden al comportamiento estacional de los datos. Por ejemplo, para predecir la ocupación de un restaurante a las 13:00 horas, puede utilizar las características a partir de las 13:00 horas del día anterior. El uso de las características a partir de las 12:00 o las 11:00 del mismo día puede no ser tan predictivo como el uso de las características de los días anteriores.
1. Abra el flujo de datos de Data Wrangler.
1. En el flujo de datos, en **Tipos de datos**, elija el signo **\$1** y seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Seleccione **Características con retraso**.
1. En **Generar características con retraso para esta columna**, seleccione una columna.
1. En **Columna marca de tiempo**, elija la columna con las marcas de tiempo.
1. En **Retraso**, especifique la duración del retraso.
1. (Opcional) Configure la salida mediante una de las siguientes opciones:
+ **Incluir toda el plazo de retraso**
+ **Aplanar la salida**
+ **Descartar filas sin historial**
1. Elija **Vista previa** para generar una vista previa del análisis.
1. Elija **Agregar** para agregar la transformación al flujo de datos de Data Wrangler.
### Crear un rango de fecha y hora en su serie temporal
Es posible que tenga datos de series temporales que no tengan marcas de tiempo. Si sabe que las observaciones se realizaron a intervalos regulares, puede generar marcas temporales para las series temporales en una columna independiente. Para generar marcas de tiempo, especifique el valor de la marca de tiempo de inicio y la frecuencia de las marcas de tiempo.
Por ejemplo, puede tener los siguientes datos de series temporales para el número de clientes de un restaurante.
Datos de series temporales sobre el número de clientes de un restaurante
| Número de clientes |
| --- |
| 10 |
| 14 |
| 24 |
| 40 |
| 30 |
| 20 |
Si sabe que el restaurante abre a las 17:00 y que las observaciones se realizan cada hora, puede añadir una columna de fecha y hora que corresponda a los datos de la serie temporal. Puede consultar la columna de marca de tiempo en la siguiente tabla.
Datos de series temporales sobre el número de clientes de un restaurante
| Número de clientes | Timestamp |
| --- | --- |
| 10 | 13:00 |
| 14 | 14:00 |
| 24 | 15:00 |
| 40 | 16:00 |
| 30 | 17:00 |
| 20 | 18:00 |
Utilice el siguiente procedimiento para agregar un rango de fechas y horas a los datos.
1. Abra el flujo de datos de Data Wrangler.
1. En el flujo de datos, en **Tipos de datos**, elija el signo **\$1** y seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Elija un **rango de fecha y hora**.
1. En **Tipo de frecuencia**, elija la unidad utilizada para medir la frecuencia de las marcas de tiempo.
1. En **Marca de tiempo de inicio**, especifique la marca de tiempo de inicio.
1. En **Columna de salida**, especifique un nombre para la columna de salida.
1. (Opcional) Configure la salida con los campos restantes.
1. Elija **Vista previa** para generar una vista previa del análisis.
1. Elija **Agregar** para agregar la transformación al flujo de datos de Data Wrangler.
### Uso de periodos móviles en series temporales
Puede extraer características a lo largo de un periodo de tiempo. Por ejemplo, para el tiempo *t* (con una longitud de periodo temporal de 3), para la fila que indica la marca temporal número *t*, agregamos las características que se extraen de la serie temporal en los momentos *t* - 3, *t* -2 y *t* - 1. Para obtener información sobre la extracción de características, consulte [Extracción de características a partir de datos de series temporales](#canvas-transform-extract-time-series-features).
Puede utilizar el siguiente procedimiento para extraer características durante un periodo de tiempo.
1. Abra el flujo de datos de Data Wrangler.
1. En el flujo de datos, en **Tipos de datos**, elija el signo **\$1** y seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Seleccione las **Características de periodo móvil**.
1. En **Generar características de periodo móvil para esta columna**, seleccione una columna.
1. En **Columna marca de tiempo**, elija la columna con las marcas de tiempo.
1. (Opcional) En **Columna de salida**, especifique un nombre para la columna de salida.
1. En **Tamaño del periodo**, especifique el tamaño del periodo.
1. En **Estrategia**, elija una estrategia de extracción.
1. Elija **Vista previa** para generar una vista previa del análisis.
1. Elija **Agregar** para agregar la transformación al flujo de datos de Data Wrangler.
## Caracterizar la fecha y la hora
Utilice **Caracterizar fecha/hora** para crear una incrustación vectorial que represente un campo de fecha y hora. Para utilizar esta transformación, los datos de fecha y hora deben estar en uno de los siguientes formatos.
+ Cadenas que describen la fecha y hora, como `"January 1st, 2020, 12:44pm"`.
+ Una marca de tiempo de Unix: una marca de tiempo de Unix describe el número de segundos, milisegundos, microsegundos o nanosegundos desde el 1 de enero de 1970.
Puede elegir **Inferir el formato de fecha y hora** y proporcionar un **Formato de fecha y hora**. Si proporciona un formato de fecha y hora, debe usar los códigos descritos en la [documentación de Python](https://docs.python.org/3/library/datetime.html#strftime-and-strptime-format-codes). Las opciones que seleccione para estas dos configuraciones tienen implicaciones en la velocidad de la operación y en los resultados finales.
+ La opción más manual y rápida desde el punto de vista computacional es especificar un **formato de fecha y hora** y seleccionar **No** en **Inferir el formato de fecha y hora**.
+ Para reducir el trabajo manual, puede elegir **Inferir el formato de fecha y hora** en lugar de especificar un formato de fecha y hora. También es una operación rápida desde el punto de vista computacional; sin embargo, asume que el primer formato de fecha y hora que se encuentre en la columna de entrada será el formato de toda la columna. Si hay otros formatos en la columna, estos valores son NaN en la salida final. Si se infiere el formato de fecha y hora, se pueden obtener cadenas sin analizar.
+ Si no especifica un formato y selecciona **No** para **inferir el formato de fecha y hora**, obtendrá los resultados más sólidos. Se analizan todas las cadenas de fecha y hora válidas. Sin embargo, esta operación puede ser un orden de magnitud más lenta que las dos primeras opciones de esta lista.
Al utilizar esta transformación, se especifica una **columna de entrada** que contiene datos de fecha y hora en uno de los formatos enumerados anteriormente. La transformación crea una columna de salida denominada **Nombre de columna de salida**. El formato de la columna de salida depende de que la configuración use lo siguiente.
+ **Vector**: genera una sola columna como un vector.
+ **Columnas**: crea una nueva columna para cada característica. Por ejemplo, si la salida contiene un año, un mes y un día, se crean tres columnas independientes para el año, el mes y el día.
Además, debe elegir un **Modo de incrustación**. Para los modelos lineales y las redes profundas, se recomienda elegir el **cíclico**. Para los algoritmos basados en árboles, recomendamos elegir **ordinal**.
## Formatear cadena
Las transformaciones **Formatear cadena** contienen operaciones de formato de cadenas estándar. Por ejemplo, puede utilizar estas operaciones para eliminar caracteres especiales, normalizar la longitud de las cadenas y actualizar las mayúsculas y minúsculas de las cadenas.
Este grupo de características contiene las siguientes transformaciones. Todas las transformaciones devuelven copias de las cadenas de la **columna de entrada** y añaden el resultado a una nueva columna de salida.
| Name | Función |
| --- | --- |
| Left pad | Relleno a la izquierda de la cadena con un **carácter de relleno** determinado y hasta el **ancho** indicado. Si la cadena es más larga que el **ancho**, el valor devuelto se acorta al número de caracteres de **ancho**. |
| Right pad | Relleno a la derecha de la cadena con un **carácter de relleno** determinado y hasta el **ancho** indicado. Si la cadena es más larga que el **ancho**, el valor devuelto se acorta al número de caracteres de **ancho**. |
| Center (relleno a ambos lados) | Relleno en el centro de la cadena (añade relleno a ambos lados de la cadena) con un **carácter de relleno** determinado del **ancho** indicado. Si la cadena es más larga que el **ancho**, el valor devuelto se acorta al número de caracteres de **ancho**. |
| Prepend zeros | Relleno a la izquierda de una cadena numérica con ceros, hasta un **ancho** determinado. Si la cadena es más larga que el **ancho**, el valor devuelto se acorta al número de caracteres de **ancho**. |
| Strip left and right | Devuelve una copia de la cadena sin los caracteres iniciales ni finales. |
| Strip characters from left | Devuelve una copia de la cadena sin los caracteres iniciales. |
| Strip characters from right | Devuelve una copia de la cadena sin los caracteres finales. |
| Lower case | Convierte todas las letras del texto a minúsculas. |
| Upper case | Convierte todas las letras del texto a mayúsculas. |
| Capitalize | Escribe en mayúscula la primera letra de cada oración. |
| Swap case | Convierte todas las mayúsculas en minúsculas y todas las minúsculas en mayúsculas en la cadena y la devuelve. |
| Add prefix or suffix | Añade un prefijo y un sufijo a la columna de cadena. Debe especificar, al menos, un **prefijo** o un **sufijo**. |
| Remove symbols | Elimina los símbolos determinados de una cadena. Se eliminan todos los caracteres de la lista. El valor predeterminado es el espacio en blanco. |
## Gestionar valores atípicos
Los modelos de machine learning son sensibles a la distribución y el rango de los valores de sus características. Los valores atípicos, o valores poco frecuentes, pueden afectar negativamente a la precisión del modelo y provocar tiempos de entrenamiento más prolongados. Utilice este grupo de características para detectar y actualizar los valores atípicos en su conjunto de datos.
Al definir un paso de transformación **Gestionar valores atípicos**, las estadísticas utilizadas para detectar valores atípicos se generan a partir de los datos disponibles en Data Wrangler al definir este paso. Estas mismas estadísticas se utilizan cuando se ejecuta un trabajo de Data Wrangler.
Utilice las siguientes secciones para obtener más información sobre las transformaciones que contiene este grupo. Usted especifica un **nombre de salida** y cada una de estas transformaciones genera una columna de salida con los datos resultantes.
### Valores atípicos de desviación estándar sólida
Esta transformación detecta y corrige los valores atípicos en las características numéricas mediante estadísticas resistentes a valores atípicos.
Debe definir un **cuantil superior** y un **cuantil inferior** para las estadísticas utilizadas para calcular los valores atípicos. También debe especificar el número de **desviaciones estándar** desde las que un valor debe variar de la media para que se considere un valor atípico. Por ejemplo, si especifica 3 para **Desviaciones estándar**, un valor debe estar a más de 3 desviaciones estándar de la media para que se considere un valor atípico.
El **Método de resolución** es el método que se utiliza para gestionar los valores atípicos cuando se detectan. Puede elegir entre las siguientes opciones:
+ **Recortar**: utilice esta opción para recortar los valores atípicos al límite de detección de valores atípicos correspondiente.
+ **Eliminar**: utilice esta opción para eliminar las filas con valores atípicos del marco de datos.
+ **Invalidar**: utilice esta opción para reemplazar los valores atípicos por valores no válidos.
### Valores atípicos de desviación estándar
Esta transformación detecta y corrige los valores atípicos en las características numéricas mediante la media y la desviación estándar.
Usted especifica el número de **desviaciones estándar** que debe separar a un valor de la media para que se considere un valor atípico. Por ejemplo, si especifica 3 para **Desviaciones estándar**, un valor debe estar a más de 3 desviaciones estándar de la media para que se considere un valor atípico.
El **Método de resolución** es el método que se utiliza para gestionar los valores atípicos cuando se detectan. Puede elegir entre las siguientes opciones:
+ **Recortar**: utilice esta opción para recortar los valores atípicos al límite de detección de valores atípicos correspondiente.
+ **Eliminar**: utilice esta opción para eliminar las filas con valores atípicos del marco de datos.
+ **Invalidar**: utilice esta opción para reemplazar los valores atípicos por valores no válidos.
### Valores atípicos numéricos cuantiles
Utilice esta transformación para detectar y corregir valores atípicos en entidades numéricas mediante cuantiles. Puede definir un **cuantil superior** y un **cuantil inferior**. Todos los valores que están por encima del cuantil superior o por debajo del cuantil inferior se consideran valores atípicos.
El **Método de resolución** es el método que se utiliza para gestionar los valores atípicos cuando se detectan. Puede elegir entre las siguientes opciones:
+ **Recortar**: utilice esta opción para recortar los valores atípicos al límite de detección de valores atípicos correspondiente.
+ **Eliminar**: utilice esta opción para eliminar las filas con valores atípicos del marco de datos.
+ **Invalidar**: utilice esta opción para reemplazar los valores atípicos por valores no válidos.
### Valores atípicos numéricos mínimos y máximos
Esta transformación detecta y corrige los valores atípicos en las características numéricas mediante un umbral superior e inferior. Utilice este método si conoce los valores límite que marcan los valores atípicos.
Debe especificar un **umbral superior** y un **umbral inferior**; si los valores están por encima o por debajo de esos umbrales, respectivamente, se consideran valores atípicos.
El **Método de resolución** es el método que se utiliza para gestionar los valores atípicos cuando se detectan. Puede elegir entre las siguientes opciones:
+ **Recortar**: utilice esta opción para recortar los valores atípicos al límite de detección de valores atípicos correspondiente.
+ **Eliminar**: utilice esta opción para eliminar las filas con valores atípicos del marco de datos.
+ **Invalidar**: utilice esta opción para reemplazar los valores atípicos por valores no válidos.
### Sustituir poco frecuentes
Cuando utiliza la transformación **Sustituir poco frecuentes**, especifica un umbral; Data Wrangler busca todos los valores que lo cumplen y los reemplaza por la cadena que haya especificado. Por ejemplo, es posible que desee utilizar esta transformación para clasificar todos los valores atípicos de una columna en la categoría “Otros”.
+ **Cadena de reemplazo**: la cadena con la que se reemplazan los valores atípicos.
+ **Umbral absoluto**: una categoría es poco frecuente si el número de instancias es inferior o igual a este umbral absoluto.
+ **Umbral de fracción**: una categoría es poco frecuente si el número de instancias es inferior o igual a este umbral de fracción multiplicado por el número de filas.
+ **Máximo de categorías comunes**: número máximo de categorías no poco frecuentes que permanecen después de la operación. Si el umbral no filtra suficientes categorías, las que tienen el mayor número de apariciones se clasifican como no poco frecuentes. Si se establece en 0 (valor predeterminado), no hay un límite estricto en cuanto al número de categorías.
## Gestión de valores que faltan
Los valores faltantes son frecuentes en los conjuntos de datos de machine learning. En algunas situaciones, es apropiado imputar los datos faltantes a un valor calculado, como un valor promedio o categóricamente común. Puede procesar los valores faltantes mediante el grupo de transformaciones **Gestión de valores que faltan**. Este grupo de características contiene las siguientes transformaciones.
### Rellenar faltantes
Use la transformación **Rellenar faltantes** para reemplazar los valores faltantes por un **valor de relleno** que usted defina.
### Imputar faltantes
Utilice la transformación **Imputar faltantes** para crear una nueva columna que contenga valores imputados donde se encontraron valores faltantes en los datos numéricos y categóricos de entrada. La configuración depende del tipo de datos.
Para los datos numéricos, elija una estrategia de imputación: la estrategia utilizada para determinar el nuevo valor que se va a imputar. Puede optar por imputar la media o la mediana a los valores que están presentes en su conjunto de datos. Data Wrangler usa el valor que calcula para imputar los valores faltantes.
Para los datos categóricos, Data Wrangler imputa los valores faltantes utilizando el valor más frecuente de la columna. Para imputar una cadena personalizada, use la transformación **Rellenar faltantes**.
### Agregar indicador de faltante
Utilice la transformación **Agregar indicador de faltante** para crear una nueva columna indicadora que contenga un booleano `"false"` si una fila contiene un valor o un booleano `"true"` si una fila contiene un valor faltante.
### Descartar faltantes
Utilice la opción **Descartar faltantes** para descartar las filas que contienen valores faltantes en la **columna de entrada**.
## Administrar columnas
Puede usar las siguientes transformaciones para actualizar y administrar rápidamente las columnas de su conjunto de datos:
****
| Name | Función |
| --- | --- |
| Descartar columnas | Eliminar una columna. |
| Duplicar columna | Duplicar una columna. |
| Cambiar el nombre de las columnas | Cambiar el nombre de una columna. |
| Mover columna | Mover la ubicación de una columna en el conjunto de datos. Elija mover la columna al principio o al final del conjunto de datos, antes o después de una columna de referencia, o a un índice específico. |
## Administrar filas
Utilice este grupo de transformación para realizar rápidamente operaciones de ordenación y mezcla de filas. Este grupo contiene lo siguiente:
+ **Ordenar**: ordena todo el marco de datos por una columna determinada. Seleccione la casilla de verificación situada junto a **Orden ascendente** para esta opción; de lo contrario, anule la selección de la casilla y se utilizará el orden descendente para ordenar.
+ **Mezclar**: mezcla aleatoriamente todas las filas del conjunto de datos.
## Administrar vectores
Utilice este grupo de transformación para combinar o aplanar columnas vectoriales. Este grupo de características contiene las siguientes transformaciones.
+ **Ensamblar**: use esta transformación para combinar vectores de Spark y datos numéricos en una sola columna. Por ejemplo, puede combinar tres columnas: dos que contienen datos numéricos y una que contiene vectores. Agregue todas las columnas que desee combinar en las **columnas de entrada** y especifique un **nombre de columna de salida** para los datos combinados.
+ **Aplanar**: utilice esta transformación para aplanar una sola columna que contenga datos vectoriales. La columna de entrada debe contener PySpark vectores u objetos tipo matriz. Puede controlar el número de columnas creadas especificando un **método para detectar el número de salidas**. Por ejemplo, si selecciona **Longitud del primer vector**, el número de elementos del primer vector o matriz válido que se encuentre en la columna determina el número de columnas de salida que se crean. Todos los demás vectores de entrada con demasiados elementos se truncan. Las entradas con muy pocos elementos se rellenan con. NaNs
También se especifica un **prefijo de salida**, que se utiliza como prefijo para cada columna de salida.
## Procesar numéricos
Utilice el grupo de características **Procesar numéricos** para procesar datos numéricos. Cada valor escalar de este grupo se define mediante la biblioteca Spark. Se admiten los siguientes valores escalares:
+ **Escalador estándar**: estandariza la columna de entrada restando la media de cada valor y escalando a la varianza unitaria. Para obtener más información, consulta la documentación de Spark para [StandardScaler](https://spark.apache.org/docs/latest/ml-features#standardscaler).
+ **Escalador robusto**: escala la columna de entrada mediante estadísticas resistentes a los valores atípicos. Para obtener más información, consulta la documentación de Spark para [RobustScaler](https://spark.apache.org/docs/latest/ml-features#robustscaler).
+ **Escalador mínimo y máximo**: transforme la columna de entrada mediante el escalado de cada característica a un rango determinado. Para obtener más información, consulta la documentación de Spark para [MinMaxScaler](https://spark.apache.org/docs/latest/ml-features#minmaxscaler).
+ **Escalador absoluto máximo**: escala la columna de entrada dividiendo cada valor entre el valor absoluto máximo. Para obtener más información, consulta la documentación de Spark para [MaxAbsScaler](https://spark.apache.org/docs/latest/ml-features#maxabsscaler).
## Muestreo
Después de importar los datos, puede usar el transformador de **muestreo** para tomar una o más muestras de los mismos. Cuando usa el transformador de muestreo, Data Wrangler toma muestras de su conjunto de datos original.
Puede usar uno de los métodos de muestreo siguientes.
+ **Límite**: toma muestras del conjunto de datos desde la primera fila hasta el límite que especifique.
+ **Aleatorio**: toma una muestra aleatoria del tamaño que especifique.
+ **Estratificado**: toma una muestra aleatoria estratificada.
Puede estratificar una muestra aleatoria para asegurarse de que representa la distribución original del conjunto de datos.
Es posible que esté preparando datos para varios casos de uso. Para cada caso de uso, puede tomar una muestra diferente y aplicar un conjunto diferente de transformaciones.
El siguiente procedimiento describe el proceso de creación de una muestra aleatoria.
Para tomar una muestra aleatoria de los datos.
1. Seleccione **\$1**, a la derecha del conjunto de datos que ha importado. El nombre del conjunto de datos se encuentra debajo del signo **\$1**.
1. Seleccione **Agregar transformación**.
1. Seleccione **Muestreo**.
1. En **Método de muestreo**, elija el método de muestreo.
1. En **Tamaño aproximado de la muestra**, elija el número aproximado de observaciones que desee incluir en la muestra.
1. (Opcional) Especifique un número entero para **Inicio aleatorio** a fin de crear una muestra reproducible.
El siguiente procedimiento describe el proceso de creación de una muestra estratificada.
Para tomar una muestra estratificada de sus datos.
1. Seleccione **\$1**, a la derecha del conjunto de datos que ha importado. El nombre del conjunto de datos se encuentra debajo del signo **\$1**.
1. Seleccione **Agregar transformación**.
1. Seleccione **Muestreo**.
1. En **Método de muestreo**, elija el método de muestreo.
1. En **Tamaño aproximado de la muestra**, elija el número aproximado de observaciones que desee incluir en la muestra.
1. En **Estratificar columna**, especifique el nombre de la columna en la que desea estratificar.
1. (Opcional) Especifique un número entero para **Inicio aleatorio** a fin de crear una muestra reproducible.
## Buscar y editar
Utilice esta sección para buscar y editar patrones específicos dentro de las cadenas. Por ejemplo, puede buscar y actualizar cadenas dentro de oraciones o documentos, dividir cadenas por delimitadores y buscar las apariciones de cadenas específicas.
Las siguientes transformaciones se admiten en **Buscar y editar**. Todas las transformaciones devuelven copias de las cadenas de la **columna de entrada** y añaden el resultado a una nueva columna de salida.
****
| Name | Función |
| --- | --- |
| Buscar subcadena | Devuelve el índice de la primera aparición de la **subcadena** que ha buscado. Puede iniciar y finalizar la búsqueda en **Iniciar** y **Finalizar** respectivamente. |
| Buscar subcadena (desde la derecha) | Devuelve el índice de la última aparición de la **subcadena** que ha buscado. Puede iniciar y finalizar la búsqueda en **Iniciar** y **Finalizar** respectivamente. |
| Coincidencia con el prefijo | Devuelve un valor booleano si la cadena contiene un **patrón** determinado. Un patrón puede ser una secuencia de caracteres o una expresión regular. Si lo desea, puede hacer que el patrón distinga entre mayúsculas y minúsculas. |
| Buscar todas las apariciones | Devuelve una matriz con todas las apariciones de un patrón dado. Un patrón puede ser una secuencia de caracteres o una expresión regular. |
| Extraer con expresión regular | Devuelve una cadena que coincide con un patrón de expresiones regulares determinado. |
| Extraer entre delimitadores | Devuelve una cadena con todos los caracteres encontrados entre el **delimitador izquierdo** y el **delimitador derecho**. |
| Extraer de la posición | Devuelve una cadena, empezando por la **posición inicial** de la cadena de entrada, que contiene todos los caracteres hasta la posición inicial más la **longitud**. |
| Buscar y reemplazar la subcadena | Devuelve una cadena con todas las coincidencias de un **patrón** determinado (expresión regular) reemplazadas por una **cadena de reemplazo**. |
| Sustituir entre delimitadores | Devuelve una cadena con la subcadena que se encuentra entre la primera aparición de un **delimitador izquierdo** y la última aparición de un **delimitador derecho**, sustituida por una **cadena de reemplazo**. Si no se encuentran coincidencias, no se reemplaza nada. |
| Sustituir desde la posición | Devuelve una cadena con la subcadena entre la **posición inicial** y la **posición inicial** más la **longitud**, reemplazada por la **cadena de reemplazo**. Si la **posición inicial** más la **longitud** es mayor que la longitud de la cadena de reemplazo, la salida contiene **...** |
| Convertir expresión regular a faltante | Convierte una cadena en `None` si no es válida y devuelve el resultado. La validez se define con una expresión regular en **Patrón**. |
| Dividir cadena por el delimitador | Devuelve una matriz de cadenas desde la cadena de entrada, dividida por un **delimitador**, con hasta el **número máximo de divisiones** (opcional). El delimitador tiene como valor predeterminado un espacio en blanco. |
## Dividir datos
Use la transformación **Dividir datos** para dividir el conjunto de datos en dos o tres conjuntos de datos. Por ejemplo, puede dividir el conjunto de datos en un conjunto de datos que se utilice para entrenar el modelo y un conjunto de datos que se utilice para probarlo. Puede determinar la proporción del conjunto de datos que se incluye en cada división. Por ejemplo, si está dividiendo un conjunto de datos en dos conjuntos de datos, el conjunto de datos de entrenamiento puede contener el 80 % de los datos, mientras que el conjunto de datos de prueba tiene el 20 %.
Al dividir los datos en tres conjuntos de datos, podrá crear conjuntos de datos de entrenamiento, validación y prueba. Puede ver el rendimiento del modelo en el conjunto de datos de prueba si elimina la columna de destino.
Su caso de uso determina qué parte del conjunto de datos original obtiene cada uno de sus conjuntos de datos y el método que utiliza para dividir los datos. Por ejemplo, es posible que desee usar una división estratificada para asegurarse de que la distribución de las observaciones en la columna de destino sea la misma en todos los conjuntos de datos. Puede usar una de las siguientes transformaciones.
+ División aleatoria: cada división es una muestra aleatoria y no superpuesta del conjunto de datos original. Para conjuntos de datos más grandes, el uso de una división aleatoria puede resultar costoso desde el punto de vista computacional y llevar más tiempo que una división ordenada.
+ División ordenada: divide el conjunto de datos en función del orden secuencial de las observaciones. Por ejemplo, en el caso de una división 80/20 entre entrenamiento y prueba, las primeras observaciones que constituyen el 80 % del conjunto de datos se destinan al entrenamiento. El último 20 % de las observaciones se destina al conjunto de datos de prueba. Las divisiones ordenadas son eficaces a la hora de mantener el orden existente de los datos entre las divisiones.
+ División estratificada: divide el conjunto de datos para garantizar que el número de observaciones de la columna de entrada tenga una representación proporcional. En una columna de entrada con las observaciones 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 3, una división de 80/20 en la columna significaría que aproximadamente el 80 % de los 1, el 80 % de los 2 y el 80 % de los 3 van al conjunto de entrenamiento. Aproximadamente el 20 % de cada tipo de observación se destina al conjunto de pruebas.
+ Dividir por clave: evita que los datos con la misma clave aparezcan en más de una división. Por ejemplo, si tiene un conjunto de datos con la columna “customer\$1id” y lo utiliza como clave, no habrá ningún identificador de cliente en más de una división.
Después de dividir los datos, puede aplicar transformaciones adicionales a cada conjunto de datos. En la mayoría de los casos de uso, no son necesarios.
Data Wrangler calcula las proporciones de las divisiones para garantizar el rendimiento. Puede elegir un umbral de error para establecer la precisión de las divisiones. Los umbrales de error más bajos reflejan con mayor precisión las proporciones que se especifican para las divisiones. Si establece un umbral de error más alto, obtendrá un mejor rendimiento, pero una menor precisión.
Para dividir perfectamente los datos, establezca el umbral de error en 0. Puede especificar un umbral entre 0 y 1 para mejorar el rendimiento. Si especifica un valor mayor que 1, Data Wrangler interpreta ese valor como 1.
Si tiene 10 000 filas en su conjunto de datos y especifica una división de 80/20 con un error de 0,001, obtendrá observaciones que se aproximan a uno de los siguientes resultados:
+ 8010 observaciones en el conjunto de entrenamiento y 1990 en el conjunto de prueba.
+ 7990 observaciones en el conjunto de entrenamiento y 2010 en el conjunto de prueba.
El número de observaciones del conjunto de pruebas del ejemplo anterior está en el intervalo entre 8010 y 7990.
De forma predeterminada, Data Wrangler utiliza una semilla (o inicio) aleatoria para hacer que las divisiones sean reproducibles. Puede especificar un valor diferente para la semilla a fin de crear una división reproducible diferente.
------
#### [ Randomized split ]
Utilice el siguiente procedimiento para realizar una división aleatoria en el conjunto de datos.
Para dividir el conjunto de datos de forma aleatoria, haga lo siguiente
1. Elija el signo **\$1**, situado junto al nodo que contiene el conjunto de datos que va a dividir.
1. Seleccione **Agregar transformación**.
1. Elija **Dividir datos**.
1. (Opcional) En **Divisiones**, especifique los nombres y las proporciones de cada división. La suma de las proporciones debe ser 1.
1. (Opcional) Seleccione **\$1** para crear una división adicional.
1. Especifique los nombres y las proporciones de todas las divisiones. La suma de las proporciones debe ser 1.
1. (Opcional) Especifique un valor para **Umbral de error** distinto del valor predeterminado.
1. (Opcional) Especifique un valor para la **Semilla aleatoria**.
1. Seleccione **Preview** (Versión preliminar).
1. Elija **Añadir**.
------
#### [ Ordered split ]
Utilice el siguiente procedimiento para realizar una división ordenada en el conjunto de datos.
Para realizar una división ordenada en su conjunto de datos, haga lo siguiente.
1. Elija el signo **\$1**, situado junto al nodo que contiene el conjunto de datos que va a dividir.
1. Seleccione **Agregar transformación**.
1. En **Transformar**, seleccione **División ordenada**.
1. Elija **Dividir datos**.
1. (Opcional) En **Divisiones**, especifique los nombres y las proporciones de cada división. La suma de las proporciones debe ser 1.
1. (Opcional) Seleccione **\$1** para crear una división adicional.
1. Especifique los nombres y las proporciones de todas las divisiones. La suma de las proporciones debe ser 1.
1. (Opcional) Especifique un valor para **Umbral de error** distinto del valor predeterminado.
1. (Opcional) En **Columna de entrada**, especifique una columna con valores numéricos. Utilice los valores de las columnas para deducir qué registros hay en cada división. Los valores más pequeños se encuentran en una división y los valores más grandes en las otras divisiones.
1. (Opcional) Seleccione **Gestionar duplicados** para añadir ruido a los valores duplicados y crear un conjunto de datos de valores totalmente únicos.
1. (Opcional) Especifique un valor para la **Semilla aleatoria**.
1. Seleccione **Preview** (Versión preliminar).
1. Elija **Añadir**.
------
#### [ Stratified split ]
Utilice el siguiente procedimiento para realizar una división estratificada en el conjunto de datos.
Para realizar una división estratificada en su conjunto de datos, haga lo siguiente.
1. Elija el signo **\$1**, situado junto al nodo que contiene el conjunto de datos que va a dividir.
1. Seleccione **Agregar transformación**.
1. Elija **Dividir datos**.
1. En **Transformar**, elija **División estratificada**.
1. (Opcional) En **Divisiones**, especifique los nombres y las proporciones de cada división. La suma de las proporciones debe ser 1.
1. (Opcional) Seleccione **\$1** para crear una división adicional.
1. Especifique los nombres y las proporciones de todas las divisiones. La suma de las proporciones debe ser 1.
1. En **Columna de entrada**, especifique una columna con hasta 100 valores únicos. Data Wrangler no puede estratificar una columna con más de 100 valores únicos.
1. (Opcional) Especifique un valor para **Umbral de error** distinto del valor predeterminado.
1. (Opcional) Especifique un valor en **Semilla aleatoria** para especificar una semilla diferente.
1. Seleccione **Preview** (Versión preliminar).
1. Elija **Añadir**.
------
#### [ Split by column keys ]
Utilice el siguiente procedimiento para dividir el conjunto de datos por las claves de las columnas.
Para dividir el conjunto de datos por las claves de columna, haga lo siguiente.
1. Elija el signo **\$1**, situado junto al nodo que contiene el conjunto de datos que va a dividir.
1. Seleccione **Agregar transformación**.
1. Elija **Dividir datos**.
1. En **Transformar**, selecciona **Dividir por clave**.
1. (Opcional) En **Divisiones**, especifique los nombres y las proporciones de cada división. La suma de las proporciones debe ser 1.
1. (Opcional) Seleccione **\$1** para crear una división adicional.
1. Especifique los nombres y las proporciones de todas las divisiones. La suma de las proporciones debe ser 1.
1. En el caso de las **columnas clave**, especifique las columnas con valores que no desee que aparezcan en ambos conjuntos de datos.
1. (Opcional) Especifique un valor para **Umbral de error** distinto del valor predeterminado.
1. Seleccione **Preview** (Versión preliminar).
1. Elija **Añadir**.
------
## Analizar valor como tipo
Use esta transformación para convertir una columna en un nuevo tipo. Los tipos de datos de Data Wrangler compatibles son los siguientes:
+ Largo
+ Flotante
+ Booleano
+ Fecha, en el formato dd-MM-yyyy, que representa el día, el mes y el año, respectivamente.
+ Cadena
## Validar cadena
Utilice las transformaciones **Validar cadena** para crear una nueva columna que indique que una fila de datos de texto cumple una condición específica. Por ejemplo, puede usar una transformación **Validar cadena** para comprobar que una cadena solo contiene caracteres en minúscula. **Validar cadena** admite las siguientes transformaciones.
Las siguientes transformaciones se incluyen en este grupo de transformaciones. Si una transformación genera un valor booleano, `True` se representa con un `1` y `False` se representa con un `0`.
****
| Name | Función |
| --- | --- |
| Longitud de cadena | Devuelve `True` si la longitud de una cadena es igual a la longitud especificada. De lo contrario, devuelve `False`. |
| Empieza por | Devuelve `True` si una cadena comienza con un prefijo especificado. De lo contrario, devuelve `False`. |
| Acaba con | Devuelve `True` si la longitud de una cadena es igual a la longitud especificada. De lo contrario, devuelve `False`. |
| Es alfanumérico | Devuelve `True` si una cadena solo contiene números y letras. De lo contrario, devuelve `False`. |
| Es alfa (letras) | Devuelve `True` si una cadena solo contiene letras. De lo contrario, devuelve `False`. |
| Es dígito | Devuelve `True` si una cadena solo contiene dígitos. De lo contrario, devuelve `False`. |
| Es espacio | Devuelve `True` si una cadena solo contiene números y letras. De lo contrario, devuelve `False`. |
| Es un título | Devuelve `True` si una cadena contiene algún espacio en blanco. De lo contrario, devuelve `False`. |
| Está en minúsculas | Devuelve `True` si una cadena solo contiene letras en minúscula. De lo contrario, devuelve `False`. |
| Está en mayúscula | Devuelve `True` si una cadena solo contiene letras en mayúscula. De lo contrario, devuelve `False`. |
| Es numérico | Devuelve `True` si una cadena solo contiene números. De lo contrario, devuelve `False`. |
| Es decimal | Devuelve `True` si una cadena solo contiene números decimales. De lo contrario, devuelve `False`. |
## Datos JSON de Unnest
Si tiene un archivo .csv, es posible que tengas valores en su conjunto de datos que sean cadenas JSON. Del mismo modo, es posible que tenga datos anidados en columnas de un archivo Parquet o de un documento JSON.
Utilice el operador **Flatten structured** para separar las claves del primer nivel en columnas independientes. Una clave de primer nivel es una clave que no está anidada dentro de un valor.
Por ejemplo, puede tener un conjunto de datos que tenga una columna *persona*, con información demográfica sobre cada persona almacenada como cadenas JSON. La estructura JSON podría tener el siguiente aspecto.
```
"{"seq": 1,"name": {"first": "Nathaniel","last": "Ferguson"},"age": 59,"city": "Posbotno","state": "WV"}"
```
El operador **Flatten structured** convierte las siguientes claves de primer nivel en columnas adicionales del conjunto de datos:
+ seq
+ name
+ edad
+ ciudad
+ estado
Data Wrangler coloca los valores de las claves como valores debajo de las columnas. A continuación se muestran los nombres y valores de las columnas del JSON.
```
seq, name, age, city, state
1, {"first": "Nathaniel","last": "Ferguson"}, 59, Posbotno, WV
```
Para cada valor del conjunto de datos que contenga JSON, el operador **Flatten structured** crea columnas para las claves de primer nivel. Para crear columnas para claves anidadas, vuelve a llamar al operador. En el ejemplo anterior, la llamada al operador crea las siguientes columnas:
+ name\$1first
+ name\$1last
En el siguiente ejemplo, se muestra el conjunto de datos que resulta de volver a llamar a la operación.
```
seq, name, age, city, state, name_first, name_last
1, {"first": "Nathaniel","last": "Ferguson"}, 59, Posbotno, WV, Nathaniel, Ferguson
```
Elija **Claves en las que aplanar** para especificar las claves de primer nivel que desee extraer como columnas independientes. Si no especifica ninguna clave, Data Wrangler extrae todas las claves por defecto.
## Desglosar matriz
Utilice **Desglosar matriz** para expandir los valores de la matriz en filas de salida independientes. Por ejemplo, la operación puede tomar todos los valores de la matriz [[1, 2, 3], [4, 5, 6], [7, 8, 9]] y crear una nueva columna con las siguientes filas:
```
[1, 2, 3]
[4, 5, 6]
[7, 8, 9]
```
Data Wrangler le pone a la nueva columna el nombre input\$1column\$1name\$1flatten.
Puede llamar a la operación **Desglosar matriz** varias veces para obtener los valores anidados de la matriz en columnas de salida separadas. El siguiente ejemplo muestra el resultado de llamar a la operación varias veces en un conjunto de datos con una matriz anidada.
Colocar los valores de una matriz anidada en columnas separadas
| id | array | id | array\$1items | id | array\$1items\$1items |
| --- | --- | --- | --- | --- | --- |
| 1 | [ [cat, dog], [bat, frog] ] | 1 | [cat, dog] | 1 | cat |
| 2 | [[rose, petunia], [lily, daisy]] | 1 | [bat, frog] | 1 | dog |
| | | 2 | [rose, petunia] | 1 | bat |
| | | 2 | [lily, daisy] | 1 | frog |
| | | | 2 | 2. | rose |
| | | | 2 | 2. | petunia |
| | | | 2 | 2. | lily |
| | | | 2 | 2. | daisy |
## Transformar datos de imagen
Use Data Wrangler para importar y transformar las imágenes que utiliza en sus canalizaciones de machine learning (ML). Cuando haya preparado los datos de imagen, puede exportarlos desde su flujo de Data Wrangler a su canalización de ML.
Puede utilizar la información proporcionada aquí para familiarizarse con la importación y la transformación de datos de imagen en Data Wrangler. Data Wrangler usa OpenCV para importar imágenes. Para obtener más información sobre los formatos de imagen compatibles, consulte [Image file reading and writing](https://docs.opencv.org/3.4/d4/da8/group__imgcodecs.html#ga288b8b3da0892bd651fce07b3bbd3a56).
Una vez que se haya familiarizado con los conceptos de la transformación de los datos de imagen, siga el siguiente tutorial, [Prepare los datos de imagen con Amazon SageMaker Data Wrangler](https://aws.amazon.com/blogs/machine-learning/prepare-image-data-with-amazon-sagemaker-data-wrangler/).
Los siguientes sectores y casos de uso son ejemplos en los que puede resultar útil aplicar machine learning a los datos de imágenes transformados.
+ Fabricación: identificación de defectos en los artículos de la línea de ensamblaje.
+ Alimentación: identificación de alimentos en mal estado o podridos.
+ Medicina: identificación de lesiones en los tejidos.
Cuando se trabaja con datos de imágenes en Data Wrangler, se sigue el siguiente proceso.
1. Importación: seleccione las imágenes eligiendo el directorio que las contiene en el bucket de Amazon S3.
1. Transformación: utilice las transformaciones integradas a fin de preparar las imágenes para la canalización de machine learning.
1. Exportación: exporte las imágenes que ha transformado a una ubicación a la que pueda acceder desde la canalización.
Utilice el siguiente procedimiento para importar los datos de imágenes.
**Para importar los datos de imágenes**
1. Vaya a la página **Crear conexión**.
1. Seleccione **Amazon S3**.
1. Especifique la ruta del archivo de Amazon S3 que contiene los datos de imagen.
1. En **Tipo de archivo**, elija **Imagen**.
1. (Opcional) Seleccione **Importar directorios anidados** para importar imágenes desde varias rutas de Amazon S3.
1. Seleccione **Importar**.
Data Wrangler utiliza la biblioteca [imgaug](https://imgaug.readthedocs.io/en/latest/) de código abierto para sus transformaciones de imágenes integradas. Puede utilizar las siguientes transformaciones integradas:
+ **ResizeImage**
+ **EnhanceImage**
+ **CorruptImage**
+ **SplitImage**
+ **DropCorruptedImages**
+ **DropImageDuplicates**
+ **Brightness (Brillo)**
+ **ColorChannels**
+ **Grayscale**
+ **Rotación**
Utilice el siguiente procedimiento para transformar sus imágenes sin escribir código.
**Para transformar los datos de imágenes sin escribir código**
1. En el flujo de Data Wrangler, seleccione **\$1**, junto al nodo que representa las imágenes que ha importado.
1. Seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Elija la transformación y configúrela.
1. Seleccione **Preview** (Versión preliminar).
1. Elija **Añadir**.
Además de utilizar las transformaciones que proporciona Data Wrangler, también puede utilizar sus propios fragmentos de código personalizados. Para obtener más información acerca del uso de fragmentos de código personalizados, consulte [Transformaciones personalizadas](#canvas-transform-custom). Puede importar las bibliotecas OpenCV e imgaug dentro de sus fragmentos de código y utilizar las transformaciones asociadas a ellas. Lo que sigue es un ejemplo de fragmento de código que detecta bordes dentro de las imágenes.
```
# A table with your image data is stored in the `df` variable
import cv2
import numpy as np
from pyspark.sql.functions import column
from sagemaker_dataprep.compute.operators.transforms.image.constants import DEFAULT_IMAGE_COLUMN, IMAGE_COLUMN_TYPE
from sagemaker_dataprep.compute.operators.transforms.image.decorators import BasicImageOperationDecorator, PandasUDFOperationDecorator
@BasicImageOperationDecorator
def my_transform(image: np.ndarray) -> np.ndarray:
# To use the code snippet on your image data, modify the following lines within the function
HYST_THRLD_1, HYST_THRLD_2 = 100, 200
edges = cv2.Canny(image,HYST_THRLD_1,HYST_THRLD_2)
return edges
@PandasUDFOperationDecorator(IMAGE_COLUMN_TYPE)
def custom_image_udf(image_row):
return my_transform(image_row)
df = df.withColumn(DEFAULT_IMAGE_COLUMN, custom_image_udf(column(DEFAULT_IMAGE_COLUMN)))
```
Al aplicar transformaciones en su flujo de Data Wrangler, Data Wrangler solo las aplica a una muestra de las imágenes de su conjunto de datos. Para optimizar su experiencia con la aplicación, Data Wrangler no aplica las transformaciones a todas sus imágenes.
## Filtrar datos
Use Data Wrangler para filtrar los datos de sus columnas. Cuando filtra los datos de una columna, debe especificar los siguientes campos.
+ **Nombre de la columna**: el nombre de la columna que está utilizando para filtrar los datos.
+ **Condición**: el tipo de filtro que se aplica a los valores de la columna.
+ **Valor**: el valor o la categoría de la columna a la que se aplica el filtro.
Puede añadir filtros de acuerdo con las siguientes condiciones.
+ **=**: devuelve valores que coinciden con el valor o la categoría que especifica.
+ **\$1=**: devuelve valores que no coinciden con el valor o la categoría que especifica.
+ **>=**: en el caso de datos **largos** o **flotantes**, filtra los valores superiores o iguales al valor que especifica.
+ **<=**: en el caso de datos **largos** o **flotantes**, filtra los valores que son inferiores o iguales al valor que especifica.
+ **>**: en el caso de datos **largos** o **flotantes**, filtra los valores superiores al valor que especifica.
+ **<**: en el caso de datos **largos** o **flotantes**, filtra los valores que son inferiores al valor que especifica.
En una columna que contiene las categorías `male` y `female`, puede filtrar todos los valores `male`. También puede filtrar todos los valores `female`. Como solo hay valores `male` y `female` en la columna, el filtro devuelve una columna que solo tiene valores `female`.
También puede agregar varios filtros. Los filtros se pueden aplicar en varias columnas o en la misma columna. Por ejemplo, si va a crear una columna que solo tiene valores dentro de un rango determinado, agregará dos filtros diferentes. Un filtro especifica que la columna debe tener valores superiores al valor que usted proporciona. El otro filtro especifica que la columna debe tener valores inferiores al valor que usted proporciona.
Utilice el siguiente procedimiento para agregar la transformación del filtro a los datos.
**Cómo filtrar los datos**
1. En el flujo de Data Wrangler, seleccione **\$1**, situado junto al nodo con los datos que está filtrando.
1. Seleccione **Agregar transformación**.
1. Seleccione **Agregar paso**.
1. Seleccione **Filtrar datos**.
1. Especifique los siguientes campos.
+ **Nombre de la columna**: la columna que está filtrando.
+ **Condición**: estado del filtro.
+ **Valor**: el valor o la categoría de la columna a la que se aplica el filtro.
1. (Opcional) Seleccione **\$1** tras el filtro que ha creado.
1. Configure el filtro.
1. Seleccione **Preview** (Versión preliminar).
1. Elija **Añadir**.
# Chat para preparación de datos
**importante**
Para administradores:
El chat para preparación de datos requiere la política `AmazonSageMakerCanvasAIServicesAccess`. Para obtener más información, consulte [AWS política gestionada: Acceso AmazonSageMakerCanvas AIServices](security-iam-awsmanpol-canvas.md#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess)
El chat para preparación de datos requiere acceso a Amazon Bedrock y al modelo **Anthropic Claude** dentro de este. Para obtener más información, consulte [Adición de acceso a modelos](https://docs.aws.amazon.com/bedrock/latest/userguide/model-access.html#add-model-access).
Debe ejecutar la preparación de datos de SageMaker Canvas en la Región de AWS misma región en la que está ejecutando el modelo. El chat para la preparación de datos está disponible en los EE.UU. Este (Norte de Virginia), EE.UU. Oeste (Oregón) y Europa (Fráncfort) Regiones de AWS.
Además de utilizar las transformaciones y los análisis integrados, puede utilizar lenguaje natural para explorar, visualizar y transformar los datos en una interfaz conversacional. Dentro de la interfaz conversacional, puede utilizar consultas en lenguaje natural para comprender y preparar los datos y crear modelos de ML.
A continuación se ofrecen ejemplos de peticiones que puede utilizar:
+ Resumir mis datos
+ Eliminar columnas `example-column-name`
+ Reemplazar valores que faltan por mediana
+ Trazar histograma de precios
+ ¿Cuál es el artículo más caro vendido?
+ ¿Cuántos artículos distintos se vendieron?
+ Ordenar datos por región
Al transformar los datos utilizando peticiones, puede ver una vista previa que muestra cómo se están transformando los datos. Puede elegir añadirlos como paso en el flujo de Data Wrangler en función de lo que ve en la vista previa.
Las respuestas a las peticiones generan código para transformaciones y análisis. Puede modificar el código para actualizar la salida de la petición. Por ejemplo, puede modificar el código de un análisis para cambiar los valores de los ejes de un gráfico.
Siga este procedimiento para empezar a chatear con los datos:
**Chateo con los datos**
1. Abra el flujo de datos de SageMaker Canvas.
1. Seleccione el bocadillo.
![\[Chat para preparación de datos está en la parte superior de la pantalla\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/chat-for-data-prep-welcome-step.png)
1. Especifique una petición.
1. (Opcional) Si la consulta ha generado un análisis, seleccione **Añadir a los análisis** para consultarlo más adelante.
![\[La vista de un bloque de código editable y copiable.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/encanto-query-for-visualization.png)
1. (Opcional) Si ha transformado los datos mediante una petición, haga lo siguiente.
1. Elija **Ejecutar** para ver los resultados.
1. (Opcional) Modifique el código en la transformación y elija **Actualizar**.
1. (Opcional) Si está satisfecho con los resultados de la transformación, seleccione **Añadir a los pasos** para añadirla al panel de pasos de la barra de navegación de la derecha.
![\[Añadida a los pasos muestra la confirmación de que la transformación se ha agregado al flujo.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/transform-added-to-steps-panel.png)
Una vez que haya preparado los datos en lenguaje natural, puede crear un modelo con los datos transformados. Para obtener más información acerca de la creación de un modelo, consulte [Cómo funcionan los modelos personalizados](canvas-build-model.md).
# Cómo funciona el procesamiento de datos en Data Wrangler
Mientras trabaja con datos de forma interactiva en un flujo de datos de Amazon SageMaker Data Wrangler, Amazon SageMaker Canvas solo aplica las transformaciones a un conjunto de datos de muestra para que pueda previsualizarlos. Una vez finalizado el flujo de datos en SageMaker Canvas, puede procesar todos los datos y guardarlos en una ubicación adecuada para sus flujos de trabajo de aprendizaje automático.
Hay varias opciones para continuar cuando termine de transformar los datos en Data Wrangler:
+ [Creación de un modelo](canvas-processing-export-model.md) Puede crear un modelo de Canvas, donde puede empezar directamente a crearlo con los datos preparados. Puede crear un modelo después de procesar todo el conjunto de datos o exportando solo los datos de muestra con los que ha trabajado en Data Wrangler. Canvas guarda los datos procesados (ya sea el conjunto de datos completo o los datos de muestra) como un conjunto de datos de Canvas.
Le recomendamos que utilice los datos de muestra para iteraciones rápidas, pero utilice todos los datos cuando desee entrenar el modelo final. Cuando crea modelos tabulares, los conjuntos de datos de más de 5 GB se reducen automáticamente a 5 GB y, en el caso de los modelos de previsión de series temporales, los conjuntos de datos de más de 30 GB se reducen a 30 GB.
Para obtener más información acerca de la creación de modelos, consulte [Cómo funcionan los modelos personalizados](canvas-build-model.md).
+ [Exportación de los datos](canvas-export-data.md) Puede exportar los datos para usarlos en flujos de trabajo de machine learning. Dispone de varias opciones para exportar los datos:
+ Puede guardar sus datos en la aplicación de Canvas como un conjunto de datos. Para obtener más información sobre los tipos de archivo compatibles con los conjuntos de datos de Canvas y los requisitos adicionales para importar datos a Canvas, consulte [Creación de un conjunto de datos](canvas-import-dataset.md).
+ Puede guardar los datos en Amazon S3. Según la disponibilidad de memoria de Canvas, los datos se procesan en la aplicación y, a continuación, se exportan a Amazon S3. Si el tamaño del conjunto de datos supera lo que Canvas puede procesar, Canvas utiliza de forma predeterminada un trabajo de EMR sin servidor para escalar a varias instancias de computación, procesar todo el conjunto de datos y exportarlo a Amazon S3. También puede configurar manualmente un trabajo de SageMaker procesamiento para tener un control más detallado sobre los recursos informáticos utilizados para procesar sus datos.
+ [Exportación de un flujo de datos](canvas-export-data-flow.md). Puede resultar conveniente guardar el código del flujo de datos para poder modificar o ejecutar las transformaciones fuera de Canvas. Canvas le ofrece la opción de guardar las transformaciones del flujo de datos como código Python en un cuaderno de Jupyter, que luego puede exportar a Amazon S3 para usarlo en otros lugares de los flujos de trabajo de machine learning.
Cuando exporta los datos de un flujo de datos y los guarda como un conjunto de datos de Canvas o en Amazon S3, Canvas crea un nuevo nodo de destino en el flujo de datos, que es un nodo final que muestra dónde se almacenan los datos procesados. Puede añadir nodos de destino adicionales al flujo si desea realizar varias operaciones de exportación. Por ejemplo, puede exportar los datos desde distintos puntos del flujo de datos para aplicar solo algunas de las transformaciones o exportar los datos transformados a diferentes ubicaciones de Amazon S3. Para obtener más información sobre cómo añadir o editar un nodo de destino, consulte [Adición de nodos de destino](canvas-destination-nodes-add.md) y [Edición de un nodo de destino](canvas-destination-nodes-edit.md).
Para obtener más información sobre cómo configurar un cronograma con Amazon EventBridge para procesar y exportar automáticamente tus datos según un cronograma, consulta[Creación de una programación para procesar automáticamente los datos nuevos](canvas-data-export-schedule-job.md).
# Exportación para crear un modelo
Con solo unos clics desde el flujo de datos, puede exportar los datos transformados y empezar a crear un modelo de ML en Canvas. Canvas guarda los datos como conjunto de datos de Canvas y le redirige a la página de configuración de creación de un modelo nuevo.
Para crear un modelo de Canvas con los datos transformados:
1. Vaya al flujo de datos.
1. Elija el icono de puntos suspensivos junto al nodo que está exportando.
1. Seleccione **Crear modelo** en el menú contextual.
1. En el panel lateral **Exportar para crear un modelo**, introduzca un **Nombre del conjunto de datos** para el nuevo conjunto de datos.
1. Deje seleccionada la opción **Procesar todo el conjunto de datos** para procesar y exportar todo el conjunto de datos antes de continuar con la creación de un modelo. Desactive esta opción para entrenar el modelo con los datos de muestra interactivos con los que está trabajando en el flujo de datos.
1. En **Nombre del modelo**, introduzca un nombre para el modelo.
1. Seleccione un **Tipo de problema** o el tipo de modelo que desee crear. Para obtener más información sobre los tipos de modelos compatibles en SageMaker Canvas, consulte[Cómo funcionan los modelos personalizados](canvas-build-model.md).
1. Seleccione la **Columna de destino** o el valor que desee que prediga el modelo.
1. Elija **Exportar y crear modelo**.
Debería abrirse la pestaña **Crear** para un nuevo modelo de Canvas, donde podrá terminar de configurar y entrenar el modelo. Para obtener más información acerca de la creación de un modelo, consulte [Creación de un modelo](canvas-build-model-how-to.md).
# Exportar datos
Exporte los datos para aplicar las transformaciones del flujo de datos a todo el conjunto de datos importado. Puede exportar cualquier nodo del flujo de datos a las siguientes ubicaciones:
+ SageMaker Conjunto de datos Canvas
+ Amazon S3
Si desea entrenar modelos en Canvas, puede exportar el conjunto de datos completo y transformado como conjunto de datos de Canvas. Si desea utilizar sus datos transformados en flujos de trabajo de aprendizaje automático externos a SageMaker Canvas, puede exportar su conjunto de datos a Amazon S3.
## Exportación a un conjunto de datos de Canvas
Utilice el siguiente procedimiento para exportar un conjunto de datos de SageMaker Canvas desde un nodo de su flujo de datos.
**Para exportar un nodo de su flujo como un conjunto de datos de SageMaker Canvas**
1. Vaya al flujo de datos.
1. Elija el icono de puntos suspensivos junto al nodo que está exportando.
1. En el menú contextual, coloque el cursor sobre **Exportar** y, a continuación, seleccione **Exportar datos al conjunto de datos de Canvas**.
1. En el panel lateral **Exportar a conjunto de datos de Canvas**, introduzca un **Nombre del conjunto de datos** para el nuevo conjunto de datos.
1. Deje seleccionada la opción **Procesar todo el conjunto** de datos si desea que SageMaker Canvas procese y guarde todo el conjunto de datos. Desactive esta opción para aplicar las transformaciones solo a los datos de muestra con los que está trabajando en el flujo de datos.
1. Seleccione **Exportar**.
Ahora debería poder ir a la página de **Conjuntos de datos** de la aplicación de Canvas y ver el nuevo conjunto de datos.
## Exportar a Amazon S3.
Al exportar datos a Amazon S3, puede escalarlos para transformar y procesar datos de cualquier tamaño. Canvas procesa automáticamente los datos de forma local si la memoria de la aplicación puede gestionar el tamaño del conjunto de datos. Si el tamaño del conjunto de datos supera la capacidad de memoria local de 5 GB, Canvas inicia una tarea remota en su nombre para aprovisionar recursos de computación adicionales y procesar los datos con mayor rapidez. De forma predeterminada, Canvas usa Amazon EMR sin servidor para ejecutar estos trabajos remotos. Sin embargo, puede configurar Canvas manualmente para que utilice EMR Serverless o un trabajo de SageMaker procesamiento con sus propios ajustes.
**nota**
Al ejecutar un trabajo sin servidor de EMR, de forma predeterminada, el trabajo hereda el rol de IAM, la configuración clave de KMS y las etiquetas de la aplicación de Canvas.
A continuación, se resumen las opciones de los trabajos remotos en Canvas:
+ **EMR sin servidor**: es la opción predeterminada que usa Canvas para trabajos remotos. EMR sin servidor aprovisiona y escala automáticamente los recursos de computación para procesar los datos, de modo que no tenga que preocuparse por elegir los recursos de computación adecuados para la carga de trabajo. Para obtener más información sobre EMR sin servidor, consulte la [Guía del usuario de EMR sin servidor](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/emr-serverless.html).
+ **SageMaker Procesamiento**: los trabajos de SageMaker procesamiento ofrecen opciones más avanzadas y un control detallado de los recursos informáticos utilizados para procesar los datos. Por ejemplo, puede especificar el tipo y el recuento de las instancias de computación, configurar el trabajo en su propia VPC y controlar el acceso a la red, automatizar los trabajos de procesamiento, etc. Para obtener más información sobre la automatización de trabajos de procesamiento, consulte [Creación de una programación para procesar automáticamente los datos nuevos](canvas-data-export-schedule-job.md). Para obtener más información general sobre los trabajos de SageMaker procesamiento, consulte[Cargas de trabajo de transformación de datos con procesamiento SageMaker](processing-job.md).
Se admiten los siguientes tipos de archivos al exportar a Amazon S3:
+ CSV
+ Parquet
Para empezar, revise los requisitos previos siguientes.
### Requisitos previos para trabajos de EMR sin servidor
Para crear un trabajo remoto que utilice recursos de EMR sin servidor debe tener los permisos necesarios. Puede conceder permisos a través del dominio de Amazon SageMaker AI o de la configuración del perfil de usuario, o bien puede configurar manualmente el rol de AWS IAM del usuario. Para obtener instrucciones sobre cómo conceder a los usuarios permisos para realizar procesamiento de datos de gran tamaño, consulte [Concesión de permisos a los usuarios para usar datos de gran tamaño durante todo el ciclo de vida de ML](canvas-large-data-permissions.md).
Si no quieres configurar estas políticas, pero aun así necesitas procesar grandes conjuntos de datos a través de Data Wrangler, también puedes usar un trabajo de procesamiento. SageMaker
Siga este procedimiento para exportar los datos a Amazon S3. Para configurar un trabajo remoto, siga los pasos avanzados opcionales.
**Exportación de un nodo del flujo a Amazon S3**
1. Vaya al flujo de datos.
1. Elija el icono de puntos suspensivos junto al nodo que está exportando.
1. En el menú contextual, coloque el cursor sobre **Exportar** y, a continuación, seleccione **Exportar datos a Amazon S3**.
1. En el panel lateral **Exportar a Amazon S3**, puede cambiar el **Nombre del conjunto de datos** del nuevo conjunto de datos.
1. En **Ubicación de S3**, introduzca la ubicación de Amazon S3 a la que desea exportar el conjunto de datos. Puede introducir el URI, el alias o el ARN de S3 de la ubicación de S3 o el punto de acceso de S3. Para obtener más información sobre los puntos de acceso, consulte [Administración del acceso a datos con puntos de acceso de Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-points.html) en la *Guía del usuario de Amazon S3*.
1. (Opcional) En **Configuración avanzada**, especifique valores para los campos siguientes:
1. **Tipo de archivo**: formato de archivo de los datos exportados.
1. **Delimitador**: delimitador utilizado para separar los valores del archivo.
1. **Compresión**: método de compresión utilizado para reducir el tamaño del archivo.
1. **Número de particiones**: número de archivos de conjunto de datos que Canvas escribe como salida del trabajo.
1. **Elegir columnas**: puede elegir un subconjunto de columnas de los datos para incluirlas en las particiones.
1. Deje seleccionada la opción **Procesar todo el conjunto de datos** si desea que Canvas aplique las transformaciones del flujo de datos a todo el conjunto de datos y exporte el resultado. Si anula la selección de esta opción, Canvas solo aplica las transformaciones a la muestra del conjunto de datos utilizada en el flujo de datos interactivo de Data Wrangler.
**nota**
Si solo exporta una muestra de los datos, Canvas los procesa en la aplicación y no crea un trabajo remoto.
1. Deje seleccionada la opción **Configuración automática de trabajos** si desea que Canvas determine automáticamente si se debe ejecutar el trabajo con la memoria de la aplicación de Canvas o con un trabajo de EMR sin servidor. Si deselecciona esta opción y configura el trabajo manualmente, puede optar por utilizar un trabajo EMR Serverless o SageMaker un trabajo de procesamiento. Para obtener instrucciones sobre cómo configurar un EMR sin servidor o un trabajo de SageMaker procesamiento, consulte la sección posterior a este procedimiento antes de exportar los datos.
1. Seleccione **Exportar**.
Los siguientes procedimientos muestran cómo configurar manualmente los ajustes del trabajo remoto para EMR Serverless o SageMaker Processing al exportar el conjunto de datos completo a Amazon S3.
------
#### [ EMR Serverless ]
Para configurar un trabajo de EMR sin servidor mientras exporta datos a Amazon S3, haga lo siguiente:
1. En el panel lateral Exportar a Amazon S3, desactive la opción **Configuración automática de trabajos**.
1. Seleccione **EMR sin servidor**.
1. En **Nombre del trabajo**, escriba un nombre para el trabajo de EMR sin servidor. El nombre puede contener letras, números, guiones y guiones bajos.
1. En **Rol de IAM**, introduzca el rol de ejecución de IAM del usuario. Este rol debe tener los permisos necesarios para ejecutar aplicaciones de EMR sin servidor. Para obtener más información, consulte [Concesión de permisos a los usuarios para usar datos de gran tamaño durante todo el ciclo de vida de ML](canvas-large-data-permissions.md).
1. (Opcional) Para la **clave KMS**, especifique el ID de clave o el ARN de una AWS KMS key para cifrar los registros de trabajos. Si no introduce una clave, Canvas usa una clave predeterminada para EMR sin servidor.
1. (Opcional) Para la **configuración de monitorización**, introduce el nombre del grupo de CloudWatch registros de Amazon Logs en el que quieras publicar tus registros.
1. (Opcional) En **Etiquetas**, agregue etiquetas de metadatos al trabajo de EMR sin servidor que consten de pares clave-valor. Estas etiquetas se pueden usar para clasificar y buscar trabajos.
1. Elija **Export** para iniciar el trabajo.
------
#### [ SageMaker Processing ]
Para configurar un trabajo SageMaker de procesamiento al exportar a Amazon S3, haga lo siguiente:
1. En el panel lateral **Exportar a Amazon S3**, desactive la opción **Configuración automática de trabajos**.
1. Seleccione **SageMaker Procesamiento**.
1. En **Nombre del trabajo**, introduzca un nombre para su trabajo de procesamiento de SageMaker IA.
1. En **Tipo de instancia**, seleccione el tipo de instancia de computación para ejecutar el trabajo de procesamiento.
1. En **Número de instancias**, especifique el número de instancias de computación que desea iniciar.
1. En **Rol de IAM**, introduzca el rol de ejecución de IAM del usuario. Este rol debe tener los permisos necesarios para que la SageMaker IA cree y ejecute trabajos de procesamiento en tu nombre. Estos permisos se conceden si tienes la [AmazonSageMakerFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerFullAccess.html)política asociada a tu función de IAM.
1. En **Tamaño del volumen**, introduzca el tamaño de almacenamiento en GB para el volumen de almacenamiento de ML asociado a cada instancia de procesamiento. Elija el tamaño en función del tamaño esperado de los datos de entrada y salida.
1. (Opcional) En **Clave de KMS del volumen**, especifique una clave de KMS para cifrar el volumen de almacenamiento. Si no especifica una clave, se utiliza la clave de cifrado de Amazon EBS predeterminada.
1. (Opcional) En **Clave de KMS**, especifique una clave de KMS para cifrar los orígenes de datos de entrada y salida de Amazon S3 utilizados por el trabajo de procesamiento.
1. (Opcional) En **Configuración de memoria Spark**, haga lo siguiente:
1. Introduzca **Memoria del controlador en MB** para el nodo del controlador de Spark que se encarga de la coordinación y programación de trabajos.
1. Introduzca **Memoria del ejecutor en MB** para los nodos ejecutores de Spark que ejecutan tareas individuales del trabajo.
1. (Opcional) En **Configuración de red**, haga lo siguiente:
1. Para la **configuración de subred**, introduzca las subredes IDs de VPC en las que se van a lanzar las instancias de procesamiento. De forma predeterminada, el trabajo usa la configuración de la VPC predeterminada.
1. Para **configurar los grupos de seguridad**, introduzca los grupos IDs de seguridad para controlar las reglas de conectividad entrante y saliente.
1. Active la opción **Habilitar el cifrado del tráfico entre contenedores** para cifrar la comunicación de red entre los contenedores de procesamiento durante el trabajo.
1. (Opcional) Para las **programaciones de Associate**, puedes elegir crear una EventBridge programación de Amazon para que el trabajo de procesamiento se ejecute en intervalos periódicos. Seleccione **Crear nueva programación** y rellene el cuadro de diálogo. Para obtener más información sobre cómo rellenar esta sección y ejecutar los trabajos de procesamiento de acuerdo con una programación, consulte [Creación de una programación para procesar automáticamente los datos nuevos](canvas-data-export-schedule-job.md).
1. (Opcional) Añada **Etiquetas** como pares clave-valor para clasificar y buscar trabajos de procesamiento.
1. Elija **Exportar** para iniciar el trabajo de procesamiento.
------
Tras exportar los datos, debe encontrar el conjunto de datos completamente procesado en la ubicación de Amazon S3 especificada.
# Exportación de un flujo de datos
La exportación de un flujo de datos traduce las operaciones que ha realizado en Data Wrangler y las exporta a un cuaderno de Jupyter de código Python que puede modificar y ejecutar. Esto puede resultar útil para integrar el código de las transformaciones de datos en canalizaciones de machine learning.
Puede elegir cualquier nodo de datos del flujo y exportarlo. Al exportar el nodo de datos, se exporta la transformación que representa el nodo y las transformaciones que la preceden.
**Exportación de un flujo de datos como cuaderno de Jupyter**
1. Vaya al flujo de datos.
1. Elija el icono de puntos suspensivos junto al nodo que desea exportar.
1. En el menú contextual, coloque el cursor sobre **Exportar** y, a continuación, sobre **Exportar a través del cuaderno de Jupyter**.
1. Seleccione una de las siguientes opciones:
+ **SageMaker Canalizaciones**
+ **Amazon S3**
+ **SageMaker Canalización de inferencias de IA**
+ **SageMaker Tienda de funciones de IA**
+ **Código Python**
1. Se abre el cuadro de diálogo **Exportar flujo de datos como cuaderno**. Seleccione una de estas opciones:
+ **Descargar una copia local**
+ **Exportar a una ubicación de S3**
1. Si seleccionó **Exportar a una ubicación de S3**, introduzca la ubicación de Amazon S3 a la que desea exportar el cuaderno.
1. Seleccione **Exportar**.
Su cuaderno de Jupyter debe descargarse en su máquina local o puede encontrarlo guardado en la ubicación de Amazon S3 que especificó.
# Adición de nodos de destino
Un nodo de destino en SageMaker Canvas especifica dónde almacenar los datos procesados y transformados. Cuando elige exportar los datos transformados a Amazon S3, Canvas utiliza la ubicación del nodo de destino especificada y aplica todas las transformaciones que haya configurado en el flujo de datos. Para obtener más información acerca de los trabajos de exportación a Amazon S3, consulte la sección anterior [Exportar a Amazon S3.](canvas-export-data.md#canvas-export-data-s3).
De forma predeterminada, si decide exportar los datos a Amazon S3, se añade un nodo de destino al flujo de datos. Sin embargo, puede añadir varios nodos de destino al flujo, lo que le permitirá exportar simultáneamente diferentes conjuntos de transformaciones o variaciones de sus datos a diferentes ubicaciones de Amazon S3. Por ejemplo, puede crear un nodo de destino que exporte los datos después de aplicar todas las transformaciones y otro nodo de destino que exporte los datos solo después de determinadas transformaciones iniciales, como una operación de unión. Esta flexibilidad le permite exportar y almacenar diferentes versiones o subconjuntos de los datos transformados en ubicaciones de S3 independientes para distintos casos de uso.
Siga este procedimiento para agregar un nodo de destino al flujo de datos.
**Adición de un nodo de destino**
1. Vaya al flujo de datos.
1. Elija el icono de los puntos suspensivos situado junto al nodo en el que desea colocar el nodo de destino.
1. En el menú contextual, coloque el cursor sobre **Exportar** y, a continuación, seleccione **Agregar destino**.
1. En el panel lateral de **Destino de exportación**, introduzca un **Nombre del conjunto de datos** para asignar un nombre a la salida.
1. En **Ubicación de Amazon S3**, introduzca la ubicación de Amazon S3 a la que desea exportar la salida. Puede introducir el URI, el alias o el ARN de S3 de la ubicación de S3 o el punto de acceso de S3. Para obtener más información sobre los puntos de acceso, consulte [Administración del acceso a datos con puntos de acceso de Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/access-points.html) en la *Guía del usuario de Amazon S3*.
1. En **Configuración de exportación**, especifique los siguientes campos:
1. **Tipo de archivo**: formato de archivo de los datos exportados.
1. **Delimitador**: delimitador utilizado para separar los valores del archivo.
1. **Compresión**: método de compresión utilizado para reducir el tamaño del archivo.
1. En **Partición**, especifique los siguientes campos:
1. **Número de particiones**: el número de archivos de conjuntos de datos que SageMaker Canvas escribe como salida del trabajo.
1. **Elegir columnas**: puede elegir un subconjunto de columnas de los datos para incluirlas en las particiones.
1. Elija **Agregar** si simplemente desea agregar un nodo de destino al flujo de datos, o elija **Agregar** y, a continuación, **Exportar** si desea agregar el nodo e iniciar un trabajo de exportación.
Ahora debería ver un nuevo nodo de destino en el flujo.
# Edición de un nodo de destino
Un *nodo de destino* de un flujo de datos de Amazon SageMaker Canvas especifica la ubicación de Amazon S3 en la que se almacenan los datos procesados y transformados, y aplica todas las transformaciones configuradas en el flujo de datos. Puede editar la configuración de un nodo de destino existente y, a continuación, volver a ejecutar el trabajo para sobrescribir los datos en la ubicación de Amazon S3 especificada. Para obtener más información acerca de la adición de un nodo de destino nuevo, consulte [Adición de nodos de destino](canvas-destination-nodes-add.md).
Siga este procedimiento para editar un nodo de destino en el flujo de datos e iniciar un trabajo de exportación.
**Edición de un nodo de destino**
1. Vaya al flujo de datos.
1. Elija el icono de puntos suspensivos junto al nodo de destino que desea editar.
1. En el menú contextual, elija **Editar**.
1. Se abre el panel lateral **Editar destino**. Desde este panel puede editar detalles como el nombre del conjunto de datos, la ubicación de Amazon S3 y la configuración de exportación y partición.
1. (Opcional) En **Nodos adicionales para exportar** puede seleccionar más nodos de destino para procesarlos cuando ejecute el trabajo de exportación.
1. Deje seleccionada la opción **Procesar todo el conjunto de datos** si desea que Canvas aplique las transformaciones del flujo de datos a todo el conjunto de datos y exporte el resultado. Si anula la selección de esta opción, Canvas solo aplica las transformaciones a la muestra del conjunto de datos utilizada en el flujo de datos interactivo de Data Wrangler.
1. Deje seleccionada la opción **Configuración automática de trabajos** si desea que Canvas determine automáticamente si se debe ejecutar el trabajo con la memoria de la aplicación de Canvas o con un trabajo de EMR sin servidor. Si deselecciona esta opción y configura el trabajo manualmente, puede optar por utilizar un trabajo EMR Serverless o SageMaker un trabajo de procesamiento. Para obtener instrucciones sobre cómo configurar un EMR sin servidor o un trabajo de SageMaker procesamiento, consulte la sección anterior. [Exportar a Amazon S3.](canvas-export-data.md#canvas-export-data-s3)
1. Cuando haya terminado de realizar los cambios, elija **Actualizar**.
Al guardar los cambios en la configuración del nodo de destino no se vuelve a ejecutar automáticamente un trabajo ni se sobrescriben los datos que ya se han procesado y exportado. Vuelva a exportar los datos para ejecutar un trabajo con la nueva configuración. Si decide volver a exportar los datos con un trabajo, Canvas utiliza la configuración actualizada del nodo de destino para transformar y enviar los datos a la ubicación especificada, sobrescribiendo los datos existentes.
# Creación de una programación para procesar automáticamente los datos nuevos
**nota**
La siguiente sección solo se aplica a los trabajos SageMaker de procesamiento. Esta sección no procede si ha utilizado la configuración predeterminada de Canvas o EMR sin servidor para crear un trabajo remoto para aplicar transformaciones al conjunto de datos completo.
Si procesa datos periódicamente, puede crear una programación para ejecutar el trabajo de procesamiento de forma automática. Por ejemplo, puede crear una programación que ejecute un trabajo de procesamiento automáticamente cuando obtenga datos nuevos. Para obtener más información acerca de los trabajos de procesamiento, consulte [Exportar a Amazon S3.](canvas-export-data.md#canvas-export-data-s3).
Al crear un trabajo, debe especificar un rol de IAM que tenga permisos para crear el trabajo. Puede usar la [AmazonSageMakerCanvasDataPrepFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasDataPrepFullAccess.html)política para añadir permisos.
Agregue la siguiente política de confianza al rol EventBridge para poder asumirlo.
```
{
"Effect": "Allow",
"Principal": {
"Service": "events.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
```
**importante**
Al crear una programación, Data Wrangler crea una `eventRule` entrada. EventBridge Se le cobrará tanto por las reglas de eventos que cree como por las instancias que utilice para ejecutar el trabajo de procesamiento.
Para obtener información sobre EventBridge los precios, consulta los [ EventBridge precios de Amazon](https://aws.amazon.com/eventbridge/pricing/). Para obtener información sobre cómo procesar los precios de los trabajos, consulta [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
Utilice uno de los métodos siguientes para definir una programación:
+ [Expresiones CRON](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-create-rule-schedule.html)
**nota**
Data Wrangler no admite las siguientes expresiones:
LW\$1
Abreviaturas para días
Abreviaturas para días
+ [Expresiones de frecuencia](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-create-rule-schedule.html#eb-rate-expressions)
+ Recurrente: establece un intervalo de una hora o un día para ejecutar el trabajo.
+ Hora específica: establece días y horas concretos para ejecutar el trabajo.
En las siguientes secciones se proporcionan procedimientos para programar trabajos al rellenar la configuración del trabajo de procesamiento de SageMaker IA al [exportar los datos a Amazon S3](canvas-export-data.md#canvas-export-data-s3). Todas las instrucciones siguientes comienzan en la sección **Asociar horarios** de la configuración del trabajo de SageMaker procesamiento.
------
#### [ CRON ]
Utilice el siguiente procedimiento para crear una programación con una expresión CRON.
1. En el panel lateral **Exportar a Amazon S3**, asegúrese de haber desactivado la opción **Configuración automática de tareas** y de haber seleccionado la opción **SageMaker Procesamiento**.
1. En la configuración del trabajo de **SageMaker procesamiento**, abre la sección **Asociar cronogramas** y selecciona **Crear un nuevo cronograma**.
1. Se abre el cuadro de diálogo **Crear nueva programación**. En **Nombre de la programación**, especifique el nombre de la programación.
1. En **Frecuencia de ejecución**, elija **CRON**.
1. En cada uno de los campos **Minutos**, **Horas**, **Días del mes**, **Mes** y **Día de la semana**, introduzca valores de expresión CRON válidos.
1. Seleccione **Crear**.
1. De forma opcional, elija **Agregar otra programación** para ejecutar el trabajo según una programación adicional.
**nota**
Puede asociar un máximo de dos programaciones. Las programaciones son independientes y no se afectan entre sí a menos que los horarios se superpongan.
1. Seleccione una de las siguientes opciones:
+ **Programar y ejecutar ahora**: el trabajo se ejecuta inmediatamente y, posteriormente, se ejecuta según las programaciones.
+ **Solo programar**: el trabajo solo se ejecuta según las programaciones que usted especifique.
1. Seleccione **Exportar** después de haber rellenado el resto de la configuración de trabajos de exportación.
------
#### [ RATE ]
Utilice el siguiente procedimiento para crear una programación con una expresión de frecuencia.
1. En el panel lateral **Exportar a Amazon S3**, asegúrese de haber desactivado la opción **Configuración automática de tareas** y de haber seleccionado la opción **SageMaker Procesamiento**.
1. En la configuración del trabajo de **SageMaker procesamiento**, abre la sección **Asociar cronogramas** y selecciona **Crear un nuevo cronograma**.
1. Se abre el cuadro de diálogo **Crear nueva programación**. En **Nombre de la programación**, especifique el nombre de la programación.
1. En **Frecuencia de ejecución**, elija **Velocidad**.
1. En **Valor**, especifique un valor entero.
1. En **Unidad**, seleccione una de las opciones siguientes:
+ **Minutos**
+ **Horas**
+ **Días**
1. Seleccione **Crear**.
1. De forma opcional, elija **Agregar otra programación** para ejecutar el trabajo según una programación adicional.
**nota**
Puede asociar un máximo de dos programaciones. Las programaciones son independientes y no se afectan entre sí a menos que los horarios se superpongan.
1. Seleccione una de las siguientes opciones:
+ **Programar y ejecutar ahora**: el trabajo se ejecuta inmediatamente y, posteriormente, se ejecuta según las programaciones.
+ **Solo programar**: el trabajo solo se ejecuta según las programaciones que usted especifique.
1. Seleccione **Exportar** después de haber rellenado el resto de la configuración de trabajos de exportación.
------
#### [ Recurring ]
Utilice el siguiente procedimiento para crear un programa que ejecute un trabajo de forma recurrente.
1. En el panel lateral **Exportar a Amazon S3**, asegúrese de haber desactivado la opción **Configuración automática de tareas** y de haber seleccionado la opción **SageMaker Procesamiento**.
1. En la configuración del trabajo de **SageMaker procesamiento**, abre la sección **Asociar cronogramas** y selecciona **Crear un nuevo cronograma**.
1. Se abre el cuadro de diálogo **Crear nueva programación**. En **Nombre de la programación**, especifique el nombre de la programación.
1. En **Frecuencia de ejecución**, seleccione **Recurrente**.
1. En **Cada x horas**, especifique la frecuencia horaria con la que se ejecuta el trabajo durante el día. Los valores válidos son enteros en el rango inclusivo de **1** a**23**.
1. Para **En días**, seleccione una de las siguientes opciones:
+ **Todos los días**
+ **Fines de semana**
+ **Días laborales**
+ **Seleccionar días**
1. De forma opcional, si eligió **Seleccionar días**, elija los días de la semana en los que se ejecutará el trabajo.
**nota**
El horario se restablece cada día. Si programa un trabajo para que se ejecute cada cinco horas, se ejecutará en los siguientes momentos del día:
00:00
05:00
10:00
15:00
20:00
1. Seleccione **Crear**.
1. De forma opcional, elija **Agregar otra programación** para ejecutar el trabajo según una programación adicional.
**nota**
Puede asociar un máximo de dos programaciones. Las programaciones son independientes y no se afectan entre sí a menos que los horarios se superpongan.
1. Seleccione una de las siguientes opciones:
+ **Programar y ejecutar ahora**: el trabajo se ejecuta inmediatamente y, posteriormente, se ejecuta según las programaciones.
+ **Solo programar**: el trabajo solo se ejecuta según las programaciones que usted especifique.
1. Seleccione **Exportar** después de haber rellenado el resto de la configuración de trabajos de exportación.
------
#### [ Specific time ]
Utilice el siguiente procedimiento para crear una programación que ejecute un trabajo en momentos concretos.
1. En el panel lateral **Exportar a Amazon S3**, asegúrese de haber desactivado la opción **Configuración automática de tareas** y de haber seleccionado la opción **SageMaker Procesamiento**.
1. En la configuración del trabajo de **SageMaker procesamiento**, abre la sección **Asociar cronogramas** y selecciona **Crear un nuevo cronograma**.
1. Se abre el cuadro de diálogo **Crear nueva programación**. En **Nombre de la programación**, especifique el nombre de la programación.
1. En **Frecuencia de ejecución**, seleccione **Hora de inicio.**
1. En **Hora de inicio**, introduzca una hora en formato UTC (por ejemplo, **09:00**). La hora de inicio se establece de forma predeterminada en la zona horaria en la que se encuentra.
1. Para **En días**, seleccione una de las siguientes opciones:
+ **Todos los días**
+ **Fines de semana**
+ **Días laborales**
+ **Seleccionar días**
1. De forma opcional, si eligió **Seleccionar días**, elija los días de la semana en los que se ejecutará el trabajo.
1. Seleccione **Crear**.
1. De forma opcional, elija **Agregar otra programación** para ejecutar el trabajo según una programación adicional.
**nota**
Puede asociar un máximo de dos programaciones. Las programaciones son independientes y no se afectan entre sí a menos que los horarios se superpongan.
1. Seleccione una de las siguientes opciones:
+ **Programar y ejecutar ahora**: el trabajo se ejecuta inmediatamente y, posteriormente, se ejecuta según las programaciones.
+ **Solo programar**: el trabajo solo se ejecuta según las programaciones que usted especifique.
1. Seleccione **Exportar** después de haber rellenado el resto de la configuración de trabajos de exportación.
------
Puede usar la SageMaker IA Consola de administración de AWS para ver los trabajos que están programados para ejecutarse. Sus trabajos de procesamiento se ejecutan en Canalizaciones. Cada trabajo de procesamiento tiene su propia canalización. Se ejecuta como un paso de procesamiento dentro de la canalización. Puede ver las programaciones que ha creado dentro de una canalización. Para obtener información acerca de cómo visualizar una canalización, consulte [Visualización de los detalles de una canalización](pipelines-studio-list.md).
Utilice el siguiente procedimiento para ver los trabajos que ha programado.
Para ver los trabajos que ha programado, haga lo siguiente.
1. Abre Amazon SageMaker Studio Classic.
1. Apertura de canalizaciones
1. Vea las canalizaciones de los trabajos que ha creado.
La canalización que ejecuta el trabajo usa el nombre del trabajo como prefijo. Por ejemplo, si ha creado un trabajo denominado `housing-data-feature-enginnering`, el nombre de la canalización es `canvas-data-prep-housing-data-feature-engineering`.
1. Elija la canalización que contiene su trabajo.
1. Vea el estado de las canalizaciones. Las canalizaciones con un **Estado** **Correcto** han ejecutado el trabajo de procesamiento correctamente.
Para detener la ejecución del trabajo de procesamiento, haga lo siguiente:
Para detener la ejecución de un trabajo de procesamiento, elimine la regla de eventos que especifica la programación. Al eliminar una regla de eventos, se detiene la ejecución de todos los trabajos asociados a la programación. Para obtener información sobre cómo eliminar una regla, consulta Cómo [deshabilitar o eliminar una EventBridge regla de Amazon](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-delete-rule.html).
También puede detener y eliminar las canalizaciones asociadas a las programaciones. Para obtener información sobre cómo detener una canalización, consulta [StopPipelineExecution](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_StopPipelineExecution.html). Para obtener información sobre la eliminación de una canalización, consulte [DeletePipeline](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DeletePipeline.html#API_DeletePipeline_RequestSyntax).
# Automatice la preparación de datos en SageMaker Canvas
Tras transformar los datos en un flujo de datos, puede exportar las transformaciones a los flujos de trabajo de machine learning. Cuando exporta sus transformaciones, SageMaker Canvas crea un cuaderno Jupyter. Debe ejecutar el bloc de notas en Amazon SageMaker Studio Classic. Para obtener más información acerca de la utilización de Studio Classic, póngase en contacto con su administrador.
## Automatice la preparación de datos mediante canalizaciones
Si desea crear e implementar flujos de trabajo de aprendizaje automático (ML) a gran escala, puede usar Pipelines para crear flujos de trabajo que gestionen e implementen trabajos de SageMaker IA. Con Pipelines, puedes crear flujos de trabajo que gestionen la preparación de datos de SageMaker IA, la formación de modelos y los trabajos de despliegue de modelos. Puedes usar los algoritmos propios que ofrece la SageMaker IA mediante Pipelines. [Para obtener más información sobre Pipelines, consulta Pipelines. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines.html)
Cuando exporta uno o más pasos de su flujo de datos a Canalizaciones, Data Wrangler crea un cuaderno de Jupyter que puede utilizar para definir, instanciar, ejecutar y administrar una canalización.
### Uso de un cuaderno de Jupyter para crear una canalización
Utilice el siguiente procedimiento para crear un cuaderno de Jupyter para exportar el flujo de Data Wrangler a Canalizaciones.
Utilice el siguiente procedimiento para generar un cuaderno de Jupyter y ejecutarlo para exportar el flujo de Data Wrangler a Canalizaciones.
1. Elija el signo **\$1** junto al nodo que desea exportar.
1. Elija **Exportar flujo de datos**.
1. Elija **Canalizaciones (a través del cuaderno de Jupyter**).
1. Descargue el cuaderno de Jupyter o cópielo en una ubicación de Amazon S3. Recomendamos copiarlo en una ubicación de Amazon S3 a la que pueda acceder desde Studio Classic. Póngase en contacto con el administrador si necesita orientación sobre una ubicación adecuada.
1. Ejecute el cuaderno de Jupyter.
Puede utilizar el cuaderno de Jupyter que produce Data Wrangler para definir una canalización. La canalización incluye los pasos de procesamiento de datos definidos por el flujo de Data Wrangler.
Puede agregar pasos adicionales a la canalización si agrega pasos a la lista `steps` que aparece en el siguiente código del cuaderno:
```
pipeline = Pipeline(
name=pipeline_name,
parameters=[instance_type, instance_count],
steps=[step_process], #Add more steps to this list to run in your Pipeline
)
```
Para obtener más información sobre la definición de canalizaciones, consulta [Definir SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/define-pipeline.html) canalización de IA.
## Automatice la preparación de datos mediante un punto de conexión de inferencia
Utilice su flujo de Data Wrangler para procesar los datos en el momento de la inferencia creando una canalización de inferencia en serie de SageMaker IA a partir de su flujo de Data Wrangler. Una canalización de inferencia es una serie de pasos que dan como resultado que un modelo entrenado haga predicciones a partir de nuevos datos. Una canalización de inferencia en serie dentro de Data Wrangler transforma los datos sin procesar y los proporciona al modelo de machine learning para que realice una predicción. La canalización de inferencia se crea, ejecuta y administra desde un cuaderno de Jupyter en Studio Classic. Para obtener más información acerca de cómo acceder al cuaderno, consulte [Uso de un cuaderno de Jupyter para crear un punto de conexión de inferencia](#canvas-inference-notebook).
En el cuaderno, puede entrenar un modelo de machine learning o especificar uno que ya haya entrenado. Puede usar Amazon SageMaker Autopilot o XGBoost entrenar el modelo con los datos que ha transformado en su flujo de Data Wrangler.
La canalización permite realizar inferencias por lotes o en tiempo real. También puede añadir el flujo de Data Wrangler a Model Registry. SageMaker Para obtener más información acerca de los modelos de alojamiento, consulte [Puntos de conexión multimodelo](multi-model-endpoints.md).
**importante**
No puede exportar el flujo de Data Wrangler a un punto de conexión de inferencia si tiene las siguientes transformaciones:
Join
Concatenar
Agrupación por
Si tiene que usar las transformaciones anteriores para preparar los datos, use el siguiente procedimiento.
Cree un flujo de Data Wrangler.
Aplique las transformaciones anteriores que no son compatibles.
Exporte los datos a un bucket de Amazon S3.
Cree un flujo de Data Wrangler independiente.
Importe los datos que haya exportado del flujo anterior.
Aplique el resto de las transformaciones.
Cree una canalización de inferencia en serie con el cuaderno de Jupyter que le proporcionamos.
Para obtener información sobre la exportación de datos a un bucket de Amazon S3, consulte [Exportar datos](canvas-export-data.md). Para obtener información sobre cómo abrir el cuaderno de Jupyter utilizado para crear la canalización de inferencia en serie, consulte [Uso de un cuaderno de Jupyter para crear un punto de conexión de inferencia](#canvas-inference-notebook).
Data Wrangler hace caso omiso de las transformaciones que eliminan datos en el momento de la inferencia. Por ejemplo, Data Wrangler hace caso omiso de la transformación [Gestión de valores que faltan](canvas-transform.md#canvas-transform-handle-missing) si utiliza la configuración **Eliminar ausentes**.
Si ha modificado las transformaciones de todo el conjunto de datos, las transformaciones se aplicarán a la canalización de inferencia. Por ejemplo, si empleó el valor de la mediana para imputar los valores ausentes, el valor de la mediana resultante del reajuste de la transformada se aplica a las solicitudes de inferencia. Puede reajustar las transformaciones del flujo de Data Wrangler cuando utilice el cuaderno de Jupyter o cuando exporte los datos a una canalización de inferencia.
La canalización de inferencia en serie admite los siguientes tipos de datos para las cadenas de entrada y salida. Cada tipo de datos tiene un conjunto de requisitos.
**Tipos de datos admitidos**
+ `text/csv`: el tipo de datos de las cadenas CSV.
+ La cadena no puede tener un encabezado.
+ Las características utilizadas para la canalización de inferencia deben estar en el mismo orden que las características del conjunto de datos de entrenamiento.
+ Debe haber un delimitador de coma entre las características.
+ Los registros deben estar delimitados por un carácter de nueva línea.
A continuación, se muestra un ejemplo de una cadena CSV con un formato válido que puede proporcionar en una solicitud de inferencia.
```
abc,0.0,"Doe, John",12345\ndef,1.1,"Doe, Jane",67890
```
+ `application/json`: el tipo de datos de las cadenas JSON.
+ Las características utilizadas para la canalización de inferencia deben estar en el mismo orden que las características del conjunto de datos de entrenamiento.
+ Los datos deben tener un esquema específico. El esquema se define como un objeto `instances` único que tiene un conjunto de `features`. Cada objeto `features` representa una observación.
A continuación, se muestra un ejemplo de una cadena JSON con un formato válido que puede proporcionar en una solicitud de inferencia.
```
{
"instances": [
{
"features": ["abc", 0.0, "Doe, John", 12345]
},
{
"features": ["def", 1.1, "Doe, Jane", 67890]
}
]
}
```
### Uso de un cuaderno de Jupyter para crear un punto de conexión de inferencia
Utilice el siguiente procedimiento para exportar el flujo de Data Wrangler y crear una canalización de inferencia.
Para crear una canalización de inferencia con un cuaderno de Jupyter, haga lo siguiente.
1. Elija el signo **\$1** junto al nodo que desea exportar.
1. Elija **Exportar flujo de datos**.
1. Elija **SageMaker AI Inference Pipeline (a través de Jupyter** Notebook).
1. Descargue el cuaderno de Jupyter o cópielo en una ubicación de Amazon S3. Recomendamos copiarlo en una ubicación de Amazon S3 a la que pueda acceder desde Studio Classic. Póngase en contacto con el administrador si necesita orientación sobre una ubicación adecuada.
1. Ejecute el cuaderno de Jupyter.
Al ejecutar el cuaderno de Jupyter, se crea un artefacto de flujo de inferencia. Un artefacto de flujo de inferencia es un archivo de flujo de Data Wrangler con metadatos adicionales que se utiliza para crear la canalización de inferencia en serie. El nodo que exporta incluye todas las transformaciones de los nodos anteriores.
**importante**
Data Wrangler necesita el artefacto del flujo de inferencia para ejecutar la canalización de inferencia. No puede usar su propio archivo de flujo como artefacto. Debe crearlo mediante el procedimiento anterior.
## Automatización de la preparación de datos con código Python
Para exportar todos los pasos del flujo de datos a un archivo de Python que pueda integrar manualmente en cualquier flujo de trabajo de procesamiento de datos, utilice el siguiente procedimiento.
Siga este procedimiento para generar un cuaderno de Jupyter y ejecútelo para exportar el flujo de Data Wrangler a código de Python.
1. Elija el signo **\$1** junto al nodo que desea exportar.
1. Elija **Exportar flujo de datos**.
1. Elija **Código Python**.
1. Descargue el cuaderno de Jupyter o cópielo en una ubicación de Amazon S3. Recomendamos copiarlo en una ubicación de Amazon S3 a la que pueda acceder desde Studio Classic. Póngase en contacto con el administrador si necesita orientación sobre una ubicación adecuada.
1. Ejecute el cuaderno de Jupyter.
Es posible que tenga que configurar el script de Python para que se ejecute en su canalización. Por ejemplo, si ejecutas un entorno de Spark, asegúrate de ejecutar el script desde un entorno que tenga permiso para acceder a los recursos. AWS
# Modelos básicos de IA generativa en Canvas SageMaker
Amazon SageMaker Canvas proporciona modelos básicos de IA generativa que puede utilizar para iniciar conversaciones conversacionales. Estos modelos de generación de contenido se entrenan con grandes cantidades de datos de texto para aprender los patrones estadísticos y las relaciones entre las palabras, y pueden producir un texto coherente que sea estadísticamente similar al texto en el que se entrenaron. Puede utilizar esta capacidad para aumentar la productividad de la siguiente manera:
+ Generar contenido, como esquemas de documentos, informes y blogs
+ Resumir el texto a partir de grandes corpus de texto, como transcripciones de presentaciones de beneficios, informes anuales o capítulos de manuales de usuario
+ Extraer información y conclusiones clave de amplios pasajes de texto, como notas o transcripciones de reuniones
+ Mejorar el texto y captar errores gramaticales o tipográficos
Los modelos básicos son una combinación de los grandes modelos de lenguaje de [Amazon SageMaker JumpStart y Amazon Bedrock](https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-service.html) (LLMs). Canvas ofrece los siguientes modelos:
| Modelo | Tipo | Description (Descripción) |
| --- | --- | --- |
| Amazon Titán | Modelo de Amazon Bedrock | Amazon Titan es un modelo de lenguaje potente y de uso general que puede utilizar para tareas como el resumen, la generación de texto (como la creación de una entrada de blog), la clasificación, las preguntas y respuestas abiertas y la extracción de información. Está entrenado previamente con conjuntos de datos de gran tamaño, lo que hace que resulte adecuado para tareas y razonamientos complejos. Para seguir respaldando las prácticas recomendadas en el uso responsable de la IA, los modelos fundacionales de Amazon Titan están diseñados para detectar y eliminar el contenido dañino de los datos, rechazar el contenido inapropiado en las entradas de los usuarios y filtrar los resultados de los modelos que contengan contenido inapropiado (como la incitación al odio, las palabras malsonantes y la violencia). |
| Anthropic Claude Instant | Modelo de Amazon Bedrock | El Anthropic Claude Instant es un modelo más rápido y rentable, pero aún así tiene una alta capacidad. Este modelo puede realizar una variedad de tareas, como el diálogo informal, el análisis de texto, el resumen y la respuesta a preguntas sobre documentos. Al igual que el Claude-2, el Claude Instant puede admitir hasta 100 000 tokens en cada solicitud, lo que equivale a unas 200 páginas de información. |
| Anthropic Claude-2 | Modelo de Amazon Bedrock | El Claude-2 es el modelo más potente de Anthropic, y resulta excepcional en una amplia gama de tareas, desde diálogos sofisticados y generación de contenido creativo hasta el seguimiento detallado de instrucciones. El Claude-2 puede admitir hasta 100 000 tokens en cada solicitud, lo que equivale a unas 200 páginas de información. Puede generar respuestas más largas en comparación con su versión anterior. Admite casos de uso como la respuesta a preguntas, la extracción de información, la eliminación de información de identificación personal, la generación de contenido, la clasificación de opción múltiple, los juegos de roles, la comparación de texto, la síntesis y las preguntas y respuestas de documentos con citas. |
| Falcon-7B-Instruct | JumpStart modelo | El Falcon-7B-Instruct tiene 7000 millones de parámetros y se ha ajustado a partir de una combinación de conjuntos de datos de chat e instrucción. Es adecuado como asistente virtual y funciona mejor cuando se siguen instrucciones o se entabla una conversación. Dado que el modelo se entrenó con grandes cantidades de datos web en inglés, contiene los estereotipos y sesgos que se encuentran comúnmente en Internet y no es adecuado para otros idiomas que no sean el inglés. En comparación con el Falcon-40B-Instruct, el Falcon-7B-Instruct es un modelo un poco más pequeño y compacto. |
| Falcon-40B-Instruct | JumpStart modelo | El Falcon-40B-Instruct tiene 40 000 millones de parámetros y se ha ajustado a partir de una combinación de conjuntos de datos de chat e instrucción. Es adecuado como asistente virtual y funciona mejor cuando se siguen instrucciones o se entabla una conversación. Dado que el modelo se entrenó con grandes cantidades de datos web en inglés, contiene los estereotipos y sesgos que se encuentran comúnmente en Internet y no es adecuado para otros idiomas que no sean el inglés. En comparación con el Falcon-7B-Instruct, el Falcon-40B-Instruct es un modelo un poco más grande y potente. |
| Jurassic-2 Mid | Modelo de Amazon Bedrock | Jurassic-2 Mid es un modelo de generación de texto de alto rendimiento entrenado en un corpus de texto masivo (actualizado hasta mediados de 2022). Es muy versátil, de uso general y capaz de componer textos similares a los humanos y de resolver tareas complejas, como responder preguntas, clasificar textos y muchas otras. Este modelo ofrece capacidades de instrucción de cero intentos, lo que permite que se dirija únicamente con lenguaje natural y sin el uso de ejemplos. Funciona hasta un 30 % más rápido que su predecesor, el modelo Jurassic-1. El Jurassic-2 Mid es AI21 el modelo de tamaño medio, diseñado cuidadosamente para lograr el equilibrio adecuado entre una calidad excepcional y un precio asequible. |
| Jurassic-2 Ultra | Modelo de Amazon Bedrock | Jurassic-2 Ultra es un modelo de generación de texto de alto rendimiento entrenado en un corpus de texto masivo (actualizado hasta mediados de 2022). Es muy versátil, de uso general y capaz de componer textos similares a los humanos y de resolver tareas complejas, como responder preguntas, clasificar textos y muchas otras. Este modelo ofrece capacidades de instrucción de cero intentos, lo que permite que se dirija únicamente con lenguaje natural y sin el uso de ejemplos. Funciona hasta un 30 % más rápido que su predecesor, el modelo Jurassic-1. En comparación con el Jurassic-2 Mid, el Jurassic-2 Ultra es un modelo un poco más grande y potente. |
| Llama-2-7b-Chat | JumpStart modelo | Llama-2-7b-chat es un modelo fundacional de Meta que resulta adecuado para entablar conversaciones significativas y coherentes, generar contenido nuevo y extraer respuestas de las notas existentes. Dado que el modelo se ha entrenado con grandes cantidades de datos de Internet en inglés, contiene los sesgos y las limitaciones que suelen encontrarse en Internet y resulta más adecuado para tareas en inglés. |
| Llama-2-13B-Chat | Modelo de Amazon Bedrock | Llama-2-13B-Chat de Meta se ha afinado con datos conversacionales después de un entrenamiento inicial con datos de Internet. Está optimizado para un diálogo natural y una atractiva capacidad de chat, lo que hace que resulte idóneo como agente conversacional. En comparación con Llama-2-7b-Chat, más pequeño, Llama-2-13B-Chat tiene casi el doble de parámetros, lo que le permite recordar más contexto y producir respuestas conversacionales más matizadas. Al igual que Llama-2-7b-Chat, Llama-2-13B-Chat se ha entrenado con datos en inglés y es idóneo para tareas en inglés. |
| Llama-2-70B-Chat | Modelo de Amazon Bedrock | Al igual que Llama-2-7b-Chat y Llama-2-13B-Chat, el modelo Llama-2-70B-Chat de Meta está optimizado para entablar un diálogo natural y significativo. Con 70 000 millones de parámetros, este gran modelo conversacional puede recordar un contexto más extenso y producir respuestas muy coherentes en comparación con las versiones de modelos más compactos. Sin embargo, esto se produce a costa de respuestas más lentas y mayores necesidades de recursos. Llama-2-70B-Chat se ha entrenado con grandes cantidades datos de Internet en inglés y es idóneo para tareas en inglés. |
| Mistral-7B | JumpStart modelo | Mistral-7B de Mistral.AI es un excelente modelo de lenguaje de uso general adecuado para una amplia gama de tareas de lenguaje natural (NLP), como generación de texto, síntesis y respuesta a preguntas. Utiliza la atención de consulta agrupada (GQA), que permite velocidades de inferencia más rápidas, con un rendimiento comparable al de los modelos con el doble o el triple de parámetros. Se ha entrenado con una combinación de datos de texto, incluidos libros, sitios web y artículos científicos en inglés, por lo que es idóneo para tareas en inglés. |
| Mistral-7B-Chat | JumpStart modelo | Mistral-7B-Chat es un modelo conversacional de Mistral.AI basado en Mistral-7B. Si bien el Mistral-7B resulta idóneo para tareas generales de NLP, Mistral-7B-Chat se ha afinado aún más sobre datos conversacionales para optimizar sus capacidades de chat natural y atractivo. Por ello, Mistral-7B-Chat genera respuestas más parecidas a las humanas y recuerda el contexto de respuestas anteriores. Al igual que el Mistral-7B, este modelo es más adecuado para tareas en inglés. |
| MPT-7B-Instruct | JumpStart modelo | El MPT-7B-Instruct es un modelo para la instrucción de formato largo con posterioridad a las tareas y puede ayudarle con tareas de redacción, como el resumen de textos y la respuesta a preguntas, para ahorrarle tiempo y esfuerzo. Este modelo se entrenó con grandes cantidades de datos ajustados y puede hacer frente a entradas más grandes, como documentos complejos. Utilice este modelo cuando desee procesar cuerpos de texto grandes o si desea que el modelo genere respuestas largas. |
Por el momento, los modelos fundacionales de Amazon Bedrock solo están disponibles en las regiones Este de EE. UU. (Norte de Virginia) y Oeste de EE. UU. (Oregón). Además, cuando utilice modelos fundacionales de Amazon Bedrock, se le cobrará en función del volumen de los tokens de entrada y salida, según lo especifique cada proveedor de modelos. Para obtener más información, consulte la [página de Precios de Amazon Bedrock](https://aws.amazon.com/bedrock/pricing/). Los JumpStart modelos básicos se implementan en las instancias de SageMaker AI Hosting y se le cobrará por la duración del uso en función del tipo de instancia utilizado. Para obtener más información sobre el costo de los distintos tipos de instancias, consulte la sección Amazon SageMaker AI Hosting: Inferencia en tiempo real en la [página de SageMaker precios](https://aws.amazon.com/sagemaker/pricing/).
La consulta de documentos es una característica adicional que puede utilizar para consultar y obtener información de los documentos almacenados en índices mediante Amazon Kendra. Con esta funcionalidad, puede generar contenido a partir del contexto de esos documentos y recibir respuestas específicas para su caso de uso empresarial, en lugar de respuestas genéricas según las grandes cantidades de datos en las que se basaron los modelos fundacionales. Para obtener más información acerca de los índices en Amazon Kendra, consulte la [Guía para desarrolladores de Amazon Kendra](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html).
Si desea obtener respuestas de alguno de los modelos fundacionales personalizados con sus datos y su caso de uso, puede afinar dichos modelos. Para obtener más información, consulte [Afinamiento de modelos fundacionales](canvas-fm-chat-fine-tune.md).
Si quieres obtener predicciones de un modelo SageMaker JumpStart básico de Amazon a través de una aplicación o un sitio web, puedes implementar el modelo en un *punto final* de SageMaker IA. SageMaker Los puntos finales de IA alojan su modelo y usted puede enviar solicitudes al punto final a través del código de su aplicación para recibir predicciones del modelo. Para obtener más información, consulte [Implementación de sus modelos en un punto de conexión](canvas-deploy-model.md).
# Complete los requisitos previos para los modelos básicos en Canvas SageMaker
En las siguientes secciones se describen los requisitos previos para interactuar con los modelos fundacionales y utilizar la característica de consulta de documentos de Canvas. El resto del contenido de esta página presupone que ha cumplido con los requisitos previos para los modelos fundacionales. La característica de consulta de documentos requiere permisos adicionales.
## Requisitos previos para los modelos fundacionales
Los permisos que necesita para interactuar con los modelos se incluyen en los permisos de los Ready-to-use modelos de Canvas. Para usar los modelos generativos impulsados por IA en Canvas, debes activar los permisos de **configuración de los Ready-to-use modelos de Canvas** al configurar tu dominio de Amazon SageMaker AI. Para obtener más información, consulte [Requisitos previos para configurar Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites). La **configuración de Ready-to-use los modelos de Canvas** vincula la política de [AmazonSageMakerCanvasAIServicesacceso a](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) la función de ejecución de su usuario de Canvas AWS Identity and Access Management (IAM). Si tiene algún problema con la concesión de permisos, consulte el tema [Solución de problemas relacionados con la concesión de permisos a través de la consola de SageMaker IA](canvas-limits.md#canvas-troubleshoot-trusted-services).
Si ya ha configurado un dominio, puede editar esa configuración y activar los permisos. Para obtener instrucciones acerca de cómo editar la configuración de dominio, consulte [Edición de la configuración del dominio](domain-edit.md). Al editar la configuración de su dominio, vaya a la **configuración de Canvas** y active la **opción Habilitar Ready-to-use modelos de Canvas**.
Algunos modelos JumpStart básicos también requieren que solicites un aumento de la cuota de instancias de SageMaker IA. Canvas aloja los modelos con los que está interactuando actualmente en estas instancias, pero es posible que la cuota predeterminada de su cuenta no sea suficiente. Si se produce un error al ejecutar alguno de los siguientes modelos, solicite un aumento de cuota para los tipos de instancias asociados:
+ Falcon-40B – `ml.g5.12xlarge`, `ml.g5.24xlarge`
+ Falcon-13B – `ml.g5.2xlarge`, `ml.g5.4xlarge`, `ml.g5.8xlarge`
+ MPT-7B-Instruct – `ml.g5.2xlarge`, `ml.g5.4xlarge`, `ml.g5.8xlarge`
Para los tipos de instancias anteriores, solicite un aumento de 0 a 1 en la cuota de uso de puntos de conexión. Para obtener información sobre cómo aumentar una cuota para su cuenta, consulte [Solicitar un aumento de cuota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) en la *Guía del usuario de Service Quotas*.
## Requisitos previos para la consulta de documentos
**nota**
La consulta de documentos se admite en las siguientes regiones Regiones de AWS: EE.UU. Este (Norte de Virginia), EE.UU. Este (Ohio), EE.UU. Oeste (Oregón), Europa (Irlanda), Asia Pacífico (Singapur), Asia Pacífico (Sídney), Asia Pacífico (Tokio) y Asia Pacífico (Bombay).
La característica de consulta de documentos requiere que ya disponga de un índice de Amazon Kendra que almacene sus documentos y sus metadatos de documentos. Para obtener más información acerca de Amazon Kendra, consulte la [Guía para desarrolladores de Amazon Kendra](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html). Para obtener más información sobre las cuotas para consultar índices, consulte [Cuotas](https://docs.aws.amazon.com/kendra/latest/dg/quotas.html) en la *Guía para desarrolladores de Amazon Kendra*.
También debe asegurarse de que su perfil de usuario de Canvas tenga los permisos necesarios para consultar documentos. La [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política debe estar asociada a la función de ejecución de AWS IAM del dominio de SageMaker IA que aloja su aplicación de Canvas (esta política se adjunta de forma predeterminada a todos los perfiles de usuario de Canvas nuevos y existentes). También debe conceder específicamente permisos de consulta de documentos y especificar el acceso a uno o más índices de Amazon Kendra.
Si su administrador de Canvas está configurando un nuevo dominio o perfil de usuario, pídale que configure el dominio siguiendo las instrucciones que se indican en [Requisitos previos para configurar Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites). Al configurar el dominio, pueden activar los permisos de consulta de documentos mediante la configuración de los ** Ready-to-usemodelos de Canvas**.
El administrador de Canvas también puede administrar los permisos de consulta de documentos en el nivel del perfil de usuario. Por ejemplo, si el administrador quiere conceder permisos de consulta de documentos a algunos perfiles de usuario pero eliminar los permisos a otros, puede editar los permisos de un usuario específico.
El siguiente procedimiento muestra cómo activar los permisos de consulta de documentos para un perfil de usuario específico:
1. Abre la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio del perfil de usuario.
1. En la página de **Detalles del dominio**, elija el **Perfil de usuario** cuyos permisos desee editar.
1. En la página **Detalles del usuario**, elija **Editar**.
1. En el panel de navegación izquierdo, elija **Configuración de Canvas**.
1. En la sección de **configuración de Ready-to-use modelos de Canvas**, active la **opción Habilitar la consulta de documentos mediante Amazon Kendra**.
1. En el menú desplegable, seleccione uno o varios índices de Amazon Kendra a los que quiera conceder acceso.
1. Seleccione **Enviar** para guardar los cambios en la configuración de su dominio.
Ahora debería poder utilizar los modelos fundacionales de Canvas para consultar documentos en los índices de Amazon Kendra especificados.
# Iniciar una nueva conversación para generar, extraer o resumir contenido
Para empezar a utilizar los modelos fundacionales de IA generativa en Canvas, puede iniciar una nueva sesión de chat con uno de los modelos. En el caso de los JumpStart modelos, se le cobrará mientras el modelo esté activo, por lo que debe iniciarlos cuando quiera usarlos y apagarlos cuando termine de interactuar. Si no apagas un JumpStart modelo, Canvas lo apagará después de 2 horas de inactividad. En el caso de los modelos Amazon Bedrock (como Amazon Titan), se le cobrará por petición; los modelos ya están activos y no es necesario iniciarlos ni cerrarlos. Amazon Bedrock le cobrará directamente por el uso de estos modelos.
Para abrir una conversación con un modelo, haga lo siguiente:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, selecciona **R eady-to-use models**.
1. Elija **Generar, extraer y resumir contenido**.
1. En la página de bienvenida, recibirá una recomendación para iniciar el modelo predeterminado. Puede iniciar el modelo recomendado o elegir **Seleccionar otro modelo** en el menú desplegable para elegir uno diferente.
1. Si ha seleccionado un modelo de JumpStart base, debe ponerlo en marcha antes de que esté disponible para su uso. Seleccione **Iniciar el modelo** y, a continuación, el modelo se implementará en una instancia de SageMaker IA. Esto puede tardar varios minutos en completarse. Cuando el modelo esté listo, puede introducir las indicaciones y hacerle preguntas.
Si ha seleccionado un modelo fundacional de Amazon Bedrock, puede empezar a usarlo al instante introduciendo un mensaje y haciendo preguntas.
Según el modelo, puede realizar varias tareas. Por ejemplo, puede introducir un pasaje de texto y pedirle al modelo que lo resuma. O bien, puede pedirle al modelo que elabore un breve resumen de las tendencias del mercado en su dominio.
Las respuestas de la modelo en un chat se basan en el contexto de sus solicitudes anteriores. Si quiere plantear una pregunta nueva en el chat que no esté relacionada con el tema de la conversación anterior, le recomendamos que inicie una nueva conversación con el modelo.
# Extracción de información de los documentos mediante la consulta de documentos
**nota**
En esta sección se presupone que ha completado la sección anterior [Requisitos previos para la consulta de documentos](canvas-fm-chat-prereqs.md#canvas-fm-chat-prereqs-kendra).
La consulta de documentos es una característica que puede utilizar al interactuar con los modelos fundacionales en Canvas. Con la consulta de documentos, puede acceder a un corpus de documentos almacenado en un *índice* de Amazon Kendra, que contiene el contenido de sus documentos y está estructurado de forma que permite realizar búsquedas en los documentos. Puede hacer preguntas específicas dirigidas a los datos de su índice de Amazon Kendra, y el modelo fundacional devuelve las respuestas a sus preguntas. Por ejemplo, puede consultar una base de conocimientos interna sobre información de TI y hacer preguntas como “¿Cómo me conecto a la red de mi empresa?” Para obtener más información acerca de cómo configurar un índice, consulte la [Guía para desarrolladores de Amazon Kendra](https://docs.aws.amazon.com/kendra/latest/dg/what-is-kendra.html).
Al utilizar la función de consulta de documentos, los modelos fundacionales restringen sus respuestas al contenido de los documentos del índice con una técnica denominada Generación Aumentada de Recuperación (RAG). Esta técnica agrupa la información más relevante del índice junto con la solicitud del usuario y la envía al modelo fundacional para obtener una respuesta. Las respuestas se limitan a lo que se encuentra en el índice, lo que impide que el modelo dé respuestas incorrectas basadas en datos externos. Para obtener más información sobre este proceso, consulte la entrada del blog [Compilación rápida de aplicaciones de IA generativa de gran precisión con datos empresariales](https://aws.amazon.com/blogs/machine-learning/quickly-build-high-accuracy-generative-ai-applications-on-enterprise-data-using-amazon-kendra-langchain-and-large-language-models/).
Para empezar, en una conversación con un modelo fundacional en Canvas, active el botón **Consulta de documentos** situado en la parte superior de la página. En el menú desplegable, seleccione el índice de Amazon Kendra que quiera consultar. A continuación, puede empezar a hacer preguntas relacionadas con los documentos de su índice.
**importante**
La consulta de documentos es compatible con la función [Comparación de los resultados del modelo](canvas-fm-chat-compare.md). Cualquier historial de chat existente se sobrescribe al iniciar un nuevo chat para comparar los resultados del modelo.
# Inicio de modelos
**nota**
En la siguiente sección se describen los modelos iniciales, que solo se aplican a los modelos de JumpStart base, como el Falcon-40B-Instruct. Puede acceder a los modelos de Amazon Bedrock, como Amazon Titan, de forma instantánea y en cualquier momento.
Puede poner en marcha tantos modelos como desee. JumpStart Cada JumpStart modelo activo conlleva cargos en tu cuenta, por lo que te recomendamos que no pongas en marcha más modelos de los que utilizas actualmente.
Para iniciar otro modelo, puede hacer lo siguiente:
1. En la página **Generar, extraer y resumir contenido**, seleccione **Nuevo chat**.
1. Seleccione el modelo en el menú desplegable. Si desea elegir un modelo que no aparezca en el menú desplegable, elija **Iniciar otro modelo** y, a continuación, seleccione el modelo que desee iniciar.
1. Seleccione **Iniciar modelo**.
El modelo debería empezar a iniciarse y, en unos minutos, podrá charlar con el modelo.
# Cierre de modelos
Le recomendamos encarecidamente que cierre los modelos que no esté utilizando. Los modelos se cierran automáticamente tras 2 horas de inactividad. Sin embargo, para apagar un modelo manualmente, puede hacer lo siguiente:
1. En la página **Generar, extraer y resumir contenido**, abra el chat del modelo que desee cerrar.
1. En la página de chat, seleccione el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Seleccione **Cerrar modelo**.
1. En el cuadro de confirmación **Cerrar modelo**, seleccione **Cerrar**.
El modelo comienza a cerrarse. Si su chat compara dos o más modelos, puede cerrar un modelo individual desde la página del chat. Para ello, seleccione el icono **Más opciones** del modelo (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) y, a continuación, seleccione **Cerrar modelo**.
# Comparación de los resultados del modelo
Es posible que desee comparar los resultados de los distintos modelos uno junto al otro para ver qué resultado de modelo prefiere. Esto puede ayudarle a decidir qué modelo se adapta mejor a su caso de uso. Puede comparar hasta tres modelos en los chats.
**nota**
Cada modelo individual genera cargos en su cuenta.
Debe iniciar un nuevo chat para agregar modelos para compararlos. Para comparar los resultados de los modelos uno junto al otro en un chat, haga lo siguiente:
1. En un chat, seleccione **Nuevo chat**.
1. Seleccione **Comparar** y use el menú desplegable para elegir el modelo que quiera agregar. Para agregar un tercer modelo, vuelva a seleccionar **Comparar** para agregar otro modelo.
**nota**
Si desea utilizar un JumpStart modelo que no esté activo actualmente, se le solicitará que inicie el modelo.
Cuando los modelos estén activos, verá los dos modelos uno junto al otro en el chat. Puede enviar su mensaje y cada modelo responderá en el mismo chat, como se muestra en la siguiente captura de pantalla.
![\[Captura de pantalla de la interfaz de Canvas con los resultados de dos modelos mostrados uno junto al otro.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-chat-compare-outputs.png)
Cuando termines de interactuar, asegúrate de apagar todos JumpStart los modelos individualmente para evitar incurrir en cargos adicionales.
# Afinamiento de modelos fundacionales
Los modelos básicos a los que puede acceder a través de Amazon SageMaker Canvas pueden ayudarle con una variedad de tareas de uso general. Sin embargo, si tiene un caso de uso específico y desea personalizar las respuestas en función de sus propios datos, puede *afinar* un modelo fundacional.
Para afinar un modelo fundacional, proporcione un conjunto de datos que conste de ejemplos de peticiones y respuestas de modelos. A continuación, entrene el modelo fundacional sobre los datos. Por último, el modelo fundacional afinado puede proporcionarle respuestas más específicas.
La siguiente lista contiene los modelos fundacionales que puede afinar en Canvas:
+ Titan Express
+ Falcon-7B
+ Falcon-7B-Instruct
+ Falcon-40B-Instruct
+ Falcon-40B
+ Flan-T5-Large
+ Flan-T5-Xl
+ Flan-T5-Xxl
+ MPT-7B
+ MPT-7B-Instruct
Puede acceder a información más detallada sobre cada modelo fundacional en la aplicación de Canvas mientras afina un modelo. Para obtener más información, consulte [Afinamiento del modelo](#canvas-fm-chat-fine-tune-procedure-model).
En este tema se describe cómo afinar modelos fundacionales en Canvas.
## Antes de empezar
Antes de ajustar un modelo base, asegúrese de tener los permisos para los Ready-to-use modelos en Canvas y un rol de AWS Identity and Access Management ejecución que tenga una relación de confianza con Amazon Bedrock, lo que le permitirá a Amazon Bedrock asumir su rol mientras ajusta los modelos base.
Al configurar o editar su dominio de Amazon SageMaker AI, debe 1) activar los permisos de configuración de los Ready-to-use modelos Canvas y 2) crear o especificar un rol de Amazon Bedrock, que es un rol de ejecución de IAM al que SageMaker AI vincula una relación de confianza con Amazon Bedrock. Para obtener más información sobre la configuración de estos ajustes, consulte [Requisitos previos para configurar Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites).
Puede configurar el rol de Amazon Bedrock manualmente si prefiere usar su propio rol de ejecución de IAM (en lugar de dejar que SageMaker AI cree uno en su nombre). Para obtener más información sobre cómo configurar la relación de confianza de su rol de ejecución de IAM con Amazon Bedrock, consulte [Concesión de permisos a los usuarios para usar características de Amazon Bedrock e IA generativa en Canvas](canvas-fine-tuning-permissions.md).
También debe tener un conjunto de datos formateado para ajustar los modelos de lenguaje de gran tamaño (). LLMs A continuación se ofrece una lista de requisitos para el conjunto de datos:
+ El conjunto de datos debe ser tabular y contener al menos dos columnas de datos de texto: una columna de entrada (que contiene ejemplos de peticiones del modelo) y una columna de salida (que contiene respuestas de ejemplo del modelo).
A continuación se muestra un ejemplo:
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/canvas-fm-chat-fine-tune.html)
+ Recomendamos que el conjunto de datos tenga al menos 100 pares de texto (filas de los elementos de entrada y salida correspondientes). Esto garantiza que el modelo fundacional tenga datos suficientes para realizar afinamientos y aumenta la exactitud de sus respuestas.
+ Cada elemento de entrada y salida debe contener un máximo de 512 caracteres. Si son más largos se reducen a 512 caracteres al afinar el modelo fundacional.
Para afinar un modelo de Amazon Bedrock debe cumplir las cuotas de Amazon Bedrock. Para obtener más información, consulte [Model customization quotas](https://docs.aws.amazon.com/bedrock/latest/userguide/quotas.html#model-customization-quotas) en la *Guía del usuario de Amazon Bedrock*.
Para obtener más información acerca de los requisitos y limitaciones generales de conjuntos de datos en Canvas, consulte [Creación de un conjunto de datos](canvas-import-dataset.md).
## Ajuste de un modelo fundacional
Puede afinar un modelo fundacional mediante cualquiera de los siguientes métodos en la aplicación de Canvas:
+ Mientras se encuentra en un chat de **Generar, extraer y resumir contenido** con un modelo fundacional, elija el icono de **Afinar modelo** (![\[Magnifying glass icon with a plus sign, indicating a search or zoom-in function.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/wrench-icon-small.png)).
+ Mientras se encuentra en un chat con un modelo fundacional, si ha vuelto a generar la respuesta dos o más veces, Canvas le ofrece la opción de **Afinar modelo**. En la siguiente captura de pantalla se muestra qué aspecto tiene.
![\[Captura de pantalla de la opción Afinar modelo fundacional que se muestra en un chat.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/fine-tuning-ingress.png)
+ En la página **Mis modelos** puede crear un nuevo modelo seleccionando **Nuevo modelo** y, a continuación, **Afinar modelo fundacional**.
+ En la página de inicio del **Ready-to-use modelo**, puede elegir **Crear su propio modelo** y, a continuación, en el cuadro de diálogo **Crear nuevo modelo**, elegir **Ajustar** con precisión el modelo base.
+ Mientras navega por los conjuntos de datos en la pestaña **Data Wrangler**, puede seleccionar un conjunto de datos y elegir **Crear un modelo**. A continuación, elija **Afinar modelo fundacional**.
Cuando haya empezado a afinar un modelo, haga lo siguiente:
### Selección de un conjunto de datos
En la pestaña **Seleccionar** para afinar un modelo, elija los datos con los que desea entrenar el modelo fundacional.
Seleccione un conjunto de datos existente o cree uno nuevo que cumpla con los requisitos enumerados en la sección [Antes de empezar](#canvas-fm-chat-fine-tune-prereqs). Para obtener más información acerca de cómo crear un conjunto de datos, consulte [Creación de un conjunto de datos](canvas-import-dataset.md).
Cuando haya seleccionado o creado un conjunto de datos y esté listo para continuar, elija **Seleccionar conjunto de datos**.
### Afinamiento del modelo
Tras seleccionar los datos, ya está listo para empezar a entrenar y afinar el modelo.
En la pestaña **Ajustar**, haga lo siguiente:
1. (Opcional) Elija **Más información sobre nuestros modelos fundacionales** para acceder a más información sobre cada modelo y ayudarle a decidir qué modelo o modelos fundacionales implementar.
1. Para **seleccionar hasta 3 modelos básicos**, abre el menú desplegable y selecciona hasta 3 modelos de base (hasta 2 JumpStart modelos y 1 modelo Amazon Bedrock) que te gustaría ajustar con precisión durante el trabajo de formación. Al afinar varios modelos fundacionales, puede comparar su rendimiento y, en última instancia, elegir el que mejor se adapte a su caso de uso como modelo predeterminado. Para obtener más información acerca de los modelos predeterminados, consulte [Visualización de los candidatos del modelo en la tabla de clasificación de modelos](canvas-evaluate-model-candidates.md).
1. En **Seleccionar columna de entrada**, seleccione la columna de datos de texto del conjunto de datos que contenga las peticiones del modelo de ejemplo.
1. En **Seleccionar columna de salida**, seleccione la columna de datos de texto del conjunto de datos que contenga las respuestas del modelo de ejemplo.
1. (Opcional) Para configurar los ajustes avanzados del trabajo de entrenamiento, elija **Configurar modelo**. Para obtener más información sobre los ajustes avanzados de creación de modelos, consulte [Configuraciones avanzadas de compilación de modelos](canvas-advanced-settings.md).
En la ventana emergente **Configurar modelo**, haga lo siguiente:
1. En **Hiperparámetros** puede ajustar **Recuento de épocas**, **Tamaño del lote**, **Tasa de aprendizaje** y **Pasos de calentamiento de la tasa de aprendizaje** para cada modelo que haya seleccionado. Para obtener más información sobre estos parámetros, consulte la sección [Hiperparámetros de la documentación](https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-fine-tune.html#jumpstart-hyperparameters). JumpStart
1. En **División de datos** puede especificar porcentajes sobre cómo dividir los datos entre el **Conjunto de entrenamiento** y el **Conjunto de validación**.
1. En **Tiempo máximo de ejecución del trabajo** puede establecer la cantidad máxima de tiempo durante el cual Canvas ejecuta el trabajo de compilación. Esta función solo está disponible para los modelos de JumpStart base.
1. Después de realizar la configuración, seleccione **Guardar**.
1. Seleccione **Ajustar** para empezar a entrenar los modelos fundacionales que ha seleccionado.
Cuando comience el trabajo de afinamiento, puede salir de la página. Cuando el modelo aparezca como **Listo** en la página **Mis modelos**, estará listo para su uso y podrá analizar el rendimiento del modelo fundacional afinado.
### Análisis del modelo fundacional afinado
En la pestaña **Analizar** del modelo fundacional afinado puede ver el rendimiento del modelo.
La pestaña **Descripción general** de esta página muestra las puntuaciones de perplejidad y pérdida, junto con análisis que permiten visualizar la mejora del modelo a lo largo del tiempo durante el entrenamiento. La siguiente captura de pantalla muestra la pestaña **Descripción general**.
![\[La pestaña Analizar de un modelo fundacional afinado en Canvas, que muestra las curvas de perplejidad y pérdida.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-fine-tune-analyze-2.png)
En esta página puede ver las siguientes visualizaciones:
+ La **Curva de perplejidad** mide si el modelo predice correctamente la siguiente palabra de una secuencia o si es gramatical la salida del modelo. Lo ideal es que, a medida que el modelo mejore durante el entrenamiento, la puntuación disminuya y genere una curva que disminuya y se aplane con el tiempo.
+ La **Curva de pérdida** cuantifica la diferencia entre la salida correcta y la salida predicha del modelo. Una curva de pérdida que disminuye y se aplana con el tiempo indica que el modelo está mejorando su capacidad para realizar predicciones precisas.
La pestaña **Métricas avanzadas** muestra los hiperparámetros y las métricas adicionales del modelo. Tiene un aspecto similar al de la captura de pantalla siguiente:
![\[Captura de pantalla de la pestaña Avanzadas métricas de un modelo fundacional afinado en Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-fine-tune-metrics.png)
La pestaña **Métricas avanzadas** contiene la siguiente información:
+ La sección **Explicabilidad** contiene los **Hiperparámetros**, que son los valores establecidos antes del trabajo para guiar el afinamiento del modelo. Si no ha especificado hiperparámetros personalizados en la configuración avanzada del modelo en la sección [Afinamiento del modelo](#canvas-fm-chat-fine-tune-procedure-model), Canvas selecciona hiperparámetros predeterminados.
Para JumpStart los modelos, también puede utilizar la métrica avanzada [ROUGE (Recall-Oriented Understudy for Gisting Evaluation)](https://en.wikipedia.org/wiki/ROUGE_(metric)), que evalúa la calidad de los resúmenes generados por el modelo. Mide si el modelo puede resumir correctamente los puntos principales de un pasaje.
+ La sección **Artefactos** proporciona enlaces a los artefactos generados durante el trabajo de afinamiento. Puede acceder a los datos de entrenamiento y validación guardados en Amazon S3, así como al enlace del informe de evaluación del modelo (para obtener más información, consulte el párrafo siguiente).
Para obtener más información sobre la evaluación del modelo, puede descargar un informe generado con [SageMaker Clarify](https://docs.aws.amazon.com/sagemaker/latest/dg/clarify-configure-processing-jobs.html), una función que puede ayudarle a detectar sesgos en el modelo y en los datos. En primer lugar, genere el informe seleccionando **Generar informe de evaluación** en la parte inferior de la página. Una vez generado el informe, puede descargar el informe completo seleccionando **Descargar el informe** o volviendo a la sección **Artefactos**.
También puede acceder a un cuaderno de Jupyter que muestra cómo replicar el trabajo de afinamiento en código Python. Puede usarlo para replicar o realizar cambios programáticos en el trabajo de afinamiento o para comprender mejor cómo afina Canvas el modelo. Para obtener más información sobre los cuadernos del modelo y cómo acceder a ellos, consulte [Descarga de un modelo de cuaderno](canvas-notebook.md).
Para obtener más información sobre cómo interpretar la información de la pestaña **Analizar** del modelo fundacional afinado, consulte el tema [Evaluación de modelos](canvas-evaluate-model.md).
Tras analizar las pestañas **Descripción general** y **Métricas avanzadas**, también puede abrir la **Tabla de clasificación de modelos**, que muestra la lista de los modelos fundacionales entrenados durante la compilación. El modelo con la puntuación de pérdida más baja se considera el modelo con mejor rendimiento y se selecciona como **Modelo predeterminado** y su análisis se ve en la pestaña **Analizar**. Solo puede probar e implementar el modelo predeterminado. Para obtener más información acerca de la tabla de clasificación de modelos y cómo cambiar el modelo predeterminado, consulte [Visualización de los candidatos del modelo en la tabla de clasificación de modelos](canvas-evaluate-model-candidates.md).
### Prueba de un modelo fundacional afinado en un chat
Después de analizar el rendimiento de un modelo fundacional afinado conviene probarlo o comparar sus respuestas con el modelo base. Puede probar un modelo fundacional afinado en un chat con la característica **Generar, extraer y resumir contenido**.
Inicie un chat con un modelo afinado eligiendo uno de los siguientes métodos:
+ En la pestaña **Analizar** del modelo ajustado, elija **Probar en modelos básicos Ready-to-use.**
+ En la página de **Ready-to-use modelos** de Canvas, elija **Generar, extraer y resumir contenido**. A continuación, elija **Nuevo chat** y seleccione la versión del modelo que desee probar.
El modelo se inicia en un chat y puede interactuar con él como con cualquier otro modelo fundacional. Puede añadir más modelos al chat y comparar sus resultados. Para obtener más información sobre la funcionalidad de los chats, consulte [Modelos básicos de IA generativa en Canvas SageMaker](canvas-fm-chat.md).
## Operacionalización de modelos fundacionales afinados
Después de afinar el modelo en Canvas, puede hacer lo siguiente:
+ Registre el modelo en el Registro de SageMaker modelos para integrarlo en MLOps los procesos de su organización. Para obtener más información, consulte [Registre una versión del modelo en el registro de modelos de IA SageMaker](canvas-register-model.md).
+ Implemente el modelo en un punto final de SageMaker IA y envíe solicitudes al modelo desde su aplicación o sitio web para obtener predicciones (o *inferencias*). Para obtener más información, consulte [Implementación de sus modelos en un punto de conexión](canvas-deploy-model.md).
**importante**
Solo puede registrar e implementar modelos de JumpStart base ajustados con precisión, no modelos basados en Amazon Bedrock.
# Ready-to-use modelos
Con Ready-to-use los modelos de Amazon SageMaker Canvas, puede realizar predicciones sobre sus datos sin escribir una sola línea de código ni tener que crear un modelo; todo lo que tiene que traer son sus datos. Los Ready-to-use modelos utilizan modelos prediseñados para generar predicciones sin que tenga que invertir el tiempo, la experiencia o el costo necesarios para crear un modelo, y puede elegir entre una variedad de casos de uso que van desde la detección del lenguaje hasta el análisis de gastos.
Canvas se integra con AWS los servicios existentes, como [Amazon Textract](https://docs.aws.amazon.com/textract/latest/dg/what-is.html), Amazon [Rekognition y Amazon](https://docs.aws.amazon.com/rekognition/latest/dg/what-is.html) [Comprehend, para analizar sus datos y](https://docs.aws.amazon.com/comprehend/latest/dg/what-is.html) realizar predicciones o extraer información. Puede utilizar el poder predictivo de estos servicios desde la aplicación de Canvas para obtener predicciones de alta calidad para sus datos.
Canvas admite los siguientes tipos de modelos: Ready-to-use
| Ready-to-use modelo | Description (Descripción) | Tipos de datos admitidos |
| --- | --- | --- |
| Análisis de opiniones | Detecta opiniones en líneas de texto, que pueden ser positivas, negativas, neutras o mixtas. En la actualidad, solo puede realizar análisis de opiniones para textos en inglés. | Texto sin formato o tabular (CSV, Parquet) |
| Extracción de entidades | Extraiga del texto entidades, que son objetos del mundo real, como personas, lugares y artículos comerciales, o unidades, como fechas y cantidades. | Texto sin formato o tabular (CSV, Parquet) |
| Detección de idioma | Determine el idioma dominante del texto, como el inglés, el francés o el alemán. | Texto sin formato o tabular (CSV, Parquet) |
| Detección de información personal | Detecte información personal que podría usarse para identificar a una persona, como direcciones, números de cuentas bancarias y números de teléfono, a partir del texto. | Texto sin formato o tabular (CSV, Parquet) |
| Detección de objetos en imágenes | Detecte objetos, conceptos, escenas y acciones en sus imágenes. | Imagen (JPG, PNG) |
| Detección de texto en imágenes | Detecte texto en sus imágenes: | Imagen (JPG, PNG) |
| Análisis de gastos | Extraiga información de las facturas y los recibos, como la fecha, el número, los precios de los artículos, el importe total y las condiciones de pago. | Documento (PDF, JPG, PNG, TIFF) |
| Análisis de documentos de identidad | Extraiga información de los pasaportes, licencias de conducir y otros documentos de identidad emitidos por el Gobierno de los EE. UU. | Documento (PDF, JPG, PNG, TIFF) |
| Análisis de documentos | Analice documentos y formularios para ver las relaciones entre el texto detectado. | Documento (PDF, JPG, PNG, TIFF) |
| Consultas de documentos | Extraiga información de documentos estructurados, como recibos de pago, extractos bancarios, formularios W-2 y formularios de solicitud de hipotecas mediante el planteamiento de preguntas en lenguaje natural. | Documento (PDF) |
## Introducción
Para empezar con Ready-to-use los modelos, revise la siguiente información.
**Requisitos previos**
Para usar Ready-to-use modelos en Canvas, debes activar los permisos de **configuración de Ready-to-use los modelos de Canvas** al [configurar tu dominio de Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites). La **configuración de Ready-to-use los modelos de Canvas** adjunta la política de [AmazonSageMakerCanvasAIServicesacceso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess) a la función de ejecución de su usuario de Canvas AWS Identity and Access Management (IAM). Si tiene algún problema con la concesión de permisos, consulte el tema [Solución de problemas relacionados con la concesión de permisos a través de la consola de SageMaker IA](canvas-limits.md#canvas-troubleshoot-trusted-services).
Si ya ha configurado un dominio, puede editar esa configuración y activar los permisos. Para obtener instrucciones sobre cómo editar la configuración del su dominio, consulte [Edit domain settings](https://docs.aws.amazon.com/sagemaker/latest/dg/domain-edit.html). Al editar la configuración de su dominio, vaya a la **configuración de Canvas** y active la **opción Habilitar Ready-to-use modelos de Canvas**.
**(Opcional) Exclusión del almacenamiento de datos de los servicios de IA**
Algunos servicios de AWS IA almacenan y utilizan tus datos para realizar mejoras en el servicio. Usted puede excluir el almacenamiento o el uso de su contenido para mejorar el servicio. Para obtener más información sobre cómo excluirse, consulte [Políticas de exclusión de servicios de IA](https://docs.aws.amazon.com/organizations/latest/userguide/orgs_manage_policies_ai-opt-out.html) en la *Guía del usuario de AWS Organizations *.
**¿Cómo usar Ready-to-use los modelos**
Para empezar con Ready-to-use los modelos, haga lo siguiente:
1. **(Opcional) Importe sus datos.** Puede importar un conjunto de datos tabular, de imágenes o de documentos para generar predicciones por lotes, o un conjunto de datos de predicciones, con Ready-to-use modelos. Para empezar a importar un conjunto de datos, consulte [Creación de un flujo de datos](canvas-data-flow.md).
1. **Genere predicciones.** Puede generar predicciones individuales o por lotes con el Ready-to-use modelo que elija. Para empezar a hacer predicciones, consulte [Predicciones para datos de texto](canvas-ready-to-use-predict-text.md).
# Predicciones para datos de texto
En los siguientes procedimientos se describe cómo hacer predicciones tanto individuales como por lotes para conjuntos de datos de texto. Cada Ready-to-use modelo admite **predicciones individuales y predicciones** **por lotes** para su conjunto de datos. Una **Predicción única** sirve cuando solo necesita hacer una predicción. Por ejemplo, si tiene una imagen de la que desea extraer texto o un párrafo de texto en el que desea detectar el idioma dominante. Una **Predicción por lotes** sirve cuando quiere hacer predicciones para un conjunto de datos completo. Por ejemplo, puede tener un archivo CSV con valoraciones de clientes en las que querría analizar la opinión general de los clientes, o puedes tener archivos de imágenes en los que querría detectar objetos.
Puede usar estos procedimientos para los siguientes tipos de Ready-to-use modelos: análisis de sentimientos, extracción de entidades, detección de lenguaje y detección de información personal.
**nota**
Para el análisis de opiniones, solo puede utilizar textos en el idioma inglés.
## Predicciones únicas
Para realizar una predicción única para Ready-to-use los modelos que aceptan datos de texto, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación Canvas, elija **eady-to-usemodelos R.**
1. En la página de **Ready-to-use modelos**, elija el Ready-to-use modelo para su caso de uso. En el caso de los datos de texto, debe ser una de las siguientes opciones: **análisis de opiniones**, **extracción de entidades**, **detección de idioma** o **detección de información personal**.
1. En la página **Ejecutar predicciones** del Ready-to-use modelo elegido, elija **Predicción única**.
1. En **Campo de texto**, introduzca el texto para el que quiera obtener una predicción.
1. Seleccione **Generar resultados de predicción** para obtener su predicción.
En **Resultados de la predicción** en el lado derecho verá un análisis del texto, además de una puntuación de **Confianza** para cada resultado o etiqueta. Por ejemplo, si elige la detección de idioma e introduce un fragmento de texto en francés, es posible que obtenga una puntuación de confianza del 95 % en francés y trazas de otros idiomas, como el inglés, con una puntuación de confianza del 5 %.
En la siguiente captura de pantalla se muestran los resultados de una sola predicción mediante la detección del idioma, en la que el modelo está al 100 % seguro de que el pasaje está en inglés.
![\[Captura de pantalla de los resultados de una sola predicción con el Ready-to-use modelo de detección del lenguaje.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-text-prediction.png)
## Predicciones por lotes
Para realizar predicciones por lotes para Ready-to-use los modelos que aceptan datos de texto, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación Canvas, elija **eady-to-usemodelos R.**
1. En la página de **Ready-to-use modelos**, elija el Ready-to-use modelo para su caso de uso. En el caso de los datos de texto, debe ser una de las siguientes opciones: **análisis de opiniones**, **extracción de entidades**, **detección de idioma** o **detección de información personal**.
1. En la página **Ejecutar predicciones** del Ready-to-use modelo elegido, elija **Predicción por lotes**.
1. Elija **Seleccionar conjunto de datos** si ya ha importado su conjunto de datos. Si no es así, seleccione **Importar un nuevo conjunto de datos** y, a continuación, se le guiará a lo largo del flujo de trabajo de importación de datos.
1. En la lista de conjuntos de datos disponibles, seleccione su conjunto de datos y elija **Generar predicciones** para obtener sus predicciones.
Cuando termine de ejecutarse el trabajo de predicción, en la página **Ejecutar predicciones**, verá un conjunto de datos de salida en la sección **Predicciones**. Este conjunto de datos contiene los resultados y, si selecciona el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puede obtener una **Vista previa** de los datos del resultado. A continuación, puede elegir **Descargar** para descargar los resultados.
# Predicciones para los datos de imágenes
En los siguientes procedimientos se describe cómo hacer predicciones tanto individuales como por lotes para conjuntos de datos de imágenes. Cada Ready-to-use modelo admite **predicciones individuales y predicciones** **por lotes** para su conjunto de datos. Una **Predicción única** sirve cuando solo necesita hacer una predicción. Por ejemplo, si tiene una imagen de la que desea extraer texto o un párrafo de texto en el que desea detectar el idioma dominante. Una **Predicción por lotes** sirve cuando quiere hacer predicciones para un conjunto de datos completo. Por ejemplo, puede tener un archivo CSV con valoraciones de clientes en las que querría analizar la opinión general de los clientes, o puedes tener archivos de imágenes en los que querría detectar objetos.
Puede utilizar estos procedimientos para los siguientes tipos de Ready-to-use modelos: imágenes de detección de objetos y detección de texto en imágenes.
## Predicciones únicas
Para realizar una predicción única para Ready-to-use los modelos que aceptan datos de imagen, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación Canvas, elija **eady-to-usemodelos R.**
1. En la página de **Ready-to-use modelos**, elija el Ready-to-use modelo para su caso de uso. En el caso de los datos de imágenes, debe ser una de las siguientes opciones: **Imágenes de detección de objetos** o **Detección de texto en imágenes**.
1. En la página **Ejecutar predicciones** del Ready-to-use modelo elegido, elija **Predicción única**.
1. Elija **Cargar imagen**.
1. Se le solicitará que seleccione una imagen para cargarla desde su equipo local. Seleccione la imagen de sus archivos locales y, a continuación, se generarán los resultados de la predicción.
En **Resultados de la predicción** en el lado derecho verá un análisis de la imagen, además de una puntuación de **Confianza** para cada objeto o texto detectados. Por ejemplo, si elige la detección de objetos en las imágenes, recibirá una lista de los objetos de la imagen junto con una puntuación de confianza que indica la certeza que tiene el modelo sobre que cada objeto se ha detectado con precisión, por ejemplo, un 93 %.
En la siguiente captura de pantalla se muestran los resultados de una sola predicción con la solución de detección de objetos en imágenes, en la que el modelo predice objetos como una torre de reloj o un autobús con un 100 % de confianza.
![\[Los resultados de una predicción única con la solución de detección de objetos en el Ready-to-use modelo de imágenes.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-image-prediction.png)
## Predicciones por lotes
Para realizar predicciones por lotes para Ready-to-use los modelos que aceptan datos de imagen, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación Canvas, elija **eady-to-usemodelos R.**
1. En la página de **Ready-to-use modelos**, elija el Ready-to-use modelo para su caso de uso. En el caso de los datos de imágenes, debe ser una de las siguientes opciones: **Imágenes de detección de objetos** o **Detección de texto en imágenes**.
1. En la página **Ejecutar predicciones** del Ready-to-use modelo elegido, elija **Predicción por lotes**.
1. Elija **Seleccionar conjunto de datos** si ya ha importado su conjunto de datos. Si no es así, seleccione **Importar un nuevo conjunto de datos** y, a continuación, se le guiará a lo largo del flujo de trabajo de importación de datos.
1. En la lista de conjuntos de datos disponibles, seleccione su conjunto de datos y elija **Generar predicciones** para obtener sus predicciones.
Cuando termine de ejecutarse el trabajo de predicción, en la página **Ejecutar predicciones**, verá un conjunto de datos de salida en la sección **Predicciones**. Este conjunto de datos contiene los resultados y, si selecciona el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puede seleccionar **Ver resultados de predicción** para ver una vista previa de los datos del resultado. A continuación, puede elegir **Descargar la predicción** y descargar los resultados en un archivo CSV o ZIP.
# Predicciones para datos de documentos
En los siguientes procedimientos se describe cómo hacer predicciones tanto individuales como por lotes para conjuntos de datos de documentos. Cada Ready-to-use modelo admite **predicciones individuales y predicciones** **por lotes** para su conjunto de datos. Una **Predicción única** sirve cuando solo necesita hacer una predicción. Por ejemplo, si tiene una imagen de la que desea extraer texto o un párrafo de texto en el que desea detectar el idioma dominante. Una **Predicción por lotes** sirve cuando quiere hacer predicciones para un conjunto de datos completo. Por ejemplo, puede tener un archivo CSV con valoraciones de clientes en las que querría analizar la opinión general de los clientes, o puedes tener archivos de imágenes en los que querría detectar objetos.
Puede utilizar estos procedimientos para los siguientes tipos de Ready-to-use modelos: análisis de gastos, análisis de documentos de identidad y análisis de documentos.
**nota**
Para las consultas de documentos, actualmente solo se admiten predicciones únicas.
## Predicciones únicas
Para realizar una predicción única para Ready-to-use los modelos que aceptan datos de documentos, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación Canvas, elija **eady-to-usemodelos R.**
1. En la página de **Ready-to-use modelos**, elija el Ready-to-use modelo para su caso de uso. En el caso de los datos de documentos, debe ser uno de los siguientes: **análisis de gastos**, **análisis de documentos de identidad** o **análisis de documentos**.
1. En la página **Ejecutar predicciones** del Ready-to-use modelo elegido, elija **Predicción única**.
1. Si su Ready-to-use modelo es un análisis de documentos de identidad o un análisis de documentos, complete las siguientes acciones. Si está realizando un análisis de gastos o consultas de documentos, omita este paso y vaya al paso 5 o al paso 6, respectivamente.
1. Seleccione **Cargar documento**.
1. Se le solicitará que cargue un archivo PDF, JPG o PNG desde su equipo local. Seleccione el documento de sus archivos locales y, a continuación, se generarán los resultados de la predicción.
1. Si su Ready-to-use modelo es un análisis de gastos, haga lo siguiente:
1. Seleccione **Cargar factura o recibo.**
1. Se le solicitará que cargue un archivo PDF, JPG, PNG o TIFF desde su equipo local. Seleccione el documento de sus archivos locales y, a continuación, se generarán los resultados de la predicción.
1. Si su Ready-to-use modelo consiste en consultas de documentos, haga lo siguiente:
1. Seleccione **Cargar documento**.
1. Se le solicitará que cargue un archivo PDF desde su equipo local. Seleccione el documento de sus archivos locales. El PDF debe tener entre 1 y 100 páginas.
**nota**
Si se encuentra en las regiones Asia-Pacífico (Seúl), Asia-Pacífico (Singapur), Asia-Pacífico (Sídney) o Europa (Fráncfort), el tamaño máximo del PDF para las consultas de documentos es de 20 páginas.
1. En el panel lateral derecho, introduzca consultas para buscar información en el documento. El número de caracteres que puede tener una sola consulta es de 1 a 200. Puede agregar hasta 15 consultas a la vez.
1. Seleccione **Enviar consultas** y, a continuación, se generarán los resultados con las respuestas a sus consultas. Se le facturará una vez por cada envío de consultas que realice.
En el panel derecho, en **Resultados de la predicción**, recibirá un análisis de su documento.
La siguiente información describe los resultados de cada tipo de solución:
+ Para el análisis de gastos, los resultados se clasifican en **Campos de resumen**, que incluyen campos como el total de un recibo, y **Campos de partidas**, que incluyen campos como los elementos individuales de un recibo. Los campos identificados aparecen resaltados en la imagen del documento en el resultado.
+ Para el análisis de los documentos de identidad, el resultado muestra los campos que identificó el Ready-to-use modelo, como el nombre y apellidos, la dirección o la fecha de nacimiento. Los campos identificados aparecen resaltados en la imagen del documento en el resultado.
+ Para el análisis de documentos, los resultados se clasifican en **texto sin formato**, **formularios**, **tablas** y **firmas**. El **texto sin formato** incluye todo el texto extraído, mientras que los **formularios**, las **tablas** y las **firmas** solo incluyen la información del formulario que pertenezca a esas categorías. Por ejemplo, las **tablas** solo incluyen la información extraída de las tablas del documento. Los campos identificados aparecen resaltados en la imagen del documento en el resultado.
+ Para las consultas de documentos, Canvas devuelve las respuestas a cada una de sus consultas. Puede abrir el menú desplegable de consultas para ver un resultado, junto con la puntuación de confianza de la predicción. Si Canvas encuentra varias respuestas en el documento, es posible que aparezca más de un resultado para cada consulta.
La siguiente captura de pantalla muestra los resultados de una sola predicción utilizando la solución de análisis de documentos.
![\[Captura de pantalla de los resultados de una sola predicción con el Ready-to-use modelo de análisis de documentos.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-ready-to-use/ai-solutions-document-analysis.png)
## Predicciones por lotes
Para realizar predicciones por lotes para Ready-to-use los modelos que aceptan datos de documentos, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación Canvas, elija **eady-to-usemodelos R.**
1. En la página de **Ready-to-use modelos**, elija el Ready-to-use modelo para su caso de uso. En el caso de los datos de imágenes, debe ser uno de los siguientes: **análisis de gastos**, **análisis de documentos de identidad** o **análisis de documentos**.
1. En la página **Ejecutar predicciones** del Ready-to-use modelo elegido, elija **Predicción por lotes**.
1. Elija **Seleccionar conjunto de datos** si ya ha importado su conjunto de datos. Si no es así, seleccione **Importar un nuevo conjunto de datos** y, a continuación, se le guiará a lo largo del flujo de trabajo de importación de datos.
1. En la lista de conjuntos de datos disponibles, seleccione su conjunto de datos y elija **Generar predicciones**. Si su caso de uso es el análisis de documentos, continúe con el paso 6.
1. (Opcional) Si su caso de uso es el análisis de documentos, aparecerá otro cuadro de diálogo denominado **Seleccione las características que desee incluir en la predicción por lotes**. Puede seleccionar **formularios**, **tablas** y **firmas** para agrupar los resultados por esas características. A continuación, elija **Generar predicciones**.
Cuando termine de ejecutarse el trabajo de predicción, en la página **Ejecutar predicciones**, verá un conjunto de datos de salida en la sección **Predicciones**. Este conjunto de datos contiene los resultados y, si selecciona el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puede seleccionar **Ver resultados de predicción** para ver una vista previa de los datos del análisis de su documento.
La siguiente información describe los resultados de cada tipo de solución:
+ Para el análisis de gastos, los resultados se clasifican en **Campos de resumen**, que incluyen campos como el total de un recibo, y **Campos de partidas**, que incluyen campos como los elementos individuales de un recibo. Los campos identificados aparecen resaltados en la imagen del documento en el resultado.
+ Para el análisis de los documentos de identidad, la salida muestra los campos que identificó el Ready-to-use modelo, como el nombre y apellidos, la dirección o la fecha de nacimiento. Los campos identificados aparecen resaltados en la imagen del documento en el resultado.
+ Para el análisis de documentos, los resultados se clasifican en **texto sin formato**, **formularios**, **tablas** y **firmas**. El **texto sin formato** incluye todo el texto extraído, mientras que los **formularios**, las **tablas** y las **firmas** solo incluyen la información del formulario que pertenezca a esas categorías. Por ejemplo, las **tablas** solo incluyen la información extraída de las tablas del documento. Los campos identificados aparecen resaltados en la imagen del documento en el resultado.
Tras obtener una vista previa de los resultados, puede seleccionar **Descargar la predicción** y descargar los resultados como un archivo ZIP.
# Modelos personalizados
En Amazon SageMaker Canvas, puede entrenar modelos de aprendizaje automático personalizados que se adapten a sus datos y casos de uso específicos. Al entrenar un modelo personalizado con sus datos, puede capturar las características y tendencias que son específicas y más representativas de sus datos. Por ejemplo, es posible que desee crear un modelo de previsión de series temporales personalizado que se entrene con los datos de inventario de su almacén para administrar sus operaciones logísticas.
Canvas admite el entrenamiento de diversos tipos de modelos. Después de entrenar un modelo personalizado, puede evaluar el rendimiento y la exactitud del modelo. Una vez satisfecho con un modelo, puede hacer predicciones a partir de nuevos datos y también tiene la opción de compartir el modelo personalizado con los científicos de datos para analizarlo más a fondo o de implementarlo en un punto final alojado por SageMaker IA para realizar inferencias en tiempo real, todo ello desde la aplicación Canvas.
Puede entrenar un modelo personalizado de Canvas con los siguientes tipos de conjuntos de datos:
+ Tabular (incluye datos numéricos, categóricos, de series temporales y de texto)
+ Image
La siguiente tabla muestra los tipos de modelos personalizados que puede crear en Canvas, junto con los tipos de datos y los orígenes de datos compatibles.
| Tipo de modelo | Ejemplo de caso de uso | Tipos de datos compatibles | Orígenes de datos admitidos |
| --- | --- | --- | --- |
| Predicción numérica | Predicción de los precios de la vivienda en función de características como la superficie | Numérico | Carga local, Amazon S3, conectores de SaaS |
| Predicción de 2 categorías | Predecir si es probable que un cliente deje de confiar en su marca o no | Binario o categórico | Carga local, Amazon S3, conectores de SaaS |
| Predicción de 3 y más categorías | Predicción de los resultados de los pacientes tras ser dados de alta del hospital | Categórico | Carga local, Amazon S3, conectores de SaaS |
| Previsión de serie temporal | Predicción de su inventario para el próximo trimestre | Serie temporal | Carga local, Amazon S3, conectores de SaaS |
| Predicción de imágenes de etiqueta única | Predicción de los tipos de defectos de fabricación en imágenes | Imagen (JPG, PNG) | Carga local, Amazon S3 |
| Predicción de texto multicategoría | Predicción de categorías de productos, como ropa, artículos electrónicos o artículos para el hogar, en función de las descripciones de los productos | Columna de origen: texto Columna de destino: binaria o categórica | Carga local, Amazon S3 |
**Introducción**
Para empezar a crear y generar predicciones a partir de un modelo personalizado, haga lo siguiente:
+ Determine su caso de uso y el tipo de modelo que quiera crear. Para obtener más información acerca de los tipos de modelos personalizados, consulte [Cómo funcionan los modelos personalizados](canvas-build-model.md). Para obtener más información sobre los tipos de datos y orígenes compatibles con los modelos personalizados, consulte [Importación de datos](canvas-importing-data.md).
+ [Importe sus datos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-importing-data.html) a Canvas. Puede crear un modelo personalizado con cualquier conjunto de datos tabular o de imágenes que cumpla con los requisitos de entrada. Para obtener más información acerca de los requisitos de entrada, consulte [Creación de un conjunto de datos](canvas-import-dataset.md).
Para obtener más información sobre los conjuntos de datos de muestra proporcionados por la SageMaker IA con los que puede experimentar, consulte. [Conjuntos de datos de ejemplo en Canvas](canvas-sample-datasets.md)
+ [Cree](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) de su modelo personalizado. Puede realizar una **Compilación rápida** para obtener su modelo y empezar a hacer predicciones con mayor rapidez, o puede realizar una **Compilación estándar** para obtener una mayor precisión.
Para los tipos de modelos de previsión numéricos, categóricos y de series temporales, puede limpiar y preparar los datos con la [característica Data Wrangler](canvas-data-prep.md). En Data Wrangler, puede crear un flujo de datos y utilizar diversas técnicas de preparación de datos, como aplicar transformaciones avanzadas o unir conjuntos de datos. En el caso de los modelos de predicción de imágenes, puede [Edición de un conjunto de datos de imágenes](canvas-edit-image.md) para actualizar las etiquetas o agregar y eliminar imágenes. Tenga en cuenta que no puede utilizar estas características para modelos de predicción de texto de varias categorías.
+ [Evalúe el rendimiento del modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html) y determine en qué medida podría funcionar con datos del mundo real.
+ [Realice predicciones únicas o por lotes](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-make-predictions.html) con su modelo.
# Cómo funcionan los modelos personalizados
Utilice Amazon SageMaker Canvas para crear un modelo personalizado en el conjunto de datos que ha importado. Utilice el modelo que ha creado para hacer predicciones a partir de nuevos datos. SageMaker Canvas usa la información del conjunto de datos para crear hasta 250 modelos y elegir el que tenga el mejor rendimiento.
Al empezar a crear un modelo, Canvas recomienda automáticamente uno o más *tipos de modelos*. Los tipos de modelos se dividen en las siguientes categorías:
+ **Predicción numérica**: esto se conoce como *regresión* en el machine learning. Utilice el tipo de modelo de predicción numérica cuando desee realizar predicciones para datos numéricos. Por ejemplo, es posible que desee predecir el precio de las casas en función de características como la superficie de la casa.
+ **Predicción categórica**: esto se conoce como *clasificación* en el machine learning. Cuando desee clasificar los datos en grupos, utilice los tipos de modelos de predicción categórica:
+ **Predicción de 2 categorías**: utilice el tipo de modelo de predicción de 2 categorías (también conocido como *clasificación binaria* en el machine learning) cuando tenga dos categorías que desee predecir para sus datos. Por ejemplo, es posible que desee determinar si es probable que un cliente se dé de baja.
+ **Predicción de 3 categorías o más**: utilice el tipo de modelo de predicción de 3 categorías o más (también conocido como *clasificación multiclase* en el machine learning) cuando desee predecir tres o más categorías a partir de sus datos. Por ejemplo, es posible que desee predecir el estado del préstamo de un cliente en función de características como los pagos anteriores.
+ **Previsión de series temporales**: utilice previsiones de series temporales cuando desee realizar predicciones durante un período de tiempo. Por ejemplo, es posible que desee predecir la cantidad de artículos que venderá en el próximo trimestre. Para obtener información sobre las previsiones de series temporales, consulte [Pronósticos de series temporales en Amazon SageMaker Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-time-series.html).
+ **Predicción de imágenes**: utilice el tipo de modelo de predicción de imágenes de etiqueta única (también conocido como *clasificación de imágenes de etiqueta única* en el machine learning) cuando desee asignar etiquetas a las imágenes. Por ejemplo, es posible que desee clasificar diferentes tipos de defectos de fabricación en las imágenes de su producto.
+ **Predicción de texto**: utilice el tipo de modelo de predicción de texto multicategoría (también conocido como *clasificación de texto multiclase* en el machine learning) cuando desee asignar etiquetas a pasajes de texto. Por ejemplo, es posible que tenga un conjunto de datos de reseñas de clientes sobre un producto y quiera determinar si a los clientes les gustó o no el producto. Puede hacer que su modelo prediga si un pasaje de texto determinado es `Positive`, `Negative` o `Neutral`.
Para ver una tabla de los tipos de datos de entrada admitidos para cada tipo de modelo, consulte [Modelos personalizados](canvas-custom-models.md).
Para cada modelo de datos tabulares que cree (que incluye modelos numéricos, categóricos, de previsión de series temporales y de predicción de texto), debe elegir la **Columna de destino**. La **Columna de destino** es la columna que contiene la información que quiera predecir. Por ejemplo, si está creando un modelo para predecir si las personas han cancelado sus suscripciones, la **Columna de destino** contiene puntos de datos que indican `yes` o `no` en relación con el estado de cancelación de una persona.
En el caso de los modelos de predicción de imágenes, se crea el modelo con un conjunto de datos de imágenes a las que se les han asignado etiquetas. Para las imágenes sin etiquetas que proporcione, el modelo predice una etiqueta. Por ejemplo, si está creando un modelo para predecir si una imagen es de un gato o un perro, debe proporcionar imágenes etiquetadas como gatos o perros al crear el modelo. A continuación, el modelo puede aceptar imágenes sin etiquetar y predecirlas como gatos o perros.
**Qué ocurre cuando se crea un modelo**
Para crear su modelo, puede elegir entre una **compilación rápida** o una **compilación estándar**. La **compilación rápida** tiene un tiempo de compilación más corto, pero la **compilación estándar** generalmente tiene una precisión mayor.
Para los modelos de previsión tabulares y de series temporales, Canvas utiliza *reducción del muestreo* para reducir el tamaño de los conjuntos de datos de más de 5 GB o 30 GB, respectivamente. Canvas reduce el muestreo con el método de muestreo estratificado. La siguiente tabla presenta el tamaño de la muestra reducida por tipo de modelo. Para controlar el proceso de muestreo, puede utilizar Data Wrangler en Canvas para muestrear utilizando la técnica de muestreo que prefiera. En el caso de los datos de series temporales, puede volver a muestrear para agregar puntos de datos. Para obtener más información sobre el muestreo, consulte [Muestreo](canvas-transform.md#canvas-transform-sampling). Para obtener más información sobre el remuestreo de datos de series temporales, consulte [Remuestreo de datos de series temporales](canvas-transform.md#canvas-resample-time-series).
Si realiza una **Compilación rápida** a partir de un conjunto de datos con más de 50 000 filas, Canvas muestreará los datos hasta 50 000 filas para reducir el tiempo de entrenamiento del modelo.
La siguiente tabla resume las características clave del proceso de compilación de modelos, incluidos los tiempos de compilación medios de cada modelo y tipo de compilación, el tamaño de la muestra reducida al compilar modelos con conjuntos de datos de gran tamaño y la cantidad mínima y máxima de puntos de datos que debe tener para cada tipo de compilación.
| Límite | Predicción numérica y categórica | Previsión de serie temporal | Predicción de imágenes | Predicción de texto |
| --- | --- | --- | --- | --- |
| Tiempo de **compilación rápida** | De 2 a 20 minutos | De 2 a 20 minutos | De 3 a 15 minutos | De 3 a 15 minutos |
| Tiempo de **compilación estándar** | De 2 a 4 horas | De 2 a 4 horas | De 2 a 5 horas | De 2 a 5 horas |
| Tamaño de la muestra reducida (tamaño de un conjunto de datos grande después de que Canvas reduzca la muestra) | 5 GB | 30 GB | N/A | N/A |
| Número mínimo de entradas (filas) para **compilaciones rápidas** | 2 categorías: 500 filas Más de 3 categorías, numéricos, serie temporal: N/A | N/A | N/A | N/A |
| Número mínimo de entradas (filas, imágenes o documentos) para las **compilaciones estándares** | 250 | 50 | 50 | N/A |
| Número máximo de entradas (filas, imágenes o documentos) para las **compilaciones rápidas** | N/A | N/A | 5000 | 7500 |
| Número máximo de entradas (filas, imágenes o documentos) para las **compilaciones estándares** | N/A | 150.000 | 180,000 | N/A |
| Número máximo de columnas. | 1 000 | 1 000 | N/A | N/A |
Canvas predice los valores utilizando la información del resto del conjunto de datos, según el tipo de modelo:
+ Para la predicción categórica, Canvas coloca cada fila en una de las categorías enumeradas en la **Columna de destino**.
+ Para la predicción numérica, Canvas utiliza la información del conjunto de datos para predecir los valores numéricos de la **Columna de destino**.
+ Para la previsión de series temporales, Canvas utiliza datos históricos para predecir los valores de la **Columna de destino** en el futuro.
+ Para la predicción de imágenes, Canvas utiliza imágenes a las que se les han asignado etiquetas para predecir las etiquetas de las imágenes sin etiquetar.
+ Para la predicción de texto, Canvas analiza los datos de texto a los que se les han asignado etiquetas para predecir las etiquetas de los pasajes de texto sin etiquetar.
**Características adicionales que le ayudarán a crear su modelo**
Antes de compilar el modelo, puede usar Data Wrangler en Canvas para preparar los datos con más de 300 transformaciones y operadores integrados. Data Wrangler admite transformaciones para conjuntos de datos tabulares y de imágenes. Además, puede conectarse a orígenes de datos fuera de Canvas, crear trabajos para aplicar transformaciones a todo el conjunto de datos y exportar datos completamente preparados y limpios para usarlos en flujos de trabajo de ML fuera de Canvas. Para obtener más información, consulte [Preparación de datos](canvas-data-prep.md).
Para ver visualizaciones y análisis a fin de explorar los datos y determinar qué características se incluyen en el modelo, puede utilizar los análisis integrados de Data Wrangler. También puede acceder a un **informe de información y calidad de los datos** que destaca los posibles problemas del conjunto de datos y proporciona recomendaciones sobre cómo solucionarlos. Para obtener más información, consulte [Realización de análisis de datos exploratorio (EDA)](canvas-analyses.md).
Además de la funcionalidad más avanzada de preparación y exploración de datos que ofrece Data Wrangler, Canvas ofrece características básicas que puede utilizar:
+ Para filtrar los datos y acceder a un conjunto de transformaciones de datos básicas, consulte [Preparación de datos para la creación de modelos](canvas-prepare-data.md).
+ Para acceder a visualizaciones y análisis sencillos para explorar características, consulte [Exploración y análisis de datos](canvas-explore-data.md).
+ Para obtener más información sobre características adicionales, como la vista previa del modelo, la validación del conjunto de datos y el cambio del tamaño de la muestra aleatoria utilizada para crear el modelo, consulte [Vista previa del modelo](canvas-preview-model.md).
En el caso de los conjuntos de datos tabulares con varias columnas (como los conjuntos de datos para crear tipos de modelos de previsión categóricos, numéricos o de series temporales), es posible que tenga filas en las que falten puntos de datos. Mientras Canvas crea el modelo, agrega automáticamente los valores faltantes. Canvas usa los valores de su conjunto de datos para realizar una aproximación matemática de los valores faltantes. Para obtener la máxima precisión del modelo, le recomendamos agregar los datos que faltan si puede encontrarlos. Tenga en cuenta que la característica de datos faltantes no es compatible con los modelos de predicción de texto o de imagen.
**Introducción**
Para empezar a compilar un modelo personalizado, consulte [Creación de un modelo](canvas-build-model-how-to.md) y siga el procedimiento correspondiente al tipo de modelo que desee crear.
# Vista previa del modelo
**nota**
La siguiente funcionalidad solo está disponible para los modelos personalizados creados con conjuntos de datos tabulares. También se excluyen los modelos de predicción de texto de varias categorías.
SageMaker Canvas le proporciona una herramienta para previsualizar el modelo antes de empezar a construir. Proporciona una puntuación de exactitud estimada y también brinda una idea preliminar de cómo podría afectar cada columna al modelo.
Para obtener una vista previa de la puntuación del modelo, cuando esté en la pestaña **Compilar** del modelo, elija **Vista previa del modelo**.
La vista previa del modelo genera una predicción de **Exactitud estimada** de la eficacia con la que el modelo podría analizar los datos. La precisión de una **Compilación rápida** o una **Compilación estándar** representa el rendimiento del modelo con datos reales y, por lo general, es superior a la **Precisión estimada**.
La vista previa del modelo también proporciona puntuaciones de **Impacto de columnas**, que pueden indicar la importancia de cada columna en las predicciones del modelo.
La siguiente captura de pantalla muestra una vista previa del modelo en la aplicación de Canvas.
![\[Captura de pantalla de la pestaña Compilación de un modelo en Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-build/canvas-build-preview-model.png)
Amazon SageMaker Canvas gestiona automáticamente los valores que faltan en el conjunto de datos mientras crea el modelo. Infiere los valores faltantes mediante el uso de valores adyacentes que están presentes en el conjunto de datos.
Si está satisfecho con la vista previa del modelo y desea continuar con la compilación de un modelo, consulte [Creación de un modelo](canvas-build-model-how-to.md).
# Validación de datos
Antes de crear el modelo, SageMaker Canvas comprueba el conjunto de datos para detectar problemas que puedan provocar un error en la compilación. Si SageMaker Canvas encuentra algún problema, te avisará en la página de **compilación** antes de que intentes crear un modelo.
Puede elegir **Validar datos** para ver una lista de los problemas de su conjunto de datos. Luego, puede usar las [funciones de preparación de datos de SageMaker Canvas Data Wrangler](canvas-data-prep.md), o sus propias herramientas, para corregir su conjunto de datos antes de comenzar una compilación. Si no soluciona los problemas del conjunto de datos, la compilación fallará.
Si realiza cambios en su conjunto de datos para solucionar los problemas, tendrá la opción de volver a validarlo antes de intentar compilarlo. Se recomienda volver a validar el conjunto de datos antes de compilarlo.
La siguiente tabla muestra los problemas que SageMaker Canvas comprueba en tu conjunto de datos y cómo resolverlos.
| Problema | Resolución |
| --- | --- |
| El tipo de modelo de sus datos es incorrecto | Pruebe con otro tipo de modelo o utilice un conjunto de datos diferente. |
| Faltan valores en la columna de destino | Reemplace los valores faltantes, elimine filas con valores faltantes o use un conjunto de datos diferente. |
| Hay demasiadas etiquetas únicas en la columna de destino | Compruebe que ha utilizado la columna correcta para la columna de destino o utilice un conjunto de datos diferente. |
| Hay demasiados valores no numéricos en la columna de destino | Elija una columna de destino diferente, seleccione otro tipo de modelo o utilice un conjunto de datos diferente. |
| Uno o más nombres de columnas contienen guiones bajos dobles | Cambie el nombre de las columnas para eliminar los guiones bajos dobles e inténtelo de nuevo. |
| Ninguna de las filas del conjunto de datos está completa | Reemplace los valores faltantes o use un conjunto de datos diferente. |
| Demasiadas etiquetas únicas para el número de filas de los datos | Compruebe que esté usando la columna de destino correcta, aumente el número de filas de su conjunto de datos, consolide etiquetas similares o use un conjunto de datos diferente. |
# Muestra aleatoria
SageMaker Canvas utiliza el método de muestreo aleatorio para muestrear su conjunto de datos. El método de muestreo aleatorio significa que cada fila tiene la misma probabilidad de ser seleccionada para la muestra. Puede elegir una columna en la vista previa para obtener un resumen de las estadísticas de la muestra aleatoria, como la media y la moda.
De forma predeterminada, SageMaker Canvas usa un tamaño de muestra aleatorio de 20 000 filas de su conjunto de datos para conjuntos de datos con más de 20 000 filas. Para conjuntos de datos de menos de 20 000 filas, el tamaño de muestra predeterminado es el número de filas del conjunto de datos. Puede aumentar o disminuir el tamaño de la muestra seleccionando **Muestra aleatoria** en la pestaña **Crear** de la aplicación SageMaker Canvas. Puede utilizar el control deslizante para seleccionar el tamaño de muestra que desee y, a continuación, seleccionar **Actualizar** para cambiar el tamaño de la muestra. El tamaño máximo de muestra que puede elegir para un conjunto de datos es de 40 000 filas y el tamaño mínimo de muestra es de 500 filas. Si elige un tamaño de muestra grande, es posible que la vista previa del conjunto de datos y las estadísticas del resumen tarden unos minutos en volver a cargarse.
La página de **Compilación** muestra una vista previa de 100 filas del conjunto de datos. Si el tamaño de la muestra es del mismo tamaño que el conjunto de datos, la vista previa utiliza las 100 primeras filas del conjunto de datos. De lo contrario, la vista previa usa las 100 primeras filas de la muestra aleatoria.
# Creación de un modelo
En las secciones siguientes se muestra cómo crear un modelo para cada uno de los principales tipos de modelos personalizados.
+ Para crear modelos de predicción numérica, predicción de 2 categorías o de 3 categorías o más, consulte [Creación de un modelo de predicción numérica o categórica personalizado](#canvas-build-model-numeric-categorical).
+ Para crear modelos de predicción de imágenes de etiqueta única, consulte [Creación de un modelo de predicción de imágenes personalizado](#canvas-build-model-image).
+ Para crear modelos de predicción de texto de varias categorías, consulte [Creación de un modelo de predicción de texto personalizado](#canvas-build-model-text).
+ Para crear modelos de previsión de series temporales, consulte [Compilación de un modelo de previsión de series temporales](#canvas-build-model-forecasting).
**nota**
Si encuentra un error durante el análisis posterior a la creación que le indique que debe aumentar la cuota de instancias `ml.m5.2xlarge`, consulte [Solicitar un aumento de cuota](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-requesting-quota-increases.html).
## Creación de un modelo de predicción numérica o categórica personalizado
Los modelos de predicción numérica y categórica admiten **compilaciones rápidas** y **compilaciones estándar**.
Para crear un modelo de predicción numérica o categórica, utilice el siguiente procedimiento:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. Elija **Nuevo modelo**.
1. En el cuadro de diálogo **Crear nuevo modelo** haga lo siguiente:
1. Escriba un nombre en el campo **Nombre de modelo**.
1. Seleccione el tipo de problema de **Análisis predictivo**.
1. Seleccione **Crear**.
1. En **Seleccionar conjunto de datos**, seleccione su conjunto de datos de la lista de conjuntos de datos. Si aún no ha importado sus datos, elija **Importar** para seguir el flujo de trabajo de importación de datos.
1. Cuando tenga todo listo para comenzar a crear el modelo, elija **Seleccionar conjunto de datos**.
1. En la pestaña **Compilación**, en la lista desplegable de la **Columna de destino**, seleccione el objetivo del modelo que desee predecir.
1. En **Tipo de modelo**, Canvas detecta automáticamente el tipo de problema. Si desea cambiar el tipo o establecer ajustes avanzados del modelo, elija **Configurar modelo**.
Cuando se abra el cuadro de diálogo **Configurar modelo**, haga lo siguiente:
1. En **Tipo de modelo**, elija el tipo de modelo que desee crear.
1. Después de elegir el tipo de modelo, hay una **Configuración avanzada** adicional. Para obtener más información sobre cada uno de los ajustes avanzados, consulte [Configuraciones avanzadas de compilación de modelos](canvas-advanced-settings.md). Para realizar la configuración avanzada, haga lo siguiente:
1. (Opcional) En el menú desplegable **Métrica objetiva**, seleccione la métrica que desee que Canvas optimice al crear su modelo. Si no selecciona una métrica, Canvas elegirá una por defecto. Para ver descripciones de métricas disponibles, consulte [Referencia de métricas](canvas-metrics.md).
1. En **Método de entrenamiento**, elija el modo de optimización **Automático**, **Ensamblaje** u **Optimización de hiperparámetros (HPO)**.
1. En **Algoritmos**, seleccione los algoritmos que desee incluir en la compilación de candidatos del modelo.
1. En **División de datos** especifique porcentajes sobre cómo dividir los datos entre el **Conjunto de entrenamiento** y el **Conjunto de validación**. El conjunto de entrenamiento se usa para compilar el modelo, mientras que el conjunto de validación se usa para probar la exactitud de los candidatos del modelo.
1. En **Máximo de candidatos y tiempo de ejecución**, haga lo siguiente:
1. Establezca el valor **Máximo de candidatos** o el número máximo de candidatos del modelo que Canvas puede generar. Tenga en cuenta que **Máximo de candidatos** solo está disponible en el modo HPO.
1. Establezca los valores de horas y minutos en **Tiempo de ejecución máximo de trabajos** o la cantidad máxima de tiempo que Canvas puede dedicar a compilar el modelo. Transcurrido el tiempo máximo, Canvas deja de compilar y selecciona el mejor candidato del modelo.
1. Después de realizar la configuración avanzada, seleccione **Guardar**.
1. Seleccione o deseleccione las columnas de sus datos para incluirlas o eliminarlas de la compilación.
**nota**
Si realiza predicciones por lotes con su modelo después de crearlo, Canvas agrega columnas eliminadas a los resultados de sus predicciones. Sin embargo, Canvas no agrega las columnas eliminadas a sus predicciones por lotes para los modelos de series temporales.
1. (Opcional) Utilice las herramientas de visualización y análisis que proporciona Canvas para visualizar sus datos y determinar qué características podría querer incluir en su modelo. Para obtener información, consulte [Exploración y análisis de sus datos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html).
1. (Opcional) Utilice las transformaciones de datos para limpiar, transformar y preparar los datos para la creación de modelos. Para obtener más información, consulte [Preparación de los datos con transformaciones avanzadas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html). Para ver y eliminar las transformaciones, seleccione **Receta de modelo** para abrir el panel lateral **Receta de modelo**.
1. (Opcional) Para ver características adicionales, como obtener una vista previa de la precisión del modelo, validar el conjunto de datos y cambiar el tamaño de la muestra aleatoria que Canvas toma del conjunto de datos, consulte [Vista previa del modelo](canvas-preview-model.md).
1. Tras revisar los datos y realizar cualquier cambio en el conjunto de datos, elija **Compilación rápida** o **Compilación estándar** para empezar a crear el modelo. La siguiente captura de pantalla muestra la página de **Compilación** y las opciones de **compilación rápida** y **compilación estándar**.
![\[La página de Compilación de un modelo de 2 categorías que muestra las opciones de construcción rápida y construcción estándar.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/build-page-tabular-quick-standard-options.png)
Cuando el modelo comience la compilación, puede salir de la página. Cuando el modelo aparezca como **Listo** en la página **Mis modelos**, estará listo para el análisis y las predicciones.
## Creación de un modelo de predicción de imágenes personalizado
Los modelos de predicción de imágenes de etiqueta única admiten **compilaciones rápidas** y **compilaciones estándar**.
Para crear un modelo de predicción de imágenes de etiqueta única, utilice el siguiente procedimiento:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. Elija **Nuevo modelo**.
1. En el cuadro de diálogo **Crear nuevo modelo** haga lo siguiente:
1. Escriba un nombre en el campo **Nombre de modelo**.
1. Seleccione el tipo de problema de **Análisis de imágenes**.
1. Seleccione **Crear**.
1. En **Seleccionar conjunto de datos**, seleccione su conjunto de datos de la lista de conjuntos de datos. Si aún no ha importado sus datos, elija **Importar** para seguir el flujo de trabajo de importación de datos.
1. Cuando tenga todo listo para comenzar a crear el modelo, elija **Seleccionar conjunto de datos**.
1. En la pestaña **Crear**, verá la **Distribución de etiquetas** de las imágenes de su conjunto de datos. El **Tipo de modelo** está configurado como **Predicción de imágenes de etiqueta única**.
1. En esta página, puede obtener una vista previa de las imágenes y editar el conjunto de datos. Si tiene alguna imagen sin etiquetar, seleccione **Editar conjunto de datos** y [Asignación de etiquetas a las imágenes sin etiquetar](canvas-edit-image.md#canvas-edit-image-assign). También puede realizar otras tareas al mismo tiempo que realiza la acción [Edición de un conjunto de datos de imágenes](canvas-edit-image.md), como cambiar el nombre de las etiquetas y agregar imágenes al conjunto de datos.
1. Tras revisar los datos y realizar cualquier cambio en el conjunto de datos, elija **Compilación rápida** o **Compilación estándar** para empezar a crear el modelo. La siguiente captura de pantalla muestra la página de **Compilación** de un modelo de predicción de imágenes que está listo para ser creado.
![\[La página de Compilación de un modelo de predicción de imágenes de etiqueta única.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/build-page-image-model.png)
Cuando el modelo comience la compilación, puede salir de la página. Cuando el modelo aparezca como **Listo** en la página **Mis modelos**, estará listo para el análisis y las predicciones.
## Creación de un modelo de predicción de texto personalizado
Los modelos de predicción de texto multicategoría admiten **compilaciones rápidas** y **compilaciones estándar**.
Para crear un modelo de predicción de texto, utilice el siguiente procedimiento:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. Elija **Nuevo modelo**.
1. En el cuadro de diálogo **Crear nuevo modelo** haga lo siguiente:
1. Escriba un nombre en el campo **Nombre de modelo**.
1. Seleccione el tipo de problema de **Análisis de texto**.
1. Seleccione **Crear**.
1. En **Seleccionar conjunto de datos**, seleccione su conjunto de datos de la lista de conjuntos de datos. Si aún no ha importado sus datos, elija **Importar** para seguir el flujo de trabajo de importación de datos.
1. Cuando tenga todo listo para comenzar a crear el modelo, elija **Seleccionar conjunto de datos**.
1. En la pestaña **Compilación**, en la lista desplegable de la **Columna de destino**, seleccione el objetivo del modelo que desee predecir. La columna de destino debe tener un tipo de datos binario o categórico y debe haber al menos 25 entradas (o filas de datos) para cada etiqueta única de la columna de destino.
1. Para el **Tipo de modelo**, confirme que el tipo de modelo se establece automáticamente en **Predicción de texto multicategoría**.
1. Para la columna de entrenamiento, seleccione la columna de origen de datos de texto. Esta debe ser la columna que contenga el texto que quiera analizar.
1. Elija **Compilación rápida** o **Compilación estándar** para empezar a construir el modelo. La siguiente captura de pantalla muestra la página de **Compilación** de un modelo de predicción de texto que está listo para ser creado.
![\[La página de Compilación de un modelo de predicción de texto de varias categorías.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/build-page-text-model.png)
Cuando el modelo comience la compilación, puede salir de la página. Cuando el modelo aparezca como **Listo** en la página **Mis modelos**, estará listo para el análisis y las predicciones.
## Compilación de un modelo de previsión de series temporales
Los modelos de previsión de series temporales admiten **Compilaciones rápidas** y **Compilaciones estándar**.
Siga este procedimiento para realizar una previsión de series temporales.
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. Elija **Nuevo modelo**.
1. En el cuadro de diálogo **Crear nuevo modelo** haga lo siguiente:
1. Escriba un nombre en el campo **Nombre de modelo**.
1. Seleccione el tipo de problema **Previsión de series temporales**.
1. Seleccione **Crear**.
1. En **Seleccionar conjunto de datos**, seleccione su conjunto de datos de la lista de conjuntos de datos. Si aún no ha importado sus datos, elija **Importar** para seguir el flujo de trabajo de importación de datos.
1. Cuando tenga todo listo para comenzar a crear el modelo, elija **Seleccionar conjunto de datos**.
1. En la pestaña **Compilación**, en la lista desplegable de la **Columna de destino**, seleccione el objetivo del modelo que desee predecir.
1. En la sección **Tipo de modelo**, elija **Configurar modelo**.
1. Se abre el cuadro **Configurar modelo**. En la sección **Configuración de series temporales**, rellene los siguientes campos:
1. En **Columna de ID de elemento**, elija una columna del conjunto de datos que identifique de forma única cada fila. La columna debe tener un tipo de datos de `Text`.
1. (Opcional) En **Columna de grupo**, elija una o más columnas categóricas (con un tipo de datos de `Text`) que desee usar para agrupar valores de previsión.
1. En **Columna de marca de tiempo**, seleccione la columna con marcas de tiempo (en formato de fecha y hora). Para obtener más información sobre los formatos de fecha y hora aceptados, consulte [Pronósticos de series temporales en Amazon SageMaker Canvas](canvas-time-series.md).
1. En el campo **Duración de la previsión**, introduzca el período de tiempo para el que desea prever valores. Canvas detecta automáticamente las unidades de tiempo de los datos.
1. (Opcional) Active el conmutador **Usar calendario de días festivos** para seleccionar un calendario de días festivos de varios países y aumentar la precisión de sus previsiones con datos de días festivos.
1. En el cuadro **Configurar modelo** hay ajustes adicionales en la sección **Avanzado**. Para obtener más información sobre cada uno de los ajustes avanzados, consulte [Configuraciones avanzadas de compilación de modelos](canvas-advanced-settings.md). Para realizar la configuración **Avanzada**, haga lo siguiente:
1. En el menú desplegable **Métrica objetiva**, seleccione la métrica que desee que Canvas optimice al crear su modelo. Si no selecciona una métrica, Canvas elegirá una por defecto. Para ver descripciones de métricas disponibles, consulte [Referencia de métricas](canvas-metrics.md).
1. Si está ejecutando una compilación estándar, verá la sección **Algoritmos**. Esta sección sirve para seleccionar los algoritmos de previsión de series temporales que desea utilizar para compilar el modelo. Puede seleccionar un subconjunto de los algoritmos disponibles o puede seleccionarlos todos si no está seguro de cuáles probar.
Al ejecutar la compilación estándar, Canvas crea un modelo de conjunto que combina todos los algoritmos para optimizar la exactitud de la predicción.
**nota**
Si está ejecutando una compilación rápida, Canvas utiliza un único algoritmo de aprendizaje basado en árboles para entrenar el modelo y no tiene que seleccionar ningún algoritmo.
1. En **Cuantiles de previsión**, introduzca hasta 5 valores de cuantiles separados por comas para especificar los límites superior e inferior de la previsión.
1. Después de realizar la configuración **Avanzada**, seleccione **Guardar**.
1. Seleccione o deseleccione las columnas de sus datos para incluirlas o eliminarlas de la compilación.
**nota**
Si realiza predicciones por lotes con su modelo después de crearlo, Canvas agrega columnas eliminadas a los resultados de sus predicciones. Sin embargo, Canvas no agrega las columnas eliminadas a sus predicciones por lotes para los modelos de series temporales.
1. (Opcional) Utilice las herramientas de visualización y análisis que proporciona Canvas para visualizar sus datos y determinar qué características podría querer incluir en su modelo. Para obtener información, consulte [Exploración y análisis de sus datos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html).
1. (Opcional) Utilice las transformaciones de datos para limpiar, transformar y preparar los datos para la creación de modelos. Para obtener más información, consulte [Preparación de los datos con transformaciones avanzadas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html). Para ver y eliminar las transformaciones, seleccione **Receta de modelo** para abrir el panel lateral **Receta de modelo**.
1. (Opcional) Para ver características adicionales, como obtener una vista previa de la precisión del modelo, validar el conjunto de datos y cambiar el tamaño de la muestra aleatoria que Canvas toma del conjunto de datos, consulte [Vista previa del modelo](canvas-preview-model.md).
1. Tras revisar los datos y realizar cualquier cambio en el conjunto de datos, elija **Compilación rápida** o **Compilación estándar** para empezar a crear el modelo.
Cuando el modelo comience la compilación, puede salir de la página. Cuando el modelo aparezca como **Listo** en la página **Mis modelos**, estará listo para el análisis y las predicciones.
# Configuraciones avanzadas de compilación de modelos
Amazon SageMaker Canvas admite varios ajustes avanzados que puede configurar al crear un modelo. En la siguiente página se enumeran todos los ajustes avanzados junto con información adicional sobre sus opciones y configuraciones.
**nota**
Actualmente, las siguientes configuraciones avanzadas solo se admiten para tipos de modelos de previsión numéricos, categóricos y de series temporales.
## Configuración avanzada de modelos de predicción numéricos y categóricos
Canvas admite la siguiente configuración avanzada para tipos de modelos de predicción numéricos y categóricos.
### Métrica objetiva
La métrica objetiva es la métrica que desea que Canvas optimice al compilar el modelo. Si no selecciona una métrica, Canvas elegirá una por defecto. Para ver descripciones de métricas disponibles, consulte [Referencia de métricas](canvas-metrics.md).
### Método de entrenamiento
Canvas puede seleccionar automáticamente el método de entrenamiento en función del tamaño del conjunto de datos, aunque también puede seleccionarlo usted manualmente. Puede elegir entre los siguientes métodos de entrenamiento:
+ **Ensamblaje**: la SageMaker IA aprovecha la AutoGluon biblioteca para entrenar varios modelos básicos. Para encontrar la mejor combinación para su conjunto de datos, el modo de ensamblaje ejecuta 5-10 pruebas con diferentes ajustes de modelo y metaparámetro. A continuación, estos modelos se combinan mediante un método de conjuntos apilados para crear un modelo predictivo óptimo. Para obtener una lista de los algoritmos que admite el modo de conjunto para datos tabulares, consulte la siguiente sección de [Algoritmos](#canvas-advanced-settings-predictive-algos).
+ **Optimización de hiperparámetros (HPO)**: la SageMaker IA encuentra la mejor versión de un modelo ajustando los hiperparámetros mediante la optimización bayesiana o la optimización de multifidelidad mientras ejecuta tareas de entrenamiento en el conjunto de datos. El modo HPO selecciona los algoritmos que son más relevantes para el conjunto de datos y selecciona el mejor rango de hiperparámetros para ajustar los modelos. Para ajustar sus modelos, el modo HPO ejecuta hasta 100 pruebas (predeterminado) para encontrar la configuración de hiperparámetros óptima dentro del rango seleccionado. Si el tamaño del conjunto de datos es inferior a 100 MB, la IA utiliza la optimización bayesiana. SageMaker SageMaker La IA elige la optimización de fidelidad múltiple si el conjunto de datos tiene más de 100 MB.
Para obtener una lista de los algoritmos que admite el modo HPO para datos tabulares, consulte la siguiente sección de [Algoritmos](#canvas-advanced-settings-predictive-algos).
+ **Automático**: la SageMaker IA elige automáticamente el modo de ensamblaje o el modo HPO en función del tamaño del conjunto de datos. Si su conjunto de datos es superior a 100 MB, SageMaker AI elige el modo HPO. De lo contrario, elige el modo de ensamblaje.
### Algoritmos
En el modo **Ensamblaje**, Canvas admite los siguientes algoritmos de machine learning:
+ [LightGBM](https://docs.aws.amazon.com/sagemaker/latest/dg/lightgbm.html): un marco optimizado que utiliza algoritmos basados en árboles con potenciación por gradiente. Este algoritmo utiliza árboles que crecen en amplitud, en lugar de en profundidad, y está altamente optimizado para la velocidad.
+ [CatBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/catboost.html)— Un marco que utiliza algoritmos basados en árboles con aumento de gradiente. Optimizado para la gestión de variables categóricas.
+ [XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)— Un marco que utiliza algoritmos basados en árboles con un aumento de gradiente que aumenta en profundidad, en lugar de en amplitud.
+ [Random Forest](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html): algoritmo basado en árboles que utiliza varios árboles de decisión en submuestras aleatorias de los datos y las reemplaza. Los árboles se dividen en nodos óptimos en cada nivel. Las decisiones de cada árbol se promedian para evitar el sobreajuste y mejorar las predicciones.
+ [Extra Trees](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.ExtraTreesClassifier.html#sklearn.ensemble.ExtraTreesClassifier): un algoritmo basado en árboles que utiliza varios árboles de decisión en todo el conjunto de datos. Los árboles se dividen aleatoriamente en cada nivel. Las decisiones de cada árbol se promedian para evitar el sobreajuste y mejorar las predicciones. Extra Trees añade un grado de asignación al azar en comparación con el algoritmo Random Forest.
+ [Linear Models](https://scikit-learn.org/stable/modules/classes.html#module-sklearn.linear_model): un marco que utiliza una ecuación lineal para modelar la relación entre dos variables en los datos observados.
+ Neural network torch: un modelo de red neuronal que se implementa con [Pytorch](https://pytorch.org/).
+ Neural network fast.ai: un modelo de red neuronal que se implementa con [fast.ai](https://www.fast.ai/).
En **Modo HPO**, Canvas admite los siguientes algoritmos de machine learning:
+ [XGBoost](https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html)— Un algoritmo de aprendizaje supervisado que intenta predecir con precisión una variable objetivo mediante la combinación de un conjunto de estimaciones de un conjunto de modelos más simples y más débiles.
+ Algoritmo de aprendizaje profundo: un perceptrón multicapa (MLP) y una red neuronal artificial de retroalimentación. Este algoritmo puede procesar datos que no se pueden separar linealmente.
### División de datos
Tiene la opción de especificar cómo quiere dividir el conjunto de datos entre el conjunto de entrenamiento (la parte del conjunto de datos que se utiliza para compilar el modelo) y el conjunto de validación (la parte del conjunto de datos que se utiliza para verificar la exactitud del modelo). Por ejemplo, una proporción de división común es 80 % de entrenamiento y 20 % de validación, donde el 80 % de los datos se utilizan para compilar el modelo y el 20 % se reserva para medir el rendimiento del modelo. Si no especifica una proporción personalizada, Canvas divide el conjunto de datos automáticamente.
### Candidatos máximos
**nota**
Esta característica solo está disponible en el modo de entrenamiento HPO.
Puede especificar el número máximo de candidatos del modelo que Canvas genera al compilar el modelo. Recomendamos que utilice el número predeterminado de candidatos, que es 100, para crear los modelos más precisos. El número máximo que puede especificar es 250. La reducción del número de candidatos del modelo puede afectar a la exactitud del modelo.
### Tiempo de ejecución máximo de trabajos
Puede especificar el tiempo de ejecución máximo de los trabajos o la cantidad máxima de tiempo que Canvas dedica a compilar el modelo. Una vez transcurrido el límite de tiempo, Canvas deja de compilar y selecciona el mejor candidato del modelo.
El tiempo máximo que puede especificar es de 720 horas. Le recomendamos encarecidamente que mantenga el tiempo máximo de ejecución del trabajo en más de 30 minutos para garantizar que Canvas tenga tiempo suficiente para generar candidatos del modelo y terminar de compilar el modelo.
## Configuración avanzada del modelo de previsión de series temporales
Para los modelos de previsión de series temporales, Canvas admite la métrica Objetivo, que se detalla en la sección anterior.
Los modelos de previsión de series temporales también admiten la siguiente configuración avanzada:
### Selección de algoritmos
Cuando compila un modelo de previsión de series temporales, Canvas utiliza un *ensamblaje* (o una combinación) de algoritmos estadísticos y de machine learning para ofrecer previsiones de series temporales de gran precisión. De forma predeterminada, Canvas selecciona la combinación óptima de todos los algoritmos disponibles en función de la serie temporal del conjunto de datos. Sin embargo, tiene la opción de especificar uno o más algoritmos para usarlos en el modelo de previsión. En este caso, Canvas determina la mejor combinación utilizando solo los algoritmos seleccionados. Si no está seguro de qué algoritmo seleccionar para entrenar el modelo, le recomendamos que elija todos los algoritmos disponibles.
**nota**
La selección de algoritmos solo se admite en compilaciones estándar. Si no seleccionas ningún algoritmo en la configuración avanzada, de forma predeterminada, la SageMaker IA ejecuta una compilación rápida y entrena a los candidatos del modelo mediante un único algoritmo de aprendizaje basado en árboles. Para obtener más información acerca de la diferencia entre compilaciones rápidas y compilaciones estándar, consulte [Cómo funcionan los modelos personalizados](canvas-build-model.md).
Canvas admite los siguientes algoritmos de previsión de series temporales:
+ [ Media móvil integrada autorregresiva (ARIMA)](https://en.wikipedia.org/wiki/Autoregressive_integrated_moving_average): modelo estocástico simple de series temporales que utiliza el análisis estadístico para interpretar los datos y hacer predicciones futuras. Este algoritmo resulta útil para conjuntos de datos simples con menos de 100 series temporales.
+ [ Red neuronal convolucional: regresión cuantil (CNN-QR)](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html): algoritmo de aprendizaje supervisado patentado que entrena un modelo global a partir de una gran colección de series temporales y utiliza un descodificador de cuantiles para realizar predicciones. CNN-QR funciona mejor con conjuntos de datos grandes que contienen cientos de series temporales.
+ [DeepAr\$1](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html): un algoritmo de aprendizaje supervisado patentado para pronosticar series temporales escalares mediante redes neuronales recurrentes (RNNs) para entrenar un único modelo de forma conjunta en todas las series temporales. DeepAR\$1 funciona mejor con conjuntos de datos grandes que contienen cientos de series temporales de características.
+ [Series temporales no paramétricas (NPTS)](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html): método de previsión escalable de línea base probabilística que predice la distribución futura de valores de una serie temporal determinada mediante el muestreo de observaciones anteriores. NPTS resulta útil cuando se trabaja con series temporales dispersas o intermitentes (por ejemplo, previsión de la demanda de elementos individuales en los que la serie temporal tiene muchos ceros o recuentos bajos).
+ [Suavizado exponencial (ETS)](https://en.wikipedia.org/wiki/Exponential_smoothing): método de previsión que produce previsiones que son medias ponderadas de observaciones anteriores, en las que disminuyen exponencialmente las ponderaciones de observaciones más antiguas. El algoritmo es útil para conjuntos de datos simples con menos de 100 series temporales y conjuntos de datos con patrones de estacionalidad.
+ [Prophet](https://facebook.github.io/prophet/): modelo de regresión aditiva que funciona mejor con series temporales que tienen fuertes efectos estacionales y varias temporadas de datos históricos. El algoritmo es útil para conjuntos de datos con tendencias de crecimiento no lineales que se acercan a un límite.
### Cuantiles de previsión
Para la previsión de series temporales, la SageMaker IA entrena a 6 candidatos a modelos con las series temporales objetivo. A continuación, la SageMaker IA combina estos modelos mediante un método de apilamiento por conjuntos para crear un modelo de pronóstico óptimo para una métrica objetivo determinada. Cada modelo de previsión genera una previsión probabilística con produciendo previsiones en cuantiles entre P1 y P99. Estos cuantiles se utilizan para contabilizar la incertidumbre de las previsiones. De forma predeterminada, se generarán previsiones para los valores 0,1 (`p10`), 0,5 (`p50`) y 0,9 (`p90`). Puede elegir especificar hasta cinco cuantiles propios, desde 0,01 (`p1`) hasta 0,99 (`p99`), con incrementos de 0,01 o más.
# Edición de un conjunto de datos de imágenes
En Amazon SageMaker Canvas, puede editar sus conjuntos de datos de imágenes y revisar las etiquetas antes de crear un modelo. Es posible que desee realizar tareas como asignar etiquetas a imágenes sin etiquetar o agregar más imágenes al conjunto de datos. Todas estas tareas se pueden realizar en la aplicación de Canvas, lo que le proporciona un solo lugar para modificar su conjunto de datos y crear un modelo.
**nota**
Antes de crear un modelo, debe asignar etiquetas a todas las imágenes del conjunto de datos. Además, debe tener al menos 25 imágenes por etiqueta y un mínimo de dos etiquetas. Para obtener más información sobre la asignación de etiquetas, consulte la sección de esta página denominada **Asignación de etiquetas a imágenes sin etiquetar**. Si no puede determinar una etiqueta para una imagen, debe eliminarla del conjunto de datos. Para obtener más información acerca de cómo eliminar imágenes, consulte la sección [Agregar o eliminar imágenes del conjunto de datos](#canvas-edit-image-add-delete) en esta página.
Para empezar a editar su conjunto de datos de imágenes, debe estar en la pestaña **Compilación** mientras crea su modelo de predicción de imágenes de etiqueta única.
Se abre una nueva página en la que se muestran las imágenes del conjunto de datos junto con sus etiquetas. En esta página se clasifica su conjunto de datos de imágenes en **Imágenes totales**, **Imágenes etiquetadas** e **Imágenes sin etiquetar**. También puede consultar la **Guía de preparación de conjuntos de datos** para conocer las prácticas recomendadas sobre cómo crear un modelo de predicción de imágenes más preciso.
En la siguiente captura de pantalla se muestra la página para editar el conjunto de datos de imágenes.
![\[Captura de pantalla de la página de administración del conjunto de datos de imágenes en Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/dataset-management-page.png)
Desde esta página puede hacer lo siguiente:
## Ver las propiedades de cada imagen (etiqueta, tamaño, dimensiones)
Para ver una imagen individual, puede buscarla por nombre de archivo en la barra de búsqueda. A continuación, seleccione la imagen para abrir la vista completa. Puede ver las propiedades de la imagen y reasignar la etiqueta de la imagen. Seleccione **Guardar** cuando termine de ver la imagen.
## Agregar, eliminar o cambiar el nombre de etiquetas en el conjunto de datos
Canvas muestra las etiquetas de su conjunto de datos en el panel de navegación izquierdo. Puede agregar nuevas etiquetas al conjunto de datos especificando una etiqueta en el campo de texto **Agregar etiqueta**.
Para cambiar el nombre de una etiqueta de su conjunto de datos o eliminarla, elija el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) situado junto a la etiqueta y seleccione **Cambiar nombre** o **Eliminar**. Si cambia el nombre de la etiqueta, puede introducir el nombre de la nueva etiqueta y elegir **Confirmar**. Si elimina la etiqueta, se eliminará de todas las imágenes del conjunto de datos que tengan esa etiqueta. Las imágenes que tengan esa etiqueta se quedarán sin etiquetar.
## Asignación de etiquetas a las imágenes sin etiquetar
Para ver las imágenes sin etiquetar de su conjunto de datos, elija **Sin etiquetar** en el panel de navegación izquierdo. Para cada imagen, selecciónela y abra la etiqueta titulada **Sin etiquetar** y, en la lista desplegable, seleccione una etiqueta para asignarla a la imagen. También puede seleccionar más de una imagen y realizar esta acción, y a todas las imágenes seleccionadas se les asignará la etiqueta que seleccione.
## Reasignación de etiquetas a las imágenes
Para reasignar etiquetas a las imágenes, seleccione la imagen (o varias imágenes a la vez) y abra el menú desplegable con la etiqueta actual. Seleccione la etiqueta que quiera y la imagen o imágenes se actualizarán con la nueva etiqueta.
## Ordenación de sus imágenes por etiqueta
Puede ver todas las imágenes de una etiqueta determinada seleccionando la etiqueta en el panel de navegación izquierdo.
## Agregar o eliminar imágenes del conjunto de datos
Puede agregar más imágenes a su conjunto de datos seleccionando **Agregar imágenes** en el panel de navegación superior. Se le guiará por el flujo de trabajo para importar más imágenes. Las imágenes que importe se agregan a su conjunto de datos existente.
Para eliminar imágenes de su conjunto de datos, selecciónelas y, a continuación, elija **Eliminar** en el panel de navegación superior.
**nota**
Después de realizar cualquier cambio en el conjunto de datos, seleccione **Guardar conjunto de datos** para asegurarse de no perder los cambios.
# Exploración y análisis de datos
**nota**
Solo puede usar las visualizaciones y los análisis de SageMaker Canvas para modelos basados en conjuntos de datos tabulares. También se excluyen los modelos de predicción de texto de varias categorías.
En Amazon SageMaker Canvas, puede explorar las variables de su conjunto de datos mediante visualizaciones y análisis, y crear visualizaciones y análisis en la aplicación. Puede utilizar estas exploraciones para descubrir las relaciones entre las variables antes de crear el modelo.
Para obtener más información sobre las técnicas de visualización en Canvas, consulte [Exploración de los datos con técnicas de visualización](canvas-explore-data-visualization.md).
Para obtener más información sobre los análisis en Canvas, consulte [Exploración de los datos mediante el análisis](canvas-explore-data-analytics.md).
# Exploración de los datos con técnicas de visualización
**nota**
Solo puede usar las visualizaciones de SageMaker Canvas para modelos basados en conjuntos de datos tabulares. También se excluyen los modelos de predicción de texto de varias categorías.
Con Amazon SageMaker Canvas, puede explorar y visualizar sus datos para obtener información avanzada sobre ellos antes de crear sus modelos de aprendizaje automático. Puede realizar la visualización mediante gráficos de dispersión, gráficos de barras y diagramas de cajas, que pueden ayudarle a comprender los datos y a descubrir las relaciones entre las características que podrían afectar a la precisión del modelo.
En la pestaña **Crear** de la aplicación SageMaker Canvas, elija el **visualizador de datos** para empezar a crear sus visualizaciones.
Puede cambiar el tamaño de la muestra de visualización para ajustar el tamaño de la muestra aleatoria tomada del conjunto de datos. Un tamaño de muestra demasiado grande puede afectar al rendimiento de las visualizaciones de datos, por lo que le recomendamos que elija un tamaño de muestra adecuado. Para cambiar el tamaño de la muestra, use el procedimiento siguiente.
1. Elija una **Muestra de visualización**.
1. Utilice el control deslizante para seleccionar el tamaño de muestra que desee.
1. Seleccione **Actualizar** para confirmar el cambio en el tamaño de la muestra.
**nota**
Algunas técnicas de visualización requieren columnas de un tipo de datos específico. Por ejemplo, solo puede usar columnas numéricas para los ejes x e y de los gráficos de dispersión.
## Gráfico de dispersión
Para crear un gráfico de dispersión con su conjunto de datos, elija **Gráfico de dispersión** en el panel de **Visualización**. Elija las características que quiera trazar en los ejes x e y en la sección **Columnas**. Puede arrastrar y soltar las columnas sobre los ejes o, una vez que se haya colocado un eje, puede elegir una columna de la lista de columnas compatibles.
Puede utilizar **Colorear por** para colorear los puntos de datos del gráfico con una tercera característica. También puede usar **Agrupar por** para agrupar los datos en gráficos separados en función de una cuarta característica.
La siguiente imagen muestra un gráfico de dispersión que utiliza **Colorear por** y **Agrupar por**. En este ejemplo, la característica `MaritalStatus` colorea cada punto de datos y, al agruparlo por la característica `Department`, se obtiene un gráfico de dispersión para los puntos de datos de cada departamento.
![\[Captura de pantalla de un gráfico de dispersión en la vista del Visualizador de datos de la aplicación de Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-eda-scatter-plot.png)
## Gráfico de barras
Para crear un gráfico de barras con su conjunto de datos, elija **Gráfico de barras** en el panel de **Visualización**. Elija las características que quiera trazar en los ejes x e y en la sección **Columnas**. Puede arrastrar y soltar las columnas sobre los ejes o, una vez que se haya colocado un eje, puede elegir una columna de la lista de columnas compatibles.
Puede utilizar **Agrupar por** para agrupar el gráfico de barras por una tercera característica. Puede utilizar **Apilar por** para sombrear verticalmente cada barra en función de los valores únicos de una cuarta característica.
La siguiente imagen muestra un gráfico de barras que utiliza **Agrupar por** y **Apilar por**. En este ejemplo, el gráfico de barras está agrupado por la característica `MaritalStatus` y apilado por la característica `JobLevel`. Para cada `JobRole` del eje x, hay una barra independiente para las categorías únicas de la característica `MaritalStatus`, y cada barra se apila verticalmente según la característica `JobLevel`.
![\[Captura de pantalla de un gráfico de barras en la vista del Visualizador de datos de la aplicación de Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-eda-bar-chart.png)
## Gráfico de cajas
Para crear un gráfico de cajas con su conjunto de datos, elija **Diagrama de cajas** en el panel de **Visualización**. Elija las características que quiera trazar en los ejes x e y en la sección **Columnas**. Puede arrastrar y soltar las columnas sobre los ejes o, una vez que se haya colocado un eje, puede elegir una columna de la lista de columnas compatibles.
Puede utilizar **Agrupar por** para agrupar los diagramas de caja por una tercera característica.
La siguiente imagen muestra un gráfico de cajas que utiliza **Agrupar por**. En este ejemplo, los ejes x e y muestran `JobLevel` y `JobSatisfaction`, respectivamente, y los diagramas de cajas de colores se agrupan por la característica `Department`.
![\[Captura de pantalla de un gráfico de cajas en la vista del Visualizador de datos de la aplicación de Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-eda-box-plot.png)
# Exploración de los datos mediante el análisis
**nota**
Solo puede usar el análisis de SageMaker Canvas para modelos basados en conjuntos de datos tabulares. También se excluyen los modelos de predicción de texto de varias categorías.
Con los análisis de Amazon SageMaker Canvas, puede explorar su conjunto de datos y obtener información sobre todas las variables antes de crear un modelo. Puede determinar las relaciones entre las entidades de su conjunto de datos mediante matrices de correlación. Puede usar esta técnica para resumir el conjunto de datos en una matriz que muestre las correlaciones entre dos o más valores. Esto le ayuda a identificar y visualizar los patrones en un conjunto de datos determinado para un análisis de datos avanzado.
La matriz muestra la correlación entre cada característica como positiva, negativa o neutra. Es posible que desee incluir características que tengan una alta correlación entre sí al crear el modelo. Las características que tengan poca o ninguna correlación pueden ser irrelevantes para el modelo, y puede omitirlas al crear el modelo.
Para empezar a utilizar las matrices de correlación en SageMaker Canvas, consulte la siguiente sección.
## Creación de una matriz de correlación
Puede crear una matriz de correlación cuando se prepare para construir un modelo en la pestaña **Construir** de la aplicación SageMaker Canvas.
Para obtener instrucciones acerca de cómo empezar a crear un modelo, consulte [Creación de un modelo](canvas-build-model-how-to.md).
Cuando haya empezado a preparar un modelo en la aplicación SageMaker Canvas, haga lo siguiente:
1. En la pestaña **Compilación**, elija el **Visualizador de datos**.
1. Seleccione **Análisis**.
1. Seleccione **Matriz de correlación**.
Debería ver una visualización similar a la siguiente captura de pantalla, que muestra hasta 15 columnas del conjunto de datos organizadas en una matriz de correlación.
![\[Captura de pantalla de una matriz de correlación en la aplicación de Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-correlation-matrix-2.png)
Después de haber creado la matriz de correlación, puede personalizarla haciendo lo siguiente:
### 1. Elija sus columnas
Para **Columnas**, puede seleccionar las columnas que quiera incluir en la matriz. Puede comparar hasta 15 columnas de su conjunto de datos.
**nota**
Puede usar tipos de columnas numéricas, categóricas o binarias para una matriz de correlación. La matriz de correlación no admite los tipos de columnas de datos de texto o fecha y hora.
Para agregar o eliminar columnas de la matriz de correlación, seleccione y deseleccione las columnas en el panel **Columnas**. También puede arrastrar y soltar columnas del panel directamente a la matriz. Si su conjunto de datos tiene muchas columnas, puede buscar las columnas que desee en la barra **Buscar columnas**.
Para filtrar las columnas por tipo de datos, seleccione la lista desplegable y elija **Todas**, **Numéricas** o **Categóricas**. Al seleccionar **Todas**, se muestran todas las columnas del conjunto de datos, mientras que los filtros **Numéricas** y **Categóricas** solo muestran las columnas numéricas o categóricas del conjunto de datos. Tenga en cuenta que los tipos de columnas binarias se incluyen en los filtros de numéricas o categóricas.
Para obtener la mejor información sobre los datos, incluya la columna de destino en la matriz de correlación. Al incluir la columna de destino en la matriz de correlación, aparece como la última característica de la matriz con un símbolo objetivo.
### 2. Elija el tipo de correlación
SageMaker Canvas admite diferentes *tipos de correlación* o métodos para calcular la correlación entre las columnas.
Para cambiar el tipo de correlación, utilice el filtro **Columnas** mencionado en la sección anterior para filtrar por el tipo de columna y las columnas que desee. Debería ver el **Tipo de correlación** en el panel lateral. Para las comparaciones numéricas, tiene la opción de seleccionar **Pearson** o **Spearman**. Para las comparaciones categóricas, el tipo de correlación se establece como **MI**. Para las comparaciones categóricas y mixtas, el tipo de correlación se establece como **Spearman & MI**.
Para las matrices que solo comparan columnas numéricas, el tipo de correlación es Pearson o Spearman. La medida de Pearson evalúa la relación lineal entre dos variables continuas. La medida de Spearman evalúa la relación monótona entre dos variables. Tanto para Pearson como para Spearman, la escala de correlación varía de -1 a 1; cada extremo de la escala indica una correlación perfecta (una relación 1:1 directa) y 0 indica que no hay correlación. Es posible que desee seleccionar Pearson si los datos tienen relaciones más lineales (como lo revela una [visualización de un gráfico de dispersión](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-explore-data.html#canvas-explore-data-scatterplot)). Si los datos no son lineales o contienen una mezcla de relaciones lineales y monótonas, puede que prefiera seleccionar Spearman.
Para las matrices que solo comparan columnas categóricas, el tipo de correlación se establece como Clasificación de información mutua (MI). El valor MI es una medida de la dependencia mutua entre dos variables aleatorias. La medida MI está en una escala de 0 a 1, donde 0 indica que no hay correlación y 1 indica una correlación perfecta.
Para las matrices que comparan una combinación de columnas numéricas y categóricas, el tipo de correlación **Spearman y MI** es una combinación de los tipos de correlación Spearman y MI. Para las correlaciones entre dos columnas numéricas, la matriz muestra el valor de Spearman. Para las correlaciones entre una columna numérica y una categórica o dos columnas categóricas, la matriz muestra el valor MI.
Por último, recuerde que la correlación no indica necesariamente causalidad. Un valor de correlación fuerte solo indica que existe una relación entre dos variables, pero es posible que las variables no tengan una relación causal. Revise cuidadosamente las columnas de interés para evitar sesgos al crear el modelo.
### 3. Filtre sus correlaciones
En el panel lateral, puede utilizar la característica **Filtrar correlaciones** para filtrar el rango de valores de correlación que desee incluir en la matriz. Por ejemplo, si desea filtrar entidades que solo tengan una correlación positiva o neutra, puede establecer el valor **mínimo** en 0 y el **máximo** en 1 (los valores válidos son -1 a 1).
Para las comparaciones de Spearman y Pearson, puede establecer el rango de **Correlaciones del filtro** entre -1 y 1, donde 0 significa que no hay correlación. -1 y 1 significan que las variables tienen una fuerte correlación negativa o positiva, respectivamente.
En las comparaciones de MI, el rango de correlación solo va de 0 a 1, donde 0 significa que no hay correlación y 1 significa que las variables tienen una correlación fuerte, ya sea positiva o negativa.
Cada característica tiene una correlación perfecta (1) consigo misma. Por lo tanto, puede observar que la fila superior de la matriz de correlación siempre es 1. Si desea excluir estos valores, puede usar el filtro para establecer el **máximo** en menos de 1.
Tenga en cuenta que si su matriz compara una combinación de columnas numéricas y categóricas y utiliza el tipo de correlación de **Spearman y MI**, las correlaciones *categóricas x numéricas* y *categóricas x categóricas* (que utilizan la medida MI) están en una escala de 0 a 1, mientras que las correlaciones *numéricas x numéricas* (que utilizan la medida de Spearman) están en una escala de -1 a 1. Revise sus correlaciones de interés detenidamente para asegurarse de que conoce el tipo de correlación que se utiliza para calcular cada valor.
### 4. Seleccione el método de visualización
En el panel lateral, puede usar **Visualizar por** para cambiar el método de visualización de la matriz. Elija el método de visualización **Numérico** para mostrar el valor de correlación (Pearson, Spearman o MI) o elija el método de visualización por **Tamaño** para visualizar la correlación con puntos de diferentes tamaños y colores. Si elige **Tamaño**, puede pasar el ratón sobre un punto específico de la matriz para ver el valor de correlación real.
### 5. Elija una paleta de colores
En el panel lateral, puede utilizar la **Selección de colores** para cambiar la paleta de colores utilizada para la escala de correlación negativa a positiva en la matriz. Seleccione una de las paletas de colores alternativas para cambiar los colores utilizados en la matriz.
# Preparación de datos para la creación de modelos
**nota**
Ahora puede realizar una preparación avanzada de datos en SageMaker Canvas con Data Wrangler, que le proporciona una interfaz de lenguaje natural y más de 300 transformaciones integradas. Para obtener más información, consulte [Preparación de datos](canvas-data-prep.md).
Es posible que su conjunto de datos de machine learning requiera la preparación de los datos antes de crear el modelo. Es posible que quiera limpiar los datos debido a varios problemas, entre los que se pueden incluir valores faltantes o valores atípicos, y realizar ingeniería de características para mejorar la precisión del modelo. Amazon SageMaker Canvas proporciona transformaciones de datos de aprendizaje automático con las que puede limpiar, transformar y preparar los datos para la creación de modelos. Puede utilizar estas transformaciones en sus conjuntos de datos sin necesidad de código. SageMaker Canvas agrega las transformaciones que usa a la **receta del modelo**, que es un registro de la preparación de datos realizada con los datos antes de crear el modelo. Cualquier transformación de datos que utilice solo modifica los datos de entrada para la creación del modelo y no modifica el origen de datos original.
La vista previa de su conjunto de datos muestra las primeras 100 filas del conjunto de datos. Si su conjunto de datos tiene más de 20 000 filas, Canvas toma una muestra aleatoria de 20 000 filas y obtiene una vista previa de las 100 primeras filas de esa muestra. Solo puede buscar y especificar valores de las filas previsualizadas, y la funcionalidad de filtrado solo filtra las filas previsualizadas y no todo el conjunto de datos.
Las siguientes transformaciones están disponibles en SageMaker Canvas para que pueda preparar los datos para la construcción.
**nota**
Solo puede usar transformaciones avanzadas para modelos basados en conjuntos de datos tabulares. También se excluyen los modelos de predicción de texto de varias categorías.
## Exclusión de columnas
Puede excluir una columna de la compilación del modelo colocándola en la pestaña **Construir** de la aplicación SageMaker Canvas. Deseleccione la columna que quiera excluir y no se incluirá al crear el modelo.
**nota**
Si elimina columnas y, a continuación, hace [predicciones por lotes](canvas-make-predictions.md) con su modelo, SageMaker Canvas vuelve a agregar las columnas eliminadas al conjunto de datos de salida disponible para su descarga. Sin embargo, SageMaker Canvas no vuelve a agregar las columnas desplegadas para los modelos de series temporales.
## Filtrado de filas
La funcionalidad de filtrado filtra las filas previsualizadas (las 100 primeras filas del conjunto de datos) según las condiciones que especifique. El filtrado de filas crea una vista previa temporal de los datos y no afecta a la creación del modelo. Puede filtrar para obtener una vista previa de las filas a las que les falten valores, contengan valores atípicos o cumplan condiciones personalizadas en la columna que elija.
### Filtrado de filas por valores faltantes
Los valores faltantes son frecuentes en los conjuntos de datos de machine learning. Si tiene filas con valores nulos o vacíos en determinadas columnas, puede que desee filtrarlas y obtener una vista previa de esas filas.
Para filtrar los valores faltantes de los datos de la vista previa, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Filtrar por filas** (![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)).
1. Elija la **Columna** en la que desee comprobar si faltan valores.
1. Para la **Operación**, elija **Faltante**.
SageMaker Canvas filtra las filas que contienen valores faltantes en la **columna** que ha seleccionado y proporciona una vista previa de las filas filtradas.
![\[Captura de pantalla de la operación de filtrado por valores faltantes en la aplicación SageMaker Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-filter-missing.png)
### Filtrado de filas por valores atípicos
Los valores atípicos, o valores poco frecuentes en la distribución y el rango de los datos, pueden afectar negativamente a la precisión del modelo y prolongar los tiempos de construcción. SageMaker Canvas le permite detectar y filtrar filas que contienen valores atípicos en columnas numéricas. Puede elegir definir los valores atípicos con desviaciones estándar o con un rango personalizado.
Para filtrar los valores atípicos en sus datos, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Filtrar por filas** (![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)).
1. Elija la **Columna** en la que desee comprobar si hay valores atípicos.
1. Para la **Operación**, elija **Atípico**.
1. Establezca el **Rango de valores atípicos** en **Desviación estándar** o **Rango personalizado**.
1. Si elige **Desviación estándar**, especifique un valor de **SD** (desviación estándar) comprendido entre 1 y 3. Si elige **Rango personalizado**, seleccione **Percentil** o **Número** y, a continuación, especifique los valores **Mín** y **Máx**.
La opción **Desviación estándar** detecta y filtra los valores atípicos en las columnas numéricas mediante la media y la desviación estándar. Usted especifica el número de desviaciones estándar que debe separar a un valor de la media para que se considere un valor atípico. Por ejemplo, si especifica `3` para la **SD**, un valor debe estar a más de 3 desviaciones estándar de la media para que se considere un valor atípico.
La opción **Rango personalizado** detecta y filtra los valores atípicos en las columnas numéricas mediante valores mínimos y máximos. Utilice este método si conoce los valores límite que delimitan los valores atípicos. Puede establecer el **Tipo** de rango en **Percentil** o **Número**. Si elige **Percentil**, los valores **Mín** y **Máx** deben ser el mínimo y el máximo del rango de percentiles (0-100) que desee permitir. Si elige **Número**, los valores **Mín** y **Máx** deben ser los valores numéricos mínimos y máximos que desee filtrar en los datos.
![\[Captura de pantalla de la operación de filtrado por valores atípicos en la aplicación SageMaker Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-filter-outlier.png)
### Filtrado de las filas por valores personalizados
Puede filtrar por las filas con valores que cumplan condiciones personalizadas. Por ejemplo, es posible que desee obtener una vista previa de las filas que tengan un valor de precio superior a 100 antes de eliminarlas. Con esta funcionalidad, puede filtrar las filas que superen el umbral que haya establecido y obtener una vista previa de los datos filtrados.
Para utilizar la función de filtrado personalizado, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Filtrar por filas** (![\[Filter icon in the SageMaker Canvas application.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/filter-icon.png)).
1. Elija la **Columna** en la que desee comprobar.
1. Seleccione el tipo de **Operación** que desee utilizar y, a continuación, especifique los valores de la condición seleccionada.
Para la **Operación**, puede elegir una de las siguientes opciones: Tenga en cuenta que las operaciones disponibles dependen del tipo de datos de la columna que elija. Por ejemplo, no puede crear una operación `is greater than` para una columna que contenga valores de texto.
| Operación | Tipos de datos admitidos | Tipo de característica admitida | Función |
| --- | --- | --- | --- |
| Es igual que | Numérico, texto | Binario, categórico | Filtra las filas en las que el valor de la **Columna** sea igual a los valores que especifique. |
| No es igual a | Numérico, texto | Binario, categórico | Filtra las filas en las que el valor de la **Columna** no sea igual a los valores que especifique. |
| Es menor que | Numérico | N/A | Filtra las filas en las que el valor de la **Columna** es inferior al valor especificado. |
| Es menor o igual que | Numérico | N/A | Filtra las filas en las que el valor de la **Columna** es inferior o igual que el valor especificado. |
| Es mayor que | Numérico | N/A | Filtra las filas en las que el valor de la **Columna** es mayor que el valor especificado. |
| Es mayor o igual que | Numérico | N/A | Filtra las filas en las que el valor de la **Columna** es mayor o igual que el valor especificado. |
| Está entre | Numérico | N/A | Filtra las filas en las que el valor de la **Columna** es igual a o está entre los dos valores que especifique. |
| Contiene | Texto | Categórico | Filtra las filas en las que el valor de la **Columna** contenga los valores que especifique. |
| Empieza por | Texto | Categórico | Filtra las filas en las que el valor de la **Columna** comienza por los valores que especifique. |
| Acaba con | Categórico | Categórico | Filtra las filas en las que el valor de la **Columna** termina con un valor que especifique. |
Después de configurar la operación de filtrado, SageMaker Canvas actualiza la vista previa del conjunto de datos para mostrarle los datos filtrados.
![\[Captura de pantalla de la operación de filtrado por valores personalizados en la aplicación SageMaker Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-filter-custom.png)
## Funciones y operadores
Puede utilizar funciones y operadores matemáticos para explorar y distribuir los datos. Puede utilizar las funciones compatibles con SageMaker Canvas o crear su propia fórmula con los datos existentes y crear una nueva columna con el resultado de la fórmula. Por ejemplo, puede agregar los valores correspondientes de dos columnas y guardar el resultado en una nueva columna.
Puede agrupar sentencias para crear funciones más complejas. A continuación se muestran algunos ejemplos de funciones anidadas que podría utilizar.
+ Para calcular el BMI, puede utilizar la función `weight / (height ^ 2)`.
+ Para clasificar las edades, puede utilizar la función `Case(age < 18, 'child', age < 65, 'adult', 'senior')`.
Puede especificar las funciones en la etapa de preparación de los datos antes de crear el modelo. Para usar una función, haga lo siguiente.
+ En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Ver todo** y, a continuación, elija **Fórmula personalizada** para abrir el panel de **fórmulas personalizadas**.
+ En el panel de **Fórmula personalizada**, puede elegir una **Fórmula** para agregarla a su **Receta de modelo**. Cada fórmula se aplica a todos los valores de las columnas que especifique. Para las fórmulas que aceptan dos o más columnas como argumentos, utilice columnas con tipos de datos coincidentes; de lo contrario, obtendrá un error o valores `null` en la nueva columna.
+ Una vez que haya especificado una **fórmula**, añada un nombre de columna en el campo **Nombre de nueva columna**. SageMaker Canvas usa este nombre para la nueva columna que se crea.
+ (Opcional) Seleccione **Vista previa** para obtener una vista previa de la transformación.
+ Para agregar la función a la **Receta de modelo**, seleccione **Agregar**.
SageMaker Canvas guarda el resultado de su función en una nueva columna con el nombre que especificó en **Nombre de nueva columna**. Puede ver o eliminar funciones desde el panel **Receta de modelo**.
SageMaker Canvas admite los siguientes operadores para las funciones. Puede utilizar el formato de texto o el formato en línea para especificar la función.
| Operador | Description (Descripción) | Tipos de datos compatibles | Formato de texto | Formato en línea |
| --- | --- | --- | --- | --- |
| Add (Suma) | Devuelve la suma de los valores | Numérico | Add(sales1, sales2) | sales1 \$1 sales2 |
| Subtract (Sustracción) | Devuelve la diferencia entre los valores | Numérico | Subtract(sales1, sales2) | sales1 ‐ sales2 |
| Multiply (Multiplicación) | Devuelve el producto de los valores | Numérico | Multiply(sales1, sales2) | sales1 \$1 sales2 |
| Divide (División) | Devuelve el cociente de los valores | Numérico | Divide(sales1, sales2) | sales1 / sales2 |
| Mod (Módulo) | Devuelve el resultado del operador módulo (el resto después de dividir los dos valores) | Numérico | Mod(sales1, sales2) | sales1 % sales2 |
| Abs (Absoluto) | Devuelve el valor absoluto del valor | Numérico | Abs(sales1) | N/A |
| Negate | Devuelve el negativo del valor | Numérico | Negate(c1) | ‐c1 |
| Exp (Exponente) | Devuelve e (número de Euler) elevado a la potencia del valor | Numérico | Exp(sales1) | N/A |
| Registro | Devuelve el logaritmo (de base 10) del valor | Numérico | Log(sales1) | N/A |
| Ln | Devuelve el logaritmo natural (de base e) del valor | Numérico | Ln(sales1) | N/A |
| Pow (Potencia) | Devuelve el valor elevado a una potencia | Numérico | Pow(sales1, 2) | sales1 ^ 2 |
| If (Condicional) | Devuelve una etiqueta de verdadero o falso en función de la condición que especifique | Booleano, numérico, texto | If(sales1>7000, 'truelabel, 'falselabel') | N/A |
| Or (Disyunción) | Devuelve un valor booleano que indica si uno de los valores o las condiciones especificados es verdadero o no | Booleano | Or(fullprice, discount) | fullprice \$1\$1 discount |
| And (Conjunción) | Devuelve un valor booleano que indica si dos de los valores o las condiciones especificados son verdaderos o no | Booleano | And(sales1,sales2) | sales1 && sales2 |
| No (Negación) | Devuelve un valor booleano opuesto al valor o las condiciones especificados | Booleano | Not(sales1) | \$1sales1 |
| Case (Caso condicional) | Devuelve un valor booleano basado en sentencias condicionales (devuelve c1 si cond1 es verdadero, devuelve c2 si cond2 es verdadero, de lo contrario devuelve c3) | Booleano, numérico, texto | Case(cond1, c1, cond2, c2, c3) | N/A |
| Igualdad | Devuelve un valor booleano que indica si dos valores son iguales | Booleano, numérico, texto | N/A | c1 = c2c1 == c2 |
| Desigualdad | Devuelve un valor booleano que indica si dos valores no son iguales | Booleano, numérico, texto | N/A | c1 \$1= c2 |
| Menor que | Devuelve un valor booleano que indica si c1 es menor que c2 | Booleano, numérico, texto | N/A | c1 < c2 |
| Mayor que | Devuelve un valor booleano que indica si c1 es mayor que c2 | Booleano, numérico, texto | N/A | c1 > c2 |
| Menor que o igual a | Devuelve un valor booleano que indica si c1 es menor o igual que c2 | Booleano, numérico, texto | N/A | c1 <= c2 |
| Mayor que o igual a | Devuelve un valor booleano que indica si c1 es mayor o igual que c2 | Booleano, numérico, texto | N/A | c1 >= c2 |
SageMaker Canvas también admite operadores agregados, que pueden realizar operaciones como calcular la suma de todos los valores o encontrar el valor mínimo en una columna. Puede utilizar operadores de agregación en combinación con operadores estándar en sus funciones. Por ejemplo, para calcular la diferencia de valores con respecto a la media, puede utilizar la función`Abs(height – avg(height))`. SageMaker Canvas admite los siguientes operadores agregados.
| Operador de agregación | Description (Descripción) | Formato | Ejemplo |
| --- | --- | --- | --- |
| sum | Devuelve la suma de todos los valores de una columna | sum | sum(c1) |
| minimum | Devuelve el valor mínimo de una columna | min | min(c2) |
| maximum | Devuelve el valor máximo de una columna | max | max(c3) |
| average | Devuelve el valor medio de una columna | avg | avg(c4) |
| std | Devuelve la desviación estándar muestral de una columna | std | std(c1) |
| stddev | Devuelve la desviación estándar de los valores de una columna | stddev | stddev(c1) |
| variance | Devuelve la varianza no sesgada de los valores de una columna | variance | variance(c1) |
| approx\$1count\$1distinct | Devuelve el número aproximado de elementos distintos de una columna | approx\$1count\$1distinct | approx\$1count\$1distinct(c1) |
| count | Devuelve el número de elementos de una columna | count | count(c1) |
| first | Devuelve el valor medio de una columna | first | first(c1) |
| last | Devuelve el valor medio de una columna | last | last(c1) |
| stddev\$1pop | Devuelve la desviación estándar poblacional de una columna | stddev\$1pop | stddev\$1pop(c1) |
| variance\$1pop | Devuelve la varianza poblacional de los valores de una columna | variance\$1pop | variance\$1pop(c1) |
## Administrar filas
Con la transformación Administrar filas, puede ordenar, mezclar aleatoriamente y eliminar filas de datos del conjunto de datos.
### Ordenar filas
Para ordenar las filas de un conjunto de datos por una columna determinada, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Administrar filas** y, a continuación, elija **Ordenar filas**.
1. En **Ordenar columna**, elija la columna por la que desee ordenar.
1. En **Orden de clasificación**, seleccione **Ascendente** o **Descendente**.
1. Seleccione **Agregar** para agregar la transformación a la **Receta de modelo**.
### Mezclar filas
Para mezclar aleatoriamente las filas de un conjunto de datos, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Administrar filas** y, a continuación, elija **Organizar filas**.
1. Seleccione **Agregar** para agregar la transformación a la **Receta de modelo**.
### Eliminar filas duplicadas
Para eliminar las filas duplicadas de un conjunto de datos, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, selecciona **Administrar filas** y, a continuación, selecciona Eliminar **filas duplicadas**.
1. Seleccione **Agregar** para agregar la transformación a la **Receta de modelo**.
### Eliminar filas por valores faltantes
Los valores faltantes son frecuentes en los conjuntos de datos de machine learning y pueden afectar a la precisión del modelo. Utilice esta transformación si desea eliminar filas con valores nulos o vacíos en determinadas columnas.
Para eliminar las filas que contengan valores faltantes en una columna específica, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Administrar filas**.
1. Seleccione **Eliminar filas por valores faltantes**.
1. Seleccione **Agregar** para agregar la transformación a la **Receta de modelo**.
SageMaker Canvas descarta las filas que contienen valores faltantes en la **columna** que seleccionó. Después de eliminar las filas del conjunto de datos, SageMaker Canvas agrega la transformación en la sección de **recetas del modelo**. Si elimina la transformación de la sección de **Recetas de modelo**, las filas vuelven a su conjunto de datos.
![\[Captura de pantalla de la operación de eliminar filas mediante valores faltantes en la aplicación SageMaker Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-remove-missing.png)
### Eliminar filas por valores atípicos
Los valores atípicos, o valores poco frecuentes en la distribución y el rango de los datos, pueden afectar negativamente a la precisión del modelo y provocar tiempos de compilación más prolongados. Con SageMaker Canvas, puede detectar y eliminar filas que contienen valores atípicos en columnas numéricas. Puede elegir definir los valores atípicos con desviaciones estándar o con un rango personalizado.
Para eliminar los valores atípicos de los datos, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Administrar filas**.
1. Seleccione **Eliminar filas por valores atípicos**.
1. Elija la **Columna** en la que desee comprobar si hay valores atípicos.
1. Establezca el **Operador** en **Desviación estándar**, **Rango numérico personalizado** o **Rango de cuantiles personalizado**.
1. Si elige **Desviación estándar**, especifique un valor de **Desviaciones estándares** (desviación estándar) comprendido entre 1 y 3. Si elige **Rango numérico personalizado** o **Rango de cuantiles personalizado**, especifique los valores **Mín** y **Máx** (números para los rangos numéricos o percentiles entre el 0 y el 100 % para los rangos de cuantiles).
1. Seleccione **Agregar** para agregar la transformación a la **Receta de modelo**.
La opción **Desviación estándar** detecta y elimina los valores atípicos en las columnas numéricas mediante la media y la desviación estándar. Usted especifica el número de desviaciones estándar que debe separar a un valor de la media para que se considere un valor atípico. Por ejemplo, si especifica `3` para **Desviaciones estándares**, un valor debe estar a más de 3 desviaciones estándares de la media para que se considere un valor atípico.
Las opciones **Rango numérico personalizado** y **Rango de cuantiles personalizado** detectan y eliminan los valores atípicos en las columnas numéricas utilizando valores mínimos y máximos. Utilice este método si conoce los valores límite que delimitan los valores atípicos. Si elige un rango numérico, los valores **Mín** y **Máx** deben ser los valores numéricos mínimos y máximos que desee permitir en los datos. Si elige un rango de cuantiles, los valores **Mín** y **Máx** deben ser el mínimo y el máximo del rango de percentiles (0-100) que desee permitir.
Después de eliminar las filas del conjunto de datos, SageMaker Canvas agrega la transformación en la sección de **recetas del modelo**. Si elimina la transformación de la sección de **Recetas de modelo**, las filas vuelven a su conjunto de datos.
![\[Captura de pantalla de la operación de eliminar filas mediante valores atípicos en la aplicación SageMaker Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-remove-outlier.png)
### Eliminar filas por valores personalizados
Puede eliminar las filas con valores que cumplan condiciones personalizadas. Por ejemplo, es posible que desee excluir todas las filas con un valor de precio superior a 100 al crear el modelo. Con esta transformación, puede crear una regla que elimine todas las filas que superen el umbral que haya establecido.
Para usar la transformación de eliminación personalizada, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Administrar filas**.
1. Seleccione **Borrar filas por fórmula**.
1. Elija la **Columna** en la que desee comprobar.
1. Seleccione el tipo de **Operación** que desee utilizar y, a continuación, especifique los valores de la condición seleccionada.
1. Seleccione **Agregar** para agregar la transformación a la **Receta de modelo**.
Para la **Operación**, puede elegir una de las siguientes opciones: Tenga en cuenta que las operaciones disponibles dependen del tipo de datos de la columna que elija. Por ejemplo, no puede crear una operación `is greater than` para una columna que contenga valores de texto.
| Operación | Tipos de datos admitidos | Tipo de característica admitida | Función |
| --- | --- | --- | --- |
| Es igual que | Numérico, texto | Binario, categórico | Elimina las filas en las que el valor de la **Columna** sea igual a los valores que especifique. |
| No es igual a | Numérico, texto | Binario, categórico | Elimina las filas en las que el valor de la **Columna** no sea igual a los valores que especifique. |
| Es menor que | Numérico | N/A | Elimina las filas en las que el valor de la **Columna** es inferior al valor especificado. |
| Es menor o igual que | Numérico | N/A | Elimina las filas en las que el valor de la **Columna** es inferior o igual que el valor especificado. |
| Es mayor que | Numérico | N/A | Elimina las filas en las que el valor de la **Columna** es mayor al valor especificado. |
| Es mayor o igual que | Numérico | N/A | Elimina las filas en las que el valor de la **Columna** es mayor o igual que el valor especificado. |
| Está entre | Numérico | N/A | Elimina las filas en las que el valor de la **Columna** es igual a o está entre los dos valores que especifique. |
| Contiene | Texto | Categórico | Elimina las filas en las que el valor de la **Columna** contenga los valores que especifique. |
| Empieza por | Texto | Categórico | Elimina las filas en las que el valor de la **Columna** comienza por los valores que especifique. |
| Acaba con | Texto | Categórico | Elimina las filas en las que el valor de la **Columna** termina por los valores que especifique. |
Después de eliminar las filas del conjunto de datos, SageMaker Canvas agrega la transformación en la sección de **recetas del modelo**. Si elimina la transformación de la sección de **Recetas de modelo**, las filas vuelven a su conjunto de datos.
![\[Captura de pantalla de la operación de eliminar filas mediante valores personalizados en la aplicación SageMaker Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-remove-custom.png)
## Cambio del nombre de las columnas
Con la transformación de cambio del nombre de las columnas, puede cambiar el nombre de las columnas de sus datos. Al cambiar el nombre de una columna, SageMaker Canvas cambia el nombre de la columna en la entrada del modelo.
Puede cambiar el nombre de una columna de su conjunto de datos haciendo doble clic en el nombre de la columna en la pestaña **Crear** de la aplicación SageMaker Canvas e introduciendo un nombre nuevo. Al pulsar la tecla **Intro**, se envía el cambio y, al hacer clic en cualquier lugar fuera de la entrada, se cancela el cambio. También puede cambiar el nombre de una columna haciendo clic en el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), situado al final de la fila en la vista de lista o al final de la celda del encabezado en la vista de cuadrícula, y seleccionando **Cambiar nombre**.
El nombre de la columna no puede tener más de 32 caracteres ni caracteres de guion bajo dobles (\$1\$1), y no se puede cambiar el nombre de una columna por el mismo nombre que otra columna. Tampoco se puede cambiar el nombre de una columna eliminada.
La siguiente captura de pantalla muestra cómo cambiar el nombre de una columna haciendo doble clic en el nombre de la columna.
![\[Captura de pantalla del cambio de nombre de una columna con el método de doble clic en la SageMaker aplicación Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-rename-column.png)
Al cambiar el nombre de una columna, SageMaker Canvas añade la transformación en la sección de **recetas del modelo**. Si elimina la transformación de la sección **Recetas de modelo**, la columna vuelve a su nombre original.
## Administrar columnas
Con las siguientes transformaciones, puede cambiar el tipo de datos de las columnas y reemplazar los valores faltantes o los valores atípicos de columnas específicas. SageMaker Canvas utiliza los tipos de datos o valores actualizados al crear el modelo, pero no cambia el conjunto de datos original. Tenga en cuenta que si ha eliminado una columna de su conjunto de datos mediante la transformación [Exclusión de columnas](#canvas-prepare-data-drop), no podrá reemplazar los valores de esa columna.
### Reemplazar valores faltantes
Los valores faltantes son frecuentes en los conjuntos de datos de machine learning y pueden afectar a la precisión del modelo. Puede optar por eliminar las filas que tengan valores faltantes, pero su modelo será más preciso si opta por reemplazar los valores faltantes. Con esta transformación, puede reemplazar los valores que falten en las columnas numéricas por la media o mediana de los datos de una columna, o también puede especificar un valor personalizado con el que reemplazar los valores faltantes. En el caso de las columnas no numéricas, puede reemplazar los valores faltantes por el modo (el valor más común) de la columna o por un valor personalizado.
Utilice esta transformación si desea reemplazar los valores nulos o vacíos en determinadas columnas. Para reemplazar valores faltantes en una columna específica, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Administrar columnas**.
1. Seleccione **Reemplazar valores faltantes**.
1. Elija la **Columna** en la que desee reemplazar los valores faltantes.
1. Establezca el **Modo** como **Manual** para reemplazar los valores faltantes por los valores que especifique. Con la configuración **automática (predeterminada)**, SageMaker Canvas reemplaza los valores faltantes por los valores imputados que mejor se ajusten a sus datos. Este método de imputación se realiza automáticamente para cada compilación del modelo, a menos que especifique el modo **Manual**.
1. Establezca el valor **Reemplazar por**:
+ Si la columna es numérica, seleccione **Media**, **Mediana** o **Personalizado**. La **Media** reemplaza los valores faltantes por la media de la columna y la **Mediana** reemplaza los valores faltantes por la mediana de la columna. Si elige **Personalizado**, debe especificar un valor personalizado que quiera usar para reemplazar los valores faltantes.
+ Si la columna es no numérica, seleccione **Modo** o **Personalizado**. El **Modo** reemplaza los valores faltantes por el modo, o el valor más común, de la columna. Para **Personalizado**, especifique un valor personalizado que quiera usar para reemplazar los valores faltantes.
1. Seleccione **Agregar** para agregar la transformación a la **Receta de modelo**.
Después de reemplazar los valores faltantes en el conjunto de datos, SageMaker Canvas agrega la transformación en la sección de **recetas del modelo**. Si elimina la transformación de la sección **Recetas de modelo**, las filas vuelven al conjunto de datos.
![\[Captura de pantalla de la operación de reemplazar los valores faltantes en la aplicación SageMaker Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-replace-missing.png)
### Reemplazar valores atípicos
Los valores atípicos, o valores poco frecuentes en la distribución y el rango de los datos, pueden afectar negativamente a la precisión del modelo y provocar tiempos de creación más prolongados. SageMaker Canvas le permite detectar valores atípicos en columnas numéricas y reemplazarlos por valores que se encuentren dentro de un rango aceptado en sus datos. Puede elegir definir los valores atípicos con desviaciones estándares o con un rango personalizado, y puede reemplazar los valores atípicos por los valores mínimo y máximo del rango aceptado.
Para eliminar los valores atípicos de los datos, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Administrar** columnas.
1. Seleccione **Reemplazar valores atípicos**.
1. Elija la **Columna** en la que desee reemplazar los valores atípicos.
1. En **Definir valores atípicos**, elija **Desviación estándar**, **Rango numérico personalizado** o **Rango de cuantiles personalizado**.
1. Si elige **Desviación estándar**, especifique un valor de **Desviaciones estándares** (desviación estándar) comprendido entre 1 y 3. Si elige **Rango numérico personalizado** o **Rango de cuantiles personalizado**, especifique los valores **Mín** y **Máx** (números para los rangos numéricos o percentiles entre el 0 y el 100 % para los rangos de cuantiles).
1. En **Reemplazar por**, seleccione **Rango mínimo/máximo**.
1. Seleccione **Agregar** para agregar la transformación a la **Receta de modelo**.
La opción **Desviación estándar** detecta los valores atípicos en las columnas numéricas mediante la media y la desviación estándar. Usted especifica el número de desviaciones estándar que debe separar a un valor de la media para que se considere un valor atípico. Por ejemplo, si especifica 3 para **las desviaciones estándar**, un valor debe estar a más de 3 desviaciones estándar de la media para que se considere un valor atípico. SageMaker Canvas reemplaza los valores atípicos por el valor mínimo o máximo del rango aceptado. Por ejemplo, si configura las desviaciones estándar para que solo incluyan valores de 200 a 300, SageMaker Canvas cambiará un valor de 198 a 200 (el mínimo).
Las opciones **Rango numérico personalizado** y **Rango de cuantiles personalizado** detectan los valores atípicos en las columnas numéricas utilizando valores mínimos y máximos. Utilice este método si conoce los valores límite que delimitan los valores atípicos. Si elige un rango numérico, los valores **mínimo** y **máximo** deben ser los valores numéricos mínimos y máximos que desee permitir. SageMaker Canvas reemplaza cualquier valor que quede fuera del mínimo y el máximo por los valores mínimo y máximo. Por ejemplo, si su rango solo permite valores del 1 al 100, SageMaker Canvas cambia el valor de 102 a 100 (el máximo). Si elige un rango de cuantiles, los valores **Mín** y **Máx** deben ser el mínimo y el máximo del rango de percentiles (0-100) que desee permitir.
Después de reemplazar los valores en el conjunto de datos, SageMaker Canvas agrega la transformación en la sección de **recetas del modelo**. Si elimina la transformación de la sección **Recetas de modelo**, los valores originales vuelven al conjunto de datos.
![\[Captura de pantalla de la operación de reemplazar valores atípicos en la aplicación SageMaker Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-replace-outlier.png)
### Cambiar el tipo de datos
SageMaker Canvas le permite cambiar el *tipo de datos* de sus columnas entre numérico, texto y fecha y hora, además de mostrar el tipo de *función asociado a ese tipo de* datos. Un *tipo de datos* hace referencia al formato de los datos y a la forma en que se almacenan, mientras que el *tipo de característica* se refiere a la característica de los datos que se utilizan en los algoritmos de machine learning, como los binarios o los categóricos. Esto le da la flexibilidad de cambiar manualmente el tipo de datos de las columnas en función de las características. La posibilidad de elegir el tipo de datos correcto garantiza la integridad y precisión de los datos antes de crear modelos. Estos tipos de datos se utilizan al crear modelos.
**nota**
Actualmente, no se admite el cambio del tipo de característica (por ejemplo, de binaria a categórica).
En la siguiente tabla, se enumeran todos los tipos de datos en Canvas.
| Tipo de datos: | Description (Descripción) | Ejemplo |
| --- | --- | --- |
| Numérico | Los datos numéricos representan valores numéricos | 1, 2, 31,1, 1,2. 1.3 |
| Texto | Los datos de texto representan secuencias de caracteres, como nombres o descripciones | A, B, C, Dmanzana, plátano, naranja1A\$1, 2A\$1, 3A\$1 |
| Fecha y hora | Los datos de fecha y hora representan fechas y horas en formato de marca de tiempo (timestamp) | 2019-07-01 01:00:00, 2019-07-01 02:00:00, 2019-07-01 03:00:00 |
En la siguiente tabla, se enumeran todos los tipos de característica admitidos en Canvas.
| Tipo de característica | Description (Descripción) | Ejemplo |
| --- | --- | --- |
| Binario | Las características binarias representan dos valores posibles | 0, 1, 0, 1, 0 (2 valores distintos)true, false, true (2 valores distintos) |
| Categórico | Las características categóricas representan categorías o grupos distintos | manzana, plátano, naranja, manzana (3 valores distintos)A, B, C, D, E, A, D, C (5 valores distintos) |
Para modificar el tipo de datos de una columna de un conjunto de datos, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, vaya a la vista por **columnas o a la vista** de **cuadrícula** y seleccione el menú desplegable **Tipo de datos** para la columna específica.
1. En el menú desplegable de **Tipo de datos**, seleccione el tipo de datos al que desee realizar la conversión. En la siguiente captura de pantalla se muestra el menú desplegable.
![\[El menú desplegable de conversión de tipos de datos de una columna, que se muestra en la pestaña Crear.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-prepare-data-change.png)
1. En **Columna**, elija o verifique la columna en la que desee cambiar el tipo de datos.
1. En **Nuevo tipo de datos**, seleccione o verifique el nuevo tipo de datos al que desee convertir.
1. Si el **Nuevo tipo de datos** es `Datetime` o `Numeric`, elija una de las siguientes opciones en **Gestionar valores no válidos**:
1. **Reemplazar por un valor vacío**: los valores no válidos se sustituyen por un valor vacío
1. **Eliminar filas**: las filas con un valor no válido se eliminan del conjunto de datos
1. **Reemplazar por un valor personalizado**: los valores no válidos se sustituyen por el **Valor personalizado** que especifique.
1. Seleccione **Agregar** para agregar la transformación a la **Receta de modelo**.
Ahora debería actualizarse el tipo de datos de la columna.
## Preparación de datos de series temporales
Utilice las siguientes funcionalidades para preparar los datos de series temporales para crear modelos de previsión de series temporales.
### Remuestreo de datos de series temporales
Al volver a muestrear los datos de series temporales, puede establecer intervalos regulares para las observaciones de su conjunto de datos de series temporales. Esto resulta particularmente útil cuando se trabaja con datos de series temporales que contengan observaciones espaciadas de forma irregular. Por ejemplo, puede utilizar el remuestreo para transformar un conjunto de datos con observaciones registradas cada intervalo de una, dos y tres horas en un intervalo regular de una hora entre observaciones. Los algoritmos de previsión requieren que las observaciones se realicen a intervalos regulares.
Para remuestrear los datos de series temporales, haga lo siguiente.
1. En la pestaña **Crear** de la aplicación SageMaker Canvas, elija **Series temporales**.
1. Seleccione **Remuestrear**.
1. En la **columna Marca de tiempo**, seleccione la columna a la que quiera aplicar la transformación. Solo puede seleccionar columnas del tipo **Fecha y hora**.
1. En la sección de **Configuración de frecuencia**, seleccione una **Frecuencia** y un **Ritmo**. La **Frecuencia** es la unidad de frecuencia y el **Ritmo** es el intervalo de la unidad de frecuencia que se aplicará a la columna. Por ejemplo, al elegir `Calendar Day` para el **valor de Frecuencia** y `1` para el **Ritmo**, se establece que el intervalo aumente cada 1 día natural, por ejemplo `2023-03-26 00:00:00`, `2023-03-27 00:00:00`, `2023-03-28 00:00:00`. Consulte la tabla siguiente a este procedimiento para obtener una lista completa del **valor de Frecuencia**.
1. Seleccione **Agregar** para agregar la transformación a la **Receta de modelo**.
La siguiente tabla muestra todos los tipos de **Frecuencia** que puede seleccionar al remuestrear datos de series temporales.
| Frecuencia | Description (Descripción) | Valores de ejemplo (suponiendo que el ritmo sea 1) |
| --- | --- | --- |
| Día laborable | Se remuestrean las observaciones de la columna de fecha y hora para convertirlas en 5 días laborables de la semana (lunes, martes, miércoles, jueves y viernes) | 2023-03-24 00:00:00 2023-03-27 00:00:00 2023-03-28 00:00:00 2023-03-29 00:00:00 2023-03-30 00:00:00 2023-03-31 00:00:00 2023-04-03 00:00:00 |
| Día natural | Se remuestrean las observaciones de la columna de fecha y hora para convertirlas en los 7 días de la semana (lunes, martes, miércoles, jueves, viernes, sábado y domingo) | 2023-03-26 00:00:00 2023-03-27 00:00:00 2023-03-28 00:00:00 2023-03-29 00:00:00 2023-03-30 00:00:00 2023-03-31 00:00:00 2023-04-01 00:00:00 |
| Semana | Se remuestrean las observaciones en la columna de fecha y hora al primer día de cada semana. | 2023-03-13 00:00:00 2023-03-20 00:00:00 2023-03-27 00:00:00 2023-04-03 00:00:00 |
| Mes | Se remuestrean las observaciones en la columna de fecha y hora al primer día de cada mes. | 2023-03-01 00:00:00 2023-04-01 00:00:00 2023-05-01 00:00:00 2023-06-01 00:00:00 |
| Trimestre anual | Se remuestrean las observaciones en la columna de fecha y hora al último día de cada trimestre. | 2023-03-31 00:00:00 2023-06-30 00:00:00 2023-09-30 00:00:00 2023-12-31 00:00:00 |
| Año | Se remuestrean las observaciones en la columna de fecha y hora al último día de cada año. | 2022-12-31 0:00:00 2023-12-31 00:00:00 2024-12-31 00:00:00 |
| Hora | Se remuestrean las observaciones en la columna de fecha y hora a cada hora de cada día | 2023-03-24 00:00:00 2023-03-24 01:00:00 2023-03-24 02:00:00 2023-03-24 03:00:00 |
| Minuto | Se remuestrean las observaciones en la columna de fecha y hora a cada minuto de cada hora | 2023-03-24 00:00:00 2023-03-24 00:01:00 2023-03-24 00:02:00 2023-03-24 00:03:00 |
| Segundo | Se remuestrean las observaciones en la columna de fecha y hora a cada segundo de cada minuto | 2023-03-24 00:00:00 2023-03-24 00:00:01 2023-03-24 00:00:02 2023-03-24 00:00:03 |
Al aplicar la transformación de remuestreo, puede usar la opción **Avanzada** para especificar cómo se modifican los valores resultantes del resto de las columnas (distintas de la columna de fecha y hora) del conjunto de datos. Esto se puede lograr especificando la metodología de remuestreo, que puede ser reducir o aumentar el muestreo tanto para las columnas numéricas como para las no numéricas.
La *reducción del muestreo* aumenta el intervalo entre las observaciones del conjunto de datos. Por ejemplo, si reduce el muestreo de las observaciones que se realizan cada hora o cada dos horas, cada observación del conjunto de datos se realiza cada dos horas. Los valores de las demás columnas de las observaciones horarias se agregan en un único valor mediante un método de combinación. En las siguientes tablas se muestra un ejemplo de reducción del muestreo de datos de series temporales utilizando la media como método de combinación. Los datos del muestreo se reducen de cada dos horas a cada hora.
La siguiente tabla muestra las lecturas de temperatura por hora durante un día antes de la reducción de la muestra.
| Timestamp | Temperatura (Celsius) |
| --- | --- |
| 12:00 pm | 30 |
| 1:00 am | 32 |
| 2:00 am | 35 |
| 3:00 am | 32 |
| 4:00 am | 30 |
La siguiente tabla muestra las lecturas de temperatura después de reducir el muestreo a cada dos horas.
| Timestamp | Temperatura (Celsius) |
| --- | --- |
| 12:00 pm | 30 |
| 2:00 am | 33,5 |
| 2:00 am | 35 |
| 4:00 am | 32,5 |
Para reducir el muestreo de datos de series temporales, haga lo siguiente:
1. Expanda la sección **Avanzadas** situada debajo de la transformación **Remuestrear**.
1. Elija **Combinación no numérica** para especificar el método de combinación para las columnas no numéricas. Consulte la siguiente tabla para obtener una lista completa de métodos de combinación.
1. Elija **Combinación numérica** para especificar el método de combinación para las columnas numéricas. Consulte la siguiente tabla para obtener una lista completa de métodos de combinación.
Si no especifica los métodos de combinación, los valores predeterminados son `Most Common` para la **Combinación no numérica** y `Mean` para la **Combinación numérica**. En la siguiente tabla se enumeran los métodos de combinación numérica y no numérica.
| Metodología de reducción de muestreo | Método de combinación | Description (Descripción) |
| --- | --- | --- |
| Combinación no numérica | Más común | Agrega los valores de la columna no numérica por el valor que aparece con más frecuencia |
| Combinación no numérica | Último | Agrega los valores de la columna no numérica por el último valor de la columna |
| Combinación no numérica | Primero | Agrega los valores de la columna no numérica por el primer valor de la columna |
| Combinación numérica | Media | Agrega los valores de la columna numérica tomando la media de todos los valores de la columna |
| Combinación numérica | Median | Agrega los valores de la columna numérica tomando la mediana de todos los valores de la columna |
| Combinación numérica | Mínimo | Agrega los valores de la columna numérica tomando el mínimo de todos los valores de la columna |
| Combinación numérica | Máximo | Agrega los valores de la columna numérica tomando el máximo de todos los valores de la columna |
| Combinación numérica | Sum | Agrega los valores de la columna numérica sumando todos los valores de la columna |
| Combinación numérica | Cuantil | Agrega los valores de la columna numérica tomando el cuantil de todos los valores de la columna |
El *aumento del muestreo* reduce el intervalo entre las observaciones del conjunto de datos. Por ejemplo, si aumenta el muestreo de las observaciones que se toman cada dos horas para convertirlas en observaciones por hora, los valores de las demás columnas de las observaciones por hora se interpolan a partir de las que se han tomado cada dos horas.
Para aumentar el muestreo los datos de series temporales, haga lo siguiente.
1. Expanda la sección **Avanzadas** situada debajo de la transformación **Remuestrear**.
1. Elija **Estimación no numérica** para especificar el método de estimación para las columnas no numéricas. Consulte la tabla siguiente a este procedimiento para obtener una lista completa de los métodos.
1. Elija **Estimación numérica** para especificar el método de estimación para las columnas numéricas. Consulte la siguiente tabla para obtener una lista completa de métodos.
1. (Opcional) Elija **ID Column** para especificar la columna que contiene las IDs observaciones de la serie temporal. Especifique esta opción si su conjunto de datos tiene dos series temporales. Si tiene una columna que representa solo una serie temporal, no especifique un valor para este campo. Por ejemplo, puede tener un conjunto de datos que contenga las columnas `id` y `purchase`. La columna `id` tiene los siguientes valores: `[1, 2, 2, 1]`. La columna `purchase` tiene los siguientes valores: `[$2, $3, $4, $1]`. Por lo tanto, el conjunto de datos tiene dos series temporales: una serie temporal es: `1: [$2, $1]` y la otra serie temporal es `2: [$3, $4]`.
Si no especifica los métodos de estimación, los valores predeterminados son `Forward Fill` para la **Estimación no numérica** y `Linear` para la **Estimación numérica**. En la siguiente tabla se muestran los métodos de estimación.
| Metodología de aumento de muestreo | Método de estimación | Description (Descripción) |
| --- | --- | --- |
| Estimación no numérica | Rellenar hacia delante | Interpola los valores de la columna no numérica tomando los valores consecutivos después de todos los valores de la columna |
| Estimación no numérica | Rellenar hacia atrás | Interpola los valores de la columna no numérica tomando los valores consecutivos antes de todos los valores de la columna |
| Estimación no numérica | Mantener faltantes | Interpola los valores en la columna no numérica mostrando valores vacíos |
| Estimación numérica | Lineal, temporal, índice, cero, lineal S, más cercano, cuadrático, cúbico, baricéntrico, polinómico, Krogh, polinómico por partes, spline, chip P, Akima, spline cúbico, a partir de derivadas | Interpola los valores de la columna numérica mediante el interpolador especificado. [Para obtener información sobre los métodos de interpolación, consulte pandas. DataFrame.interpolate](https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.interpolate.html) en la documentación de pandas. |
La siguiente captura de pantalla muestra la configuración **Avanzada** con los campos de aumento y reducción de muestreo rellenados.
![\[La aplicación de Canvas, con el panel lateral de remuestreo de series temporales que muestra las opciones avanzadas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-prepare-data-resampling.png)
### Uso de la extracción de fecha y hora
Con la transformación de extracción de fecha y hora, puede extraer valores de una columna de fecha y hora en una columna independiente. Por ejemplo, si tiene una columna que contiene las fechas de compra, puede extraer el valor del mes en una columna independiente y utilizar la nueva columna al crear el modelo. También puede extraer varios valores para separar columnas con una sola transformación.
La columna de fecha y hora debe usar un formato de marca de tiempo compatible. Para obtener una lista de los formatos compatibles con SageMaker Canvas, consulte. [Pronósticos de series temporales en Amazon SageMaker Canvas](canvas-time-series.md) Si su conjunto de datos no utiliza uno de los formatos compatibles, actualícelo para que utilice un formato de marca de tiempo compatible y vuelva a importarlo a Amazon SageMaker Canvas antes de crear el modelo.
Para realizar una extracción de fecha y hora, haga lo siguiente.
1. **En la pestaña **Crear** de la aplicación SageMaker Canvas, en la barra de transformaciones, elija Ver todo.**
1. Seleccione **Extraer características**.
1. Elija la **columna Marca de tiempo** de la que desee extraer los valores.
1. En **Valores**, seleccione uno o más valores para extraerlos de la columna. Los valores que puede extraer de una columna de fecha y hora son **Año**, **Mes**, **Día**, **Hora**, **Semana del año**, **Día del año** y **Trimestre**.
1. (Opcional) Seleccione **Vista previa** para obtener una vista previa de los resultados de la transformación.
1. Seleccione **Agregar** para agregar la transformación a la **Receta de modelo**.
SageMaker Canvas crea una nueva columna en el conjunto de datos para cada uno de los valores que extraiga. A excepción de los valores de **año**, SageMaker Canvas utiliza una codificación basada en 0 para los valores extraídos. Por ejemplo, si extrae el valor del **Mes**, enero se extrae como 0 y febrero como 1.
![\[Captura de pantalla del cuadro de extracción de fecha y hora de la SageMaker aplicación Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-datetime-extract.png)
Puede ver la transformación en la sección **Recetas de modelo**. Si elimina la transformación de la sección **Recetas de modelo**, las nuevas columnas se eliminan del conjunto de datos.
# Evaluación de modelos
Una vez creado el modelo, puede evaluar el rendimiento del modelo con los datos antes de usarlo para hacer predicciones. Puede utilizar información, como la precisión del modelo al predecir etiquetas y métricas avanzadas, para determinar si el modelo puede realizar predicciones suficientemente precisas para sus datos.
La sección [Evaluación del desempeño de su modelo](canvas-scoring.md) describe cómo ver e interpretar la información de la página de **Analizar** del modelo. La sección [Uso de métricas avanzadas en sus análisis](canvas-advanced-metrics.md) contiene información más detallada sobre las **Métricas avanzadas** que se utilizan para cuantificar la exactitud del modelo.
También puede ver información más avanzada sobre *modelos candidatos* específicos, que son todas las iteraciones de modelos que Canvas ejecuta al crear el modelo. En función de las métricas avanzadas de un modelo candidato determinado, puede seleccionar un candidato diferente para que sea el predeterminado o la versión que se utilice para realizar predicciones e implementar. Para cada modelo candidato, puede ver la información de **Métricas avanzadas** para ayudarlo a decidir qué modelo candidato desea seleccionar como predeterminado. Puede ver esta información seleccionando el modelo candidato en la **Tabla de clasificación de modelos**. Para obtener más información, consulte [Visualización de los candidatos del modelo en la tabla de clasificación de modelos](canvas-evaluate-model-candidates.md).
Canvas también ofrece la opción de descargar un cuaderno de Jupyter para ver y ejecutar el código utilizado para crear el modelo. Esto resulta útil si desea realizar ajustes en el código u obtener más información sobre cómo se creó su modelo. Para obtener más información, consulte [Descarga de un modelo de cuaderno](canvas-notebook.md).
# Evaluación del desempeño de su modelo
Amazon SageMaker Canvas proporciona información general y de puntuación para los distintos tipos de modelos. La puntuación del modelo puede ayudarle a determinar la precisión del modelo a la hora de hacer predicciones. La información adicional sobre las puntuaciones puede ayudarle a cuantificar las diferencias entre los valores reales y los previstos.
Para ver el análisis del modelo, haga lo siguiente:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. Elija el modelo que ha creado.
1. En el panel de navegación superior, elija la pestaña **Analizar**.
1. En la pestaña **Analizar**, puede ver la información general y la información de puntuación de su modelo.
En las siguientes secciones se describe cómo interpretar la puntuación para cada tipo de modelo.
## Evaluación de los modelos de predicción categórica
La pestaña **Información general** muestra el impacto de cada columna en cada columna. El **Impacto de columna** es una puntuación porcentual que indica el peso que tiene una columna a la hora de realizar predicciones en relación con las demás columnas. Para un impacto de columna del 25 %, Canvas pondera la predicción en un 25 % para la columna y un 75 % para las demás columnas.
La siguiente captura de pantalla muestra la puntuación de **Precisión** del modelo, junto con la **Métrica de optimización**, que es la métrica que se elige optimizar al crear el modelo. En este caso, la **Métrica de optimización** es **Exactitud**. Puede especificar una métrica de optimización diferente si crea una nueva versión del modelo.
![\[Captura de pantalla de la puntuación de precisión y la métrica de optimización en la pestaña Analizar de Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-category.png)
La pestaña **Puntuación** de un modelo de predicción categórica le permite visualizar todas las predicciones. Los segmentos de línea se extienden desde la izquierda de la página e indican todas las predicciones que ha realizado el modelo. En el centro de la página, los segmentos de línea convergen en un segmento perpendicular para indicar la proporción de cada predicción en una sola categoría. A partir de la categoría pronosticada, los segmentos se ramifican hacia la categoría real. Puede hacerse una idea visual de la precisión de las predicciones siguiendo cada segmento de línea desde la categoría pronosticada hasta la categoría real.
La siguiente imagen muestra un ejemplo de una sección de **Puntuación** para un modelo de **predicción de 3 categorías o más**.
![\[Captura de pantalla de la pestaña Puntuación de un modelo de predicción de 3 categorías o más.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-multiclass-classification.png)
También puede consultar la pestaña **Métricas avanzadas** para obtener información más detallada sobre el rendimiento del modelo, como métricas avanzadas, gráficas de densidad de errores o matrices de confusión. Para obtener más información sobre la pestaña **Métricas avanzadas**, consulte [Uso de métricas avanzadas en sus análisis](canvas-advanced-metrics.md).
## Evaluación de los modelos de predicción numérica
La pestaña **Información general** muestra el impacto de cada columna en cada columna. El **Impacto de columna** es una puntuación porcentual que indica el peso que tiene una columna a la hora de realizar predicciones en relación con las demás columnas. Para un impacto de columna del 25 %, Canvas pondera la predicción en un 25 % para la columna y un 75 % para las demás columnas.
La siguiente captura de pantalla muestra la puntuación **RMSE** del modelo en la pestaña **Información general**, que en este caso es la **métrica de Optimización**. La **métrica de Optimización** es la métrica que se elige optimizar al crear el modelo. Puede especificar una métrica de optimización diferente si crea una nueva versión del modelo.
![\[Captura de pantalla de la métrica de optimización RMSE en la pestaña Analizar de Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-numeric.png)
La pestaña **Puntuación** de la predicción numérica muestra una línea para indicar el valor previsto del modelo en relación con los datos utilizados para realizar las predicciones. Los valores de la predicción numérica suelen ser \$1/- el valor del RMSE (error cuadrático medio). El valor que predice el modelo suele estar dentro del rango del RMSE. El ancho de la banda violeta que rodea la línea indica el rango de RMSE. Los valores pronosticados suelen estar dentro del rango.
La siguiente imagen muestra la sección de **Puntuación** para la predicción numérica.
![\[Captura de pantalla de la pestaña Puntuación de un modelo de predicción numérica.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-analyze/canvas-analyze-regression-scoring.png)
También puede consultar la pestaña **Métricas avanzadas** para obtener información más detallada sobre el rendimiento del modelo, como métricas avanzadas, gráficas de densidad de errores o matrices de confusión. Para obtener más información sobre la pestaña **Métricas avanzadas**, consulte [Uso de métricas avanzadas en sus análisis](canvas-advanced-metrics.md).
## Evaluación de los modelos de previsión de series temporales
En la página **Analizar** de los modelos de previsión de series temporales, puede ver una descripción general de las métricas del modelo. Puede pasar el cursor sobre cada métrica para obtener más información, o puede consultar [Uso de métricas avanzadas en sus análisis](canvas-advanced-metrics.md) para obtener más información sobre cada métrica.
En la sección **Impacto de columna**, puedes ver la puntuación de cada columna. El **Impacto de columna** es una puntuación porcentual que indica el peso que tiene una columna a la hora de realizar predicciones en relación con las demás columnas. Para un impacto de columna del 25 %, Canvas pondera la predicción en un 25 % para la columna y un 75 % para las demás columnas.
La siguiente captura de pantalla muestra las puntuaciones de las métricas de las series temporales del modelo, junto con la **Métrica de optimización**, que es la métrica que se elige optimizar al crear el modelo. En este caso, la **Métrica de optimización** es **RMSE**. Puede especificar una métrica de optimización diferente si crea una nueva versión del modelo. Las puntuaciones de estas métricas se toman de los resultados de las pruebas de datos, que están disponibles para su descarga en la pestaña **Artefactos**.
![\[Captura de pantalla de la métrica de optimización RMSE en la pestaña Analizar de Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/analyze-tab-2-time-series.png)
La pestaña **Artefactos** proporciona acceso a varios recursos clave que puede utilizar para profundizar en el rendimiento del modelo y seguir iterando sobre este:
+ **Divisiones desordenadas de entrenamiento y validación**: en esta sección se incluyen enlaces a los artefactos que se generaron cuando el conjunto de datos se dividió en conjuntos de entrenamiento y validación, lo que le permitirá revisar la distribución de los datos y posibles sesgos.
+ **Resultados de pruebas de datos**: en esta sección se incluye un enlace a los valores pronosticados para el conjunto de datos de validación, que se utiliza para generar métricas de exactitud y datos de evaluación para el modelo.
+ **Métricas de exactitud**: en esta sección se muestran las métricas avanzadas que evalúan el rendimiento del modelo, como el error cuadrático medio (RMSE). Para obtener más información acerca de cada métrica, consulte [Métricas para previsiones de series temporales](canvas-metrics.md#canvas-time-series-forecast-metrics).
+ **Informe de explicabilidad**: en esta sección se proporciona un enlace para descargar el informe de explicabilidad, que ofrece información sobre el proceso de toma de decisiones del modelo y la importancia relativa de las columnas de entrada. Este informe puede ayudarle a identificar posibles áreas de mejora.
En la página **Analizar** también puede pulsar el botón **Descargar** para descargar directamente a su máquina local resultados de pruebas de datos, métricas de exactitud y artefactos de los informes de explicabilidad.
## Evaluación de los modelos de predicción de imágenes
La pestaña **Información general** muestra el **Rendimiento por etiqueta**, lo que proporciona una puntuación de precisión general para las imágenes pronosticadas para cada etiqueta. Puede elegir una etiqueta para ver detalles más específicos, como las imágenes **Pronosticadas correctamente** y **Pronosticadas incorrectamente** para la etiqueta.
Puede activar el conmutador del **Mapa de calor** para ver un mapa de calor para cada imagen. El mapa de calor muestra las áreas de interés que tienen el mayor impacto cuando el modelo realiza predicciones. Para obtener más información sobre los mapas de calor y cómo utilizarlos para mejorar el modelo, seleccione el icono de **Más información** situado junto al conmutador del **Mapa de calor**.
La pestaña **Puntuación** de los modelos de predicción de imágenes de una sola etiqueta muestra una comparación entre lo que el modelo predijo como etiqueta y lo que era la etiqueta real. Puede seleccionar hasta 10 etiquetas a la vez. Puede cambiar las etiquetas de la visualización seleccionando el menú desplegable de etiquetas y seleccionando o deseleccionando las etiquetas.
También puede ver la información de etiquetas individuales o grupos de etiquetas, como las tres etiquetas con la precisión más alta o más baja, seleccionando el menú desplegable **Ver puntuaciones para** la sección **Información sobre la precisión del modelo**.
La siguiente captura de pantalla muestra la información de **Puntuación** de un modelo de predicción de imágenes de una sola etiqueta.
![\[Etiquetas reales y predichas en la página de puntuación para un modelo de predicción de texto de varias categorías.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/analyze-image-scoring.png)
## Evaluación de los modelos de predicción de texto
La pestaña **Información general** muestra el **Rendimiento por etiqueta**, lo que proporciona una puntuación de precisión general para los pasajes de texto pronosticados para cada etiqueta. Puede elegir una etiqueta para ver detalles más específicos, como las imágenes **Pronosticadas correctamente** y **Pronosticadas incorrectamente** para los pasajes.
La pestaña **Puntuación** de los modelos de predicción de texto multicategoría muestra una comparación entre lo que el modelo predijo como etiqueta y lo que era la etiqueta real.
En la sección **Información sobre la precisión del modelo**, puede ver la **categoría más frecuente**, que indica la categoría que el modelo predijo con más frecuencia y la precisión de esas predicciones. Si su modelo predice correctamente una etiqueta de **Positivo** el 99 % de las veces, puede estar bastante seguro de que su modelo es bueno para predecir la opinión positiva en el texto.
La siguiente captura de pantalla muestra la información de **Puntuación** de un modelo de predicción de texto multicategoría.
![\[Etiquetas reales y predichas en la página de puntuación para un modelo de predicción de imágenes de una sola etiqueta.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/analyze-text-scoring.png)
# Uso de métricas avanzadas en sus análisis
En la siguiente sección, se describe cómo buscar e interpretar las métricas avanzadas de su modelo en Amazon SageMaker Canvas.
**nota**
En la actualidad, solo hay métricas avanzadas disponibles para los modelos de predicción numéricos y categóricos.
Para buscar la pestaña **Métricas avanzadas**, haga lo siguiente:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. Elija el modelo que ha creado.
1. En el panel de navegación superior, elija la pestaña **Analizar**.
1. En la pestaña **Analizar**, seleccione la pestaña **Métricas avanzadas**.
En la pestaña **Métricas avanzadas**, encontrará la pestaña **Rendimiento**. La página es similar a la captura de pantalla siguiente.
![\[Captura de pantalla de la pestaña de métricas avanzadas para un modelo de predicción categórica.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-analyze-performance.png)
En la parte superior aparece un resumen de las puntuaciones de las métricas, incluida la **Métrica de optimización**, que es la métrica que ha seleccionado (o que Canvas ha seleccionado de forma predeterminada) para optimizar al compilar el modelo.
En las siguientes secciones se describe información más detallada sobre la pestaña **Rendimiento** de **Métricas avanzadas**.
## Desempeño
En la pestaña **Rendimiento** aparece una **Tabla de métricas**, junto con las visualizaciones que Canvas crea en función del tipo de modelo. Para los modelos de predicción categórica, Canvas proporciona una *matriz de confusión*, mientras que para los modelos de predicción numérica, proporciona gráficos de *residuos* y *densidad de errores*.
En la **Tabla de métricas** se proporciona una lista completa de las puntuaciones del modelo para cada métrica avanzada, que es más completa que la descripción general de las puntuaciones que aparece en la parte superior de la página. Las métricas que se muestran aquí dependen del tipo de modelo. Para obtener una referencia que le ayude a entender e interpretar cada métrica, consulte [Referencia de métricas](canvas-metrics.md).
Para comprender las visualizaciones que pueden aparecer en función del tipo de modelo, consulte las siguientes opciones:
+ **Matriz de confusión**: Canvas utiliza matrices de confusión para ayudarle a visualizar cuándo un modelo hace predicciones correctamente. En una matriz de confusión, los resultados se organizan para comparar los valores pronosticados con los valores reales. El siguiente ejemplo explica cómo funciona una matriz de confusión para un modelo de predicción de 2 categorías que predice etiquetas positivas y negativas:
+ Positivo verdadero: el modelo predijo correctamente el positivo cuando la etiqueta verdadera era positiva.
+ Negativo verdadero: el modelo predijo correctamente el negativo cuando la etiqueta verdadera era negativa.
+ Falso positivo: el modelo predijo incorrectamente el positivo cuando la etiqueta verdadera era negativa.
+ Falso negativo: el modelo predijo incorrectamente el negativo cuando la etiqueta verdadera era positiva.
+ **Curva de exhaustividad de precisión**: la curva de exhaustividad de precisión es una visualización de la puntuación de precisión del modelo comparada con la puntuación de exhaustividad del modelo. Por lo general, un modelo que puede realizar predicciones perfectas tendría puntuaciones de precisión y exhaustividad iguales a 1. La curva de exhaustividad de precisión de un modelo correctamente preciso es bastante alta tanto en precisión como en exhaustividad.
+ **Residuos**: los residuos son la diferencia entre los valores reales y los valores pronosticados por el modelo. Un gráfico de residuos representa los residuos comparándolos con los valores correspondientes para visualizar su distribución y cualquier patrón o valor atípico. Una distribución normal de los residuos en torno a cero indica que el modelo es adecuado para los datos. Sin embargo, si los residuos están sesgados significativamente o tienen valores atípicos, puede indicar que el modelo está sobreajustando los datos o que hay otros problemas que deben abordarse.
+ **Densidad de errores**: una gráfica de densidad de errores es una representación de la distribución de los errores cometidos por un modelo. Muestra la densidad de probabilidad de los errores en cada punto, lo que le ayuda a identificar cualquier área en la que el modelo pueda estar sobreajustándose o cometiendo errores sistemáticos.
# Visualización de los candidatos del modelo en la tabla de clasificación de modelos
Cuando realiza una [compilación estándar](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) para modelos de previsión tabulares y de series temporales en Amazon SageMaker Canvas, la SageMaker IA entrena a varios *candidatos* a modelos (diferentes iteraciones del modelo) y, de forma predeterminada, selecciona el que tenga el valor más alto para la métrica de optimización. En el caso de los modelos tabulares, Canvas crea hasta 250 candidatos del modelo diferentes mediante diversos algoritmos y ajustes de hiperparámetros. Para los modelos de previsión de series temporales, Canvas crea 7 modelos diferentes: uno para cada uno de los [algoritmos de previsión compatibles](canvas-advanced-settings.md#canvas-advanced-settings-time-series) y un modelo de conjunto que promedia las predicciones de los demás modelos para intentar optimizar la exactitud.
El candidato del modelo predeterminado es la única versión que puede usar en Canvas para acciones como hacer predicciones, registrarse en el registro del modelo o implementarlo en un punto de conexión. Sin embargo, puede resultar conveniente revisar todos los candidatos del modelo y seleccionar un candidato diferente como modelo predeterminado. Puede ver todos los candidatos del modelo y más detalles sobre cada candidato en la **Tabla de clasificación de modelos** en Canvas.
Para ver la **Tabla de clasificación de modelos**, haga lo siguiente:
1. Abra la aplicación Canvas SageMaker .
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. Elija el modelo que ha creado.
1. En el panel de navegación superior, elija la pestaña **Analizar**.
1. En la pestaña **Analizar**, elija **Tabla de clasificación de modelos**.
Se abre la página **Tabla de clasificación de modelos**, que en el caso de los modelos tabulares se parece a la siguiente captura de pantalla.
![\[La tabla de clasificación de modelos, en la que se enumeran todos los candidatos del modelo que Canvas ha entrenado.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-model-leaderboard.png)
En el caso de los modelos de previsión de series temporales, aparecen 7 modelos, que incluyen uno para cada uno de los algoritmos de previsión de series temporales compatibles con Canvas y un modelo de conjunto. Para obtener más información sobre los algoritmos, consulte [Configuración avanzada del modelo de previsión de series temporales](canvas-advanced-settings.md#canvas-advanced-settings-time-series).
En la captura de pantalla anterior puede ver que el primer candidato del modelo de la lista está marcado como **Modelo predeterminado**. Este es el candidato del modelo con el que puede hacer predicciones o que puede implementar en los puntos de conexión.
Para ver información de métricas más detalladas sobre los candidatos del modelo y compararlos, puede elegir el icono de **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) y **Ver detalles del modelo**.
**importante**
La carga de los detalles del modelo para los modelos candidatos no predeterminados puede tardar unos minutos (normalmente menos de 10 minutos) y se aplican cargos por alojamiento de SageMaker IA. Para obtener más información, consulta los [precios de SageMaker IA](https://aws.amazon.com/sagemaker/pricing/).
El candidato del modelo se abre en la pestaña **Analizar** y las métricas que se muestran son específicas de ese candidato del modelo. Cuando termine de revisar las métricas del candidato del modelo, puede volver atrás o salir de la vista para volver a la **Tabla de clasificación de modelos**.
Si quiere establecer el **Modelo predeterminado** en un candidato diferente, puede elegir el icono de **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) y **Cambiar al modelo predeterminado**. Cambiar el modelo predeterminado por un modelo entrenado con el modo HPO puede tardar varios minutos.
**nota**
Si el modelo ya está implementado en producción, [registrado en el registro de modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-register-model.html) o tiene [automatizaciones](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-manage-automations.html) configuradas, debe eliminar la implementación, el registro de modelos o las automatizaciones antes de cambiar el modelo predeterminado.
# Referencia de métricas
En las siguientes secciones se describen las métricas que están disponibles en Amazon SageMaker Canvas para cada tipo de modelo.
## Métricas para la predicción numérica
En la siguiente lista se definen las métricas para la predicción numérica en SageMaker Canvas y se proporciona información sobre cómo utilizarlas.
+ InferenceLatency — El tiempo aproximado que transcurre entre la solicitud de una predicción del modelo y su recepción desde un punto final en tiempo real en el que se implementa el modelo. Esta métrica se mide en segundos y solo está disponible para los modelos creados con el modo **Ensamblaje**.
+ MEA: error absoluto medio. De media, la predicción para la columna de destino es \$1/- \$1MAE\$1 respecto al valor real.
Mide la diferencia entre los valores pronosticados y reales cuando se promedian entre todos los valores. MAE se utiliza habitualmente en la predicción numérica para comprender el error de predicción del modelo. Si las predicciones son lineales, MAE representa la distancia media desde una línea predicha hasta el valor real. El MAE se define como la suma de los errores absolutos dividida por el número de observaciones. Los valores van desde 0 hasta el infinito, y los números más pequeños indican un mejor ajuste del modelo a los datos.
+ MAPE: error porcentual absoluto medio. De media, la predicción para la columna de destino es de \$1/- \$1MAPE\$1 % del valor real.
MAPE es la media de las diferencias absolutas entre los valores reales y los valores pronosticados o estimados, dividida por los valores reales y expresada en porcentaje. Un valor de MAPE más bajo indica mejor rendimiento, ya que significa que los valores pronosticados o estimados se acercan más a los valores reales.
+ MSE: error cuadrático medio o media de las diferencias cuadráticas entre los valores pronosticados y reales.
Los valores de MSE son siempre positivos. Cuanto mejor prediga los valores reales un modelo, menor será el valor de MSE.
+ R2: el porcentaje de la diferencia en la columna de destino que se puede explicar mediante la columna de entrada.
Cuantifica en qué medida un modelo puede explicar la varianza de una variable dependiente. Los valores oscilan entre uno (1) y menos uno (-1). Los números más altos indican una fracción mayor de la variabilidad explicada. Los valores cercanos a cero (0) indican que el modelo puede explicar muy poco sobre la variable dependiente. Los valores negativos indican que hay un ajuste deficiente y que el rendimiento del modelo es superado por una función constante (o una línea horizontal).
+ RMSE: raíz del error cuadrático medio o desviación estándar de los errores.
Mide la raíz cuadrada de la diferencia cuadrática entre los valores pronosticados y los reales, y es la media de todos los valores. Se utiliza para comprender el error de predicción del modelo y es una métrica importante para indicar la presencia de valores atípicos y errores de modelo grandes. Los valores van desde cero (0) hasta infinito, y los números más pequeños indican el modelo que se ajusta mejor a los datos. RMSE depende de la escala y no debe usarse para comparar conjuntos de datos de diferentes tipos.
## Métricas para la predicción categórica
En esta sección, se definen las métricas para la predicción categórica en SageMaker Canvas y se proporciona información sobre cómo utilizarlas.
A continuación se ofrece una lista de las métricas disponibles para la predicción de 2 categorías.
+ Exactitud: la exactitud mide el porcentaje de predicciones correctas.
O la relación entre el número de elementos pronosticados correctamente y el número total de predicciones realizadas. La precisión mide el grado de aproximación de los valores de clase pronosticados con respecto a los valores reales. Los valores de las métricas de precisión varían entre cero (0) y uno (1). Un valor de 1 indica una exactitud perfecta y un 0 indica una inexactitud completa.
+ AUC: un valor entre 0 y 1 que indica en qué medida el modelo es capaz de separar las categorías del conjunto de datos. Un valor de 1 indica que fue capaz de separar las categorías a la perfección.
+ BalancedAccuracy — Mide la relación entre las predicciones precisas y todas las predicciones.
Esta relación se calcula después de normalizar los positivos verdaderos (TP) y los negativos verdaderos (TN) mediante el número total de valores positivos (P) y negativos (N). Se define de la siguiente manera: `0.5*((TP/P)+(TN/N))`, con valores que van de 0 a 1. La métrica de exactitud equilibrada proporciona una medida mejor de la precisión cuando el número de positivos o negativos es muy diferente entre sí en un conjunto de datos desequilibrado; por ejemplo, cuando solo el 1 % del correo electrónico es no deseado.
+ F1: una medida equilibrada de precisión que tiene en cuenta el equilibrio de clases.
Es la media armónica de las puntuaciones de precisión y exhaustividad, definidas de la siguiente manera: `F1 = 2 * (precision * recall) / (precision + recall)`. Las puntuaciones de F1 varían entre 0 y 1. Una puntuación de 1 indica el mejor rendimiento posible y 0 indica el peor.
+ InferenceLatency — El tiempo aproximado que transcurre entre la solicitud de una predicción del modelo y su recepción desde un punto final en tiempo real en el que se despliega el modelo. Esta métrica se mide en segundos y solo está disponible para los modelos creados con el modo **Ensamblaje**.
+ LogLoss — La pérdida logarítmica, también conocida como pérdida de entropía cruzada, es una métrica que se utiliza para evaluar la calidad de las salidas probabilísticas, en lugar de las salidas en sí mismas. La pérdida logarítmica es una métrica importante para indicar, con una alta probabilidad, el momento en el que un modelo hace predicciones incorrectas. Los valores están comprendidos entre 0 e infinito. Un valor de 0 representa un modelo que predice perfectamente los datos.
+ Precisión: de todas las veces que se predijo \$1category x\$1, la predicción fue correcta el \$1precision\$1 % de las veces.
La precisión mide el rendimiento de un algoritmo al predecir los verdaderos positivos (TP) de entre todos los positivos que identifica. Se define de la siguiente manera: `Precision = TP/(TP+FP)`, con valores que van de cero (0) a uno (1). La precisión es una métrica importante cuando el costo de un falso positivo es elevado. Por ejemplo, el costo de un falso positivo es muy elevado si el sistema de seguridad de un avión se equivoca al decir que es seguro volar. Un falso positivo (FP) refleja una predicción positiva que, en realidad, es negativa en los datos.
+ Exhaustividad: el modelo predijo correctamente que \$1recall\$1% sería \$1category x\$1 cuando \$1target\$1column\$1 en realidad era \$1category x\$1.
La exhaustividad mide el rendimiento de un algoritmo a la hora de predecir correctamente todos los positivos verdaderos (TP) de un conjunto de datos. Un positivo verdadero es una predicción positiva que también es un valor positivo real en los datos. La exhaustividad se define de la siguiente manera: `Recall = TP/(TP+FN)`, con valores que van de 0 a 1. Las puntuaciones más altas reflejan una mejor capacidad del modelo para predecir los verdaderos positivos (TP) en los datos. Tenga en cuenta que a menudo no basta con medir solo la exhaustividad, ya que, si se predice cada salida como un verdadero positivo, se obtiene una puntuación de exhaustividad perfecta.
A continuación se ofrece una lista de las métricas disponibles para la predicción de más de 3 categorías.
+ Exactitud: la exactitud mide el porcentaje de predicciones correctas.
O la relación entre el número de elementos pronosticados correctamente y el número total de predicciones realizadas. La precisión mide el grado de aproximación de los valores de clase pronosticados con respecto a los valores reales. Los valores de las métricas de precisión varían entre cero (0) y uno (1). Un valor de 1 indica una exactitud perfecta y un 0 indica una inexactitud completa.
+ BalancedAccuracy — Mide la relación entre las predicciones precisas y todas las predicciones.
Esta relación se calcula después de normalizar los positivos verdaderos (TP) y los negativos verdaderos (TN) mediante el número total de valores positivos (P) y negativos (N). Se define de la siguiente manera: `0.5*((TP/P)+(TN/N))`, con valores que van de 0 a 1. La métrica de exactitud equilibrada proporciona una medida mejor de la precisión cuando el número de positivos o negativos es muy diferente entre sí en un conjunto de datos desequilibrado; por ejemplo, cuando solo el 1 % del correo electrónico es no deseado.
+ F1macro: la puntuación F1macro aplica la puntuación F1 calculando la precisión y la exhaustividad y, a continuación, aplicando la media armónica para calcular la puntuación de F1 de cada clase. A continuación, F1macro calcula la media de las puntuaciones individuales para obtener la puntuación F1macro. Las puntuaciones F1macro varían entre 0 y 1. Una puntuación de 1 indica el mejor rendimiento posible y 0 indica el peor.
+ InferenceLatency — El tiempo aproximado que transcurre entre la solicitud de una predicción del modelo y su recepción desde un punto final en tiempo real en el que se despliega el modelo. Esta métrica se mide en segundos y solo está disponible para los modelos creados con el modo **Ensamblaje**.
+ LogLoss — La pérdida logarítmica, también conocida como pérdida de entropía cruzada, es una métrica que se utiliza para evaluar la calidad de las salidas probabilísticas, en lugar de las salidas en sí mismas. La pérdida logarítmica es una métrica importante para indicar, con una alta probabilidad, el momento en el que un modelo hace predicciones incorrectas. Los valores están comprendidos entre 0 e infinito. Un valor de 0 representa un modelo que predice perfectamente los datos.
+ PrecisionMacro — Mide la precisión calculando la precisión de cada clase y promediando las puntuaciones para obtener la precisión de varias clases. Las puntuaciones están comprendidas entre cero (0) y uno (1). Las puntuaciones más altas reflejan la capacidad del modelo para predecir positivos verdaderos (TP) a partir de todos los positivos que identifica, promediados en varias clases.
+ RecallMacro — Mide la memoria calculando la memoria de cada clase y promediando las puntuaciones para obtener la memoria de varias clases. Las puntuaciones están comprendidas entre 0 y 1. Las puntuaciones más altas reflejan la capacidad del modelo para predecir positivos verdaderos (TP) en un conjunto de datos, mientras que un resultado positivo verdadero refleja una predicción positiva que también es un valor positivo real en los datos. A menudo, no basta con medir solo la exhaustividad, ya que, si se predice cada salida como un verdadero positivo, se obtiene una puntuación de exhaustividad perfecta.
Tenga en cuenta que en las predicciones de 3 categorías o más, también recibe las métricas medias de F1, precisión, exactitud y exhaustividad. Las puntuaciones de estas métricas son solo la media de las puntuaciones de las métricas para todas las categorías.
## Métricas para la predicción de imágenes y de texto
A continuación se ofrece una lista de las métricas disponibles para la predicción de imágenes y de texto.
+ Exactitud: la exactitud mide el porcentaje de predicciones correctas.
O la relación entre el número de elementos pronosticados correctamente y el número total de predicciones realizadas. La precisión mide el grado de aproximación de los valores de clase pronosticados con respecto a los valores reales. Los valores de las métricas de precisión varían entre cero (0) y uno (1). Un valor de 1 indica una exactitud perfecta y un 0 indica una inexactitud completa.
+ F1: una medida equilibrada de precisión que tiene en cuenta el equilibrio de clases.
Es la media armónica de las puntuaciones de precisión y exhaustividad, definidas de la siguiente manera: `F1 = 2 * (precision * recall) / (precision + recall)`. Las puntuaciones de F1 varían entre 0 y 1. Una puntuación de 1 indica el mejor rendimiento posible y 0 indica el peor.
+ Precisión: de todas las veces que se predijo \$1category x\$1, la predicción fue correcta el \$1precision\$1 % de las veces.
La precisión mide el rendimiento de un algoritmo al predecir los verdaderos positivos (TP) de entre todos los positivos que identifica. Se define de la siguiente manera: `Precision = TP/(TP+FP)`, con valores que van de cero (0) a uno (1). La precisión es una métrica importante cuando el costo de un falso positivo es elevado. Por ejemplo, el costo de un falso positivo es muy elevado si el sistema de seguridad de un avión se equivoca al decir que es seguro volar. Un falso positivo (FP) refleja una predicción positiva que, en realidad, es negativa en los datos.
+ Exhaustividad: el modelo predijo correctamente que \$1recall\$1% sería \$1category x\$1 cuando \$1target\$1column\$1 en realidad era \$1category x\$1.
La exhaustividad mide el rendimiento de un algoritmo a la hora de predecir correctamente todos los positivos verdaderos (TP) de un conjunto de datos. Un positivo verdadero es una predicción positiva que también es un valor positivo real en los datos. La exhaustividad se define de la siguiente manera: `Recall = TP/(TP+FN)`, con valores que van de 0 a 1. Las puntuaciones más altas reflejan una mejor capacidad del modelo para predecir los verdaderos positivos (TP) en los datos. Tenga en cuenta que a menudo no basta con medir solo la exhaustividad, ya que, si se predice cada salida como un verdadero positivo, se obtiene una puntuación de exhaustividad perfecta.
Tenga en cuenta que, en el caso de los modelos de predicción de imágenes y texto en los que predice 3 o más categorías, también recibirá las métricas *medias* de F1, precisión, exactitud y exhaustividad. Las puntuaciones de estas métricas son solo la media de las puntuaciones de las métricas para todas las categorías.
## Métricas para previsiones de series temporales
A continuación, se definen las métricas avanzadas para las previsiones de series temporales en Amazon SageMaker Canvas y se proporciona información sobre cómo utilizarlas.
+ Pérdida de cuantil ponderada media (wQL): evalúa el pronóstico promediando la exactitud de los cuantiles P10, P50 y P90. Un valor más bajo indica un modelo más exacto.
+ Error porcentual absoluto ponderado (WAPE): suma del error absoluto normalizado por la suma del objetivo absoluto, que mide la desviación general de los valores pronosticados con respecto a los valores observados. Un valor más bajo indica un modelo más exacto, donde WAPE = 0 es un modelo sin errores.
+ Error cuadrático medio (RMSE): la raíz cuadrada del promedio de errores cuadráticos. Un RMSE más bajo indica un modelo más exacto, donde RMSE = 0 es un modelo sin errores.
+ Error porcentual absoluto medio (MAPE): el porcentaje de error (diferencia porcentual entre el valor medio previsto y el valor real) promediado en todos los puntos temporales. Un valor más bajo indica un modelo más exacto, donde MAPE = 0 es un modelo sin errores.
+ Error escalado absoluto medio (MASE): el error absoluto medio de la previsión normalizado mediante el error absoluto medio de un método de previsión de referencia simple. Un valor más bajo indica un modelo más preciso, en el que MASE <1 se considera mejor que la referencia y MASE >1 se considera peor que la referencia.
# Predicciones con modelos personalizados
Utilice el modelo personalizado que creó en SageMaker Canvas para hacer predicciones para sus datos. En las siguientes secciones se muestra cómo realizar predicciones para modelos de predicción numéricos y categóricos, previsiones de series temporales, modelos de predicción de imágenes y modelos de predicción de texto.
Los modelos personalizados de predicción numérica y categórica, predicción de imágenes y predicción de texto permiten realizar los siguientes tipos de predicciones para sus datos:
+ **Predicciones únicas**: una **Predicción única** se realiza cuando solo se necesita hacer una predicción. Por ejemplo, si tiene una imagen o un pasaje de texto que desea clasificar.
+ **Predicciones por lotes**: una **Predicción por lotes** se realiza cuando se quiere hacer predicciones para un conjunto de datos completo. Puede realizar predicciones por lotes para conjuntos de datos de 1 TB o más. Por ejemplo, puede tener un archivo CSV de valoraciones de clientes sobre las que le gustaría predecir la opinión de los clientes, o tiene una carpeta de archivos de imágenes que le gustaría clasificar. Debería hacer predicciones con un conjunto de datos que coincida con el conjunto de datos de entrada. Canvas le permite realizar predicciones por lotes manualmente, o puede configurar predicciones automáticas por lotes que se ejecutan cada vez que actualiza un conjunto de datos.
Para cada predicción o conjunto de predicciones, SageMaker Canvas devuelve lo siguiente:
+ Los valores previstos
+ La probabilidad de que el valor previsto sea correcto
**Introducción**
Elija uno de los siguientes flujos de trabajo para realizar predicciones con su modelo personalizado:
+ [Predicciones por lotes en SageMaker Canvas](canvas-make-predictions-batch.md)
+ [Predicciones únicas](canvas-make-predictions-single.md)
Después de generar predicciones con el modelo, también puede tomar las siguientes medidas:
+ [Actualice el modelo añadiendo versiones.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-update-model.html) Si quiere intentar mejorar la precisión de la predicción de su modelo, puede crear nuevas versiones del modelo. Puede clonar la configuración y el conjunto de datos de creación de modelos originales, o puede cambiar la configuración y seleccionar un conjunto de datos diferente. Después de añadir una nueva versión, puede revisar y comparar versiones para elegir la mejor.
+ [Registre una versión del modelo en el registro de modelos de IA SageMaker](canvas-register-model.md). Puede registrar versiones de su modelo en el registro de SageMaker modelos, que es una función para rastrear y administrar el estado de las versiones del modelo y los procesos de aprendizaje automático. Un científico de datos o un usuario del MLOps equipo con acceso al registro de SageMaker modelos puede revisar las versiones de su modelo y aprobarlas o rechazarlas antes de implementarlas en producción.
+ [Envíe sus predicciones de lotes a Quick.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-send-predictions.html) En Quick, puede crear y publicar paneles con sus conjuntos de datos de predicción por lotes. Esto puede ayudarle a analizar y compartir los resultados generados por su modelo personalizado.
# Predicciones únicas
**nota**
En esta sección se describe cómo obtener predicciones únicas de su modelo en la aplicación de Canvas. Para obtener información sobre cómo realizar invocaciones en tiempo real en un entorno de producción mediante la implementación del modelo en un punto de conexión, consulte [Implementación de sus modelos en un punto de conexión](canvas-deploy-model.md).
Realice predicciones únicas si desea obtener una predicción para un único punto de datos. Puede usar esta característica para obtener predicciones en tiempo real o para experimentar con valores individuales cambiantes para ver cómo afectan al resultado de la predicción. Tenga en cuenta que las predicciones individuales se basan en un punto de conexión de inferencia asíncrona, que se cierra cuando está inactivo (o no recibe ninguna solicitud de predicción) durante dos horas.
Elija uno de los siguientes procedimientos según el tipo de modelo.
## Realización de predicciones únicas con modelos de predicción numéricos y categóricos
Para realizar una predicción única para un modelo de predicción numérico o categórico, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación de Canvas, elija **Mis modelos**.
1. En la página **Mis modelos**, elija su modelo.
1. Tras abrir el modelo, seleccione la pestaña **Predecir**.
1. En la página **Ejecutar predicciones**, elija **Predicción única**.
1. Para cada campo de **Columna**, que representa las columnas de los datos de entrada, puede cambiar el **Valor**. Seleccione el menú desplegable correspondiente al **Valor** que desea cambiar. En el caso de los campos numéricos, puede introducir un número nuevo. Para los campos con etiquetas, puede seleccionar una etiqueta diferente.
1. Cuando lo tenga todo listo para generar la predicción, en el panel de **Predicción** de la derecha, elija **Actualizar**.
En el panel de **Predicción** de la derecha, verá el resultado de la predicción. Puede **Copiar** el gráfico de resultados de la predicción, o también puede seleccionar **Descargar** para descargar el gráfico de resultados de la predicción como una imagen o para descargar los valores y la predicción como un archivo CSV.
## Realización de predicciones únicas con modelos de previsión de series temporales
Para realizar una predicción única para un modelo de previsión de series temporales, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación de Canvas, elija **Mis modelos**.
1. En la página **Mis modelos**, elija su modelo.
1. Tras abrir el modelo, seleccione la pestaña **Predecir**.
1. Elija **Predicción única**.
1. En **Elemento**, seleccione el elemento para el que desee realizar previsiones de valores.
1. Si ha utilizado un grupo por columnas para entrenar el modelo, seleccione el grupo por categoría para el elemento.
El resultado de la predicción se carga en el panel siguiente, que muestra un gráfico con la previsión para cada cuantil. Seleccione **Vista de esquema** para ver los valores numéricos pronosticados. También puede elegir **Descargar** para descargar los resultados de la predicción en un archivo de imagen o CSV.
## Realización de predicciones únicas con modelos de predicción de imágenes
Para realizar una predicción única para un modelo de predicción de imágenes de etiqueta única, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación de Canvas, elija **Mis modelos**.
1. En la página **Mis modelos**, elija su modelo.
1. Tras abrir el modelo, seleccione la pestaña **Predecir**.
1. En la página **Ejecutar predicciones**, elija **Predicción única**.
1. Elija **Importar paquete**.
1. Se le pedirá que suba una imagen. Puede cargar una imagen desde el equipo local o desde un bucket de Amazon S3.
1. Seleccione **Importar** para importar la imagen y generar la predicción.
En el panel de **Resultados de la predicción** de la derecha, el modelo muestra las posibles etiquetas para la imagen junto con una puntuación de **Confianza** para cada etiqueta. Por ejemplo, el modelo podría predecir la etiqueta **mar** de una imagen, con una puntuación de confianza del 96 %. Es posible que el modelo haya predicho la imagen como un **glaciar** con solo una puntuación de confianza del 4 %. Por lo tanto, puede determinar que su modelo es bastante seguro a la hora de predecir imágenes del mar.
## Realización de predicciones únicas con modelos de predicción de texto
Para realizar una predicción única para un modelo de predicción de texto multicategoría, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación de Canvas, elija **Mis modelos**.
1. En la página **Mis modelos**, elija su modelo.
1. Tras abrir el modelo, seleccione la pestaña **Predecir**.
1. En la página **Ejecutar predicciones**, elija **Predicción única**.
1. En el **campo de Texto**, introduzca el texto para el que quiera obtener una predicción.
1. Seleccione **Generar resultados de predicción** para obtener su predicción.
En el panel de **Resultados de la predicción** en el lado derecho verá un análisis del texto, además de una puntuación de **Confianza** para cada posible etiqueta. Por ejemplo, si ha escrito una buena reseña sobre un producto, podría obtener un **Positivo** con una puntuación de confianza del 85 %, mientras que la puntuación de confianza de **Neutral** podría ser del 10 % y la puntuación de confianza de **Negativo** solo del 5 %.
# Predicciones por lotes en SageMaker Canvas
Realice predicciones por lotes cuando tenga un conjunto de datos completo para el que desee generar predicciones. Amazon SageMaker Canvas admite predicciones por lotes para conjuntos de datos de un tamaño máximo. PBs
Hay dos tipos de predicciones por lotes que puede realizar:
+ Las predicciones por lotes [manuales](canvas-make-predictions-batch-manual.md) e producen cuando tiene un conjunto de datos para el que quiera hacer predicciones únicas.
+ Las predicciones [automáticas](canvas-make-predictions-batch-auto.md) por lotes se producen cuando se establece una configuración que se ejecuta cada vez que se actualiza un conjunto de datos específico. Por ejemplo, si ha configurado actualizaciones semanales para un conjunto de datos de inventario de SageMaker Canvas, puede configurar predicciones por lotes automáticas que se ejecuten siempre que actualice el conjunto de datos. Tras configurar un flujo de trabajo de predicciones por lotes automatizado, consulte [¿Cómo administrar las automatizaciones](canvas-manage-automations.md) para obtener más información sobre cómo ver y editar los detalles de la configuración. Para obtener más información acerca de la configuración de actualizaciones de conjuntos de datos automáticas, consulte [Configuración de las actualizaciones automáticas de un conjunto de datos](canvas-update-dataset-auto.md).
**nota**
Los modelos de previsión de serie temporal no admiten las predicciones automáticas por lotes.
Solo puede configurar predicciones por lotes automáticas para conjuntos de datos importados mediante carga local o Amazon S3. Además, las predicciones por lotes automáticas solo se pueden ejecutar mientras tenga la sesión iniciada en la aplicación de Canvas. Si cierra sesión en Canvas, los trabajos de predicción automática por lotes se reanudarán cuando vuelva a iniciar sesión.
Para empezar, revise los [Requisitos del conjunto de datos para la predicción por lotes](canvas-make-predictions-batch-preqreqs.md) y, a continuación, elija uno de los siguientes flujos de trabajo de predicción por lotes manuales o automáticos.
**Topics**
+ [Requisitos del conjunto de datos para la predicción por lotes](canvas-make-predictions-batch-preqreqs.md)
+ [Realización de predicciones por lotes manuales](canvas-make-predictions-batch-manual.md)
+ [Realización de predicciones automáticas por lotes](canvas-make-predictions-batch-auto.md)
+ [Edición de su configuración de predicción automática por lotes](canvas-make-predictions-batch-auto-edit.md)
+ [Eliminación de su configuración de predicción automática por lotes](canvas-make-predictions-batch-auto-delete.md)
+ [Visualización de trabajos de predicción por lotes](canvas-make-predictions-batch-auto-view.md)
# Requisitos del conjunto de datos para la predicción por lotes
Para las predicciones por lotes, asegúrese de que sus conjuntos de datos cumplan los requisitos descritos en [Creación de un conjunto de datos](canvas-import-dataset.md). Si el conjunto de datos tiene más de 5 GB, Canvas utiliza Amazon EMR sin servidor para procesar los datos y dividirlos en lotes más pequeños. Después de dividir sus datos, Canvas usa SageMaker AI Batch Transform para hacer predicciones. Es posible que vea los cargos de ambos servicios después de ejecutar predicciones por lotes. Para obtener más información, consulte [Precios de Canvas](https://aws.amazon.com/sagemaker/canvas/pricing/).
Es posible que no pueda realizar predicciones en algunos conjuntos de datos si tienen *esquemas incompatibles*. Un *esquema* es una estructura organizativa. En el caso de un conjunto de datos tabular, el esquema son los nombres de las columnas y el tipo de datos de las columnas. Puede producirse un esquema incompatible por las razones siguientes:
+ El conjunto de datos que utiliza para hacer predicciones tiene menos columnas que el conjunto de datos que utiliza para crear el modelo.
+ Los tipos de datos de las columnas que utilizó para crear el conjunto de datos pueden ser diferentes de los tipos de datos del conjunto de datos que utiliza para hacer predicciones.
+ El conjunto de datos que utiliza para hacer predicciones y el conjunto de datos que ha utilizado para crear el modelo tienen nombres de columna que no coinciden. En los nombres de columna se distingue entre mayúsculas y minúsculas. `Column1` no es lo mismo que `column1`.
Para asegurarse de que puede generar correctamente las predicciones por lotes, haga coincidir el esquema de su conjunto de datos de predicciones por lotes con el conjunto de datos que utilizó para entrenar el modelo.
**nota**
En el caso de las predicciones por lotes, si eliminó alguna columna al crear el modelo, Canvas volverá a agregar las columnas eliminadas a los resultados de la predicción. Sin embargo, Canvas no agrega las columnas eliminadas a sus predicciones por lotes para los modelos de series temporales.
# Realización de predicciones por lotes manuales
Elija uno de los siguientes procedimientos para realizar predicciones por lotes manuales según el tipo de modelo.
## Realización de predicciones manuales por lotes con modelos de predicción numéricos, categóricos y de series temporales
Para realizar predicciones manuales por lotes para tipos de modelos de previsión numéricos, categóricos y de series temporales, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación de Canvas, elija **Mis modelos**.
1. En la página **Mis modelos**, elija su modelo.
1. Tras abrir el modelo, seleccione la pestaña **Predecir**.
1. En la página **Ejecutar predicciones**, elija **Predicción por lotes**.
1. Elija **Seleccionar conjunto de datos** para elegir un conjunto de datos para generar predicciones.
1. En la lista de conjuntos de datos disponibles, seleccione un conjunto de datos y elija **Iniciar predicciones** para obtener predicciones.
Cuando termine de ejecutarse el trabajo de predicción, aparecerá un conjunto de datos de salida en la misma página de la sección **Predicciones**. Este conjunto de datos contiene los resultados y, si selecciona el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puede seleccionar **Vista previa** para ver una vista previa de los datos del resultado. Puede ver los datos de entrada que coinciden con la predicción y la probabilidad de que la predicción sea correcta. A continuación, puede elegir **Descargar la predicción** y descargar los resultados en un archivo.
## Realización de predicciones por lotes manuales con modelos de predicción de imágenes
Para realizar predicciones por lotes manuales para un modelo de predicción de imágenes de etiqueta única, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación de Canvas, elija **Mis modelos**.
1. En la página **Mis modelos**, elija su modelo.
1. Tras abrir el modelo, seleccione la pestaña **Predecir**.
1. En la página **Ejecutar predicciones**, elija **Predicción por lotes**.
1. Elija **Seleccionar conjunto de datos** si ya ha importado su conjunto de datos. Si no es así, seleccione **Importar un nuevo conjunto de datos** y, a continuación, se le guiará a lo largo del flujo de trabajo de importación de datos.
1. En la lista de conjuntos de datos disponibles, seleccione su conjunto de datos y elija **Generar predicciones** para obtener sus predicciones.
Cuando termine de ejecutarse el trabajo de predicción, en la página **Ejecutar predicciones**, verá un conjunto de datos de salida en la sección **Predicciones**. Este conjunto de datos contiene los resultados y, si selecciona el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puede seleccionar **Ver resultados de predicción** para ver los datos del resultado. Puede ver las imágenes junto con sus etiquetas pronosticadas y sus puntuaciones de confianza. A continuación, puede elegir **Descargar la predicción** para descargar los resultados en un archivo CSV o ZIP.
## Realización de predicciones por lotes manuales con modelos de predicción de texto
Para realizar predicciones por lotes manuales para un modelo de predicción de texto multicategoría, haga lo siguiente:
1. En el panel de navegación izquierdo de la aplicación de Canvas, elija **Mis modelos**.
1. En la página **Mis modelos**, elija su modelo.
1. Tras abrir el modelo, seleccione la pestaña **Predecir**.
1. En la página **Ejecutar predicciones**, elija **Predicción por lotes**.
1. Elija **Seleccionar conjunto de datos** si ya ha importado su conjunto de datos. Si no es así, seleccione **Importar un nuevo conjunto de datos** y, a continuación, se le guiará a lo largo del flujo de trabajo de importación de datos. El conjunto de datos que elija debe tener la misma columna de origen que el conjunto de datos con el que creó el modelo.
1. En la lista de conjuntos de datos disponibles, seleccione su conjunto de datos y elija **Generar predicciones** para obtener sus predicciones.
Cuando termine de ejecutarse el trabajo de predicción, en la página **Ejecutar predicciones**, verá un conjunto de datos de salida en la sección **Predicciones**. Este conjunto de datos contiene los resultados y, si selecciona el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puede seleccionar **Vista previa** para ver los datos del resultado. Puede ver las imágenes junto con sus etiquetas pronosticadas y sus puntuaciones de confianza. A continuación, puede elegir **Descargar la predicción** y descargar los resultados.
# Realización de predicciones automáticas por lotes
**nota**
Los modelos de previsión de serie temporal no admiten las predicciones automáticas por lotes.
Para configurar un programa de predicciones por lotes automáticas, haga lo siguiente:
1. En el panel de navegación izquierdo de Canvas, elija **Mis modelos**.
1. Elija su modelo.
1. Seleccione la pestaña **Predecir**.
1. Elija **Predicción por lotes**.
1. En **Generar predicciones**, seleccione **Automático**.
1. Aparece el cuadro de diálogo **Automatizar las predicciones por lotes**. Elija **Seleccionar conjunto de datos** y seleccione el conjunto de datos para el que quiera automatizar las predicciones. Tenga en cuenta que solo puede seleccionar un conjunto de datos que se haya importado mediante carga local o Amazon S3.
1. Tras seleccionar un conjunto de datos, seleccione **Configurar**.
Canvas ejecuta un trabajo de predicciones por lotes para el conjunto de datos después de establecer la configuración. Luego, cada vez que [Actualización de un conjunto de datos](canvas-update-dataset.md), ya sea de forma manual o automática, se ejecuta otro trabajo de predicciones por lotes.
Cuando termine de ejecutarse el trabajo de predicción, en la página **Ejecutar predicciones**, verá un conjunto de datos de salida en la sección **Predicciones**. Este conjunto de datos contiene los resultados y, si selecciona el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puede seleccionar **Vista previa** para ver una vista previa de los datos del resultado. Puede ver los datos de entrada que coinciden con la predicción y la probabilidad de que la predicción sea correcta. A continuación, puede elegir **Descargar** para descargar los resultados.
En las siguientes secciones se describe cómo ver, actualizar y eliminar la configuración de predicción por lotes automática a través de la página de **Conjuntos de datos** de la aplicación de Canvas. Solo puede configurar un máximo de 20 configuraciones automáticas en Canvas. Para obtener más información sobre cómo ver su historial de trabajos de predicciones por lotes automáticas o realizar cambios en la configuración automática a través de la página **Automatizaciones**, consulte [¿Cómo administrar las automatizaciones](canvas-manage-automations.md).
# Edición de su configuración de predicción automática por lotes
Es posible que desee realizar cambios en la configuración de actualización automática de un conjunto de datos, como cambiar la frecuencia de las actualizaciones. También puede desactivar la configuración de actualización automática para pausar las actualizaciones del conjunto de datos.
Cuando se edita una configuración de predicción por lotes, se puede cambiar el conjunto de datos de destino pero no la frecuencia (ya que las predicciones por lotes automáticas se producen siempre que se actualiza el conjunto de datos).
Para editar la configuración de actualización automática, haga lo siguiente:
1. Vaya a la pestaña **Predecir** de su modelo.
1. En **Predicciones**, elija la pestaña **Configuración**.
1. Busque su configuración y elija el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Desde el menú desplegable, elija **Crear una configuración**.
1. Se abre el cuadro de diálogo **Automatizar las predicciones por lotes**. Puede seleccionar otro conjunto de datos y elegir **Configurar** para guardar los cambios.
Su configuración de predicciones por lotes automáticas ahora está actualizada.
Para pausar las predicciones por lotes automáticas, desactive la configuración automática de la siguiente manera:
1. Vaya a la pestaña **Predecir** de su modelo.
1. En **Predicciones**, elija la pestaña **Configuración**.
1. Busque su configuración en la lista y desactive la opción de **Actualización automática**.
Las predicciones por lotes automáticas ahora están pausadas. Puede volver a activar esta opción en cualquier momento para reanudar la programación de actualizaciones.
# Eliminación de su configuración de predicción automática por lotes
Para obtener información sobre cómo eliminar la configuración de predicción de lotes automática, consulte [Eliminación de una configuración automática](canvas-manage-automations-delete.md).
También puede eliminar la configuración del modo siguiente:
1. Vaya a la pestaña **Predecir** de su modelo.
1. En **Predicciones**, elija la pestaña **Configuración**.
1. Busque su configuración en la lista y elija el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Desde el menú desplegable, elija **Eliminar configuración**.
Ahora debería eliminarse su configuración.
# Visualización de trabajos de predicción por lotes
Para ver los estados y el historial de trabajos de predicción por lotes, vaya a la pestaña **Predecir** del modelo.
Cada trabajo de predicción por lotes aparece en la pestaña **Predecir** de su modelo. En **Predicciones**, puede ver las pestañas **Todos los trabajos** y **Configuración**:
+ **Todos los trabajos**: en esta pestaña, puede ver todos los trabajos de predicción automática y manual por lotes de este modelo. Puede filtrar los trabajos por nombre de configuración. Para cada trabajo, puede ver los campos siguientes:
+ **Estado**: estado actual del trabajo de predicción por lotes. Si el estado es **Error** o **Error parcial**, puede pasar el cursor sobre el estado para ver un mensaje de error más detallado que le ayude a solucionar el problema.
+ **Conjunto de datos de entrada**: nombre del conjunto de datos de entrada de Canvas, incluida la versión del conjunto de datos.
+ **Tipo de predicción**: si el trabajo de predicción fue automático o manual.
+ **Filas**: número de filas pronosticado.
+ **Nombre de la configuración**: nombre de la configuración del trabajo de predicción por lotes.
+ **QuickSight**— Describe si ha enviado las predicciones de lotes a Quick.
+ **Creado**: hora de creación del trabajo de predicción de lotes.
Si selecciona el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puede elegir **Ver detalles**, **Previsualizar la predicción**, **Descargar la predicción** o **Enviar a Quick**. Si eliges **Ver detalles**, se abre una página que muestra todos los detalles del trabajo de predicción de lotes, incluido el estado, las configuraciones de los datos de entrada y salida, información sobre las instancias utilizadas para completar el trabajo y el acceso a los CloudWatch registros de Amazon. La página es similar a la captura de pantalla siguiente.
![\[Página de detalles del trabajo de predicción por lotes que muestra todos los detalles adicionales sobre un trabajo.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-view-batch-prediction-job-details.png)
+ **Configuración**: en esta pestaña, puede ver todas las configuraciones de predicción automática por lotes que ha creado para este modelo. Para cada configuración, puede ver campos como la marca temporal del momento en que fue **Creada**, el **Conjunto de datos de entrada** del que se hace un seguimiento en busca de actualizaciones y el **Siguiente trabajo programado**, que es el momento en el que está programado que se inicie el siguiente trabajo de predicción automática. Si selecciona el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)), puede elegir **Ver todos los trabajos** para ver el historial de trabajos y los trabajos en curso de la configuración.
# Envía las predicciones a Quick
**nota**
Puede enviar predicciones por lotes a Quick para obtener modelos de predicción numérica y categórica y de series temporales. Se excluyen los modelos de predicción de imágenes de etiqueta única y de predicción de texto multicategoría.
Una vez generadas las predicciones por lotes con modelos tabulares personalizados en SageMaker Canvas, puede enviar esas predicciones como archivos CSV a Quick, que es un servicio de inteligencia empresarial (BI) para crear y publicar cuadros de mando predictivos.
Por ejemplo, si creó un modelo de predicción de dos categorías para determinar si un cliente abandonará sus clientes, puede crear un panel predictivo visual en Quick para mostrar el porcentaje de clientes que se espera que abandonen el mercado. Para obtener más información sobre Quick, consulta la Guía [rápida del usuario](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html).
En las siguientes secciones, se muestra cómo enviar las predicciones de lotes a Quick para su análisis.
## Antes de empezar
Su usuario debe tener los permisos AWS Identity and Access Management (IAM) necesarios para enviar sus predicciones a Quick. El administrador puede configurar los permisos de IAM para su usuario. Para obtener más información, consulte [Otorgue a sus usuarios permisos para enviar predicciones a Quick](canvas-quicksight-permissions.md).
Su cuenta Quick debe contener el espacio de `default` nombres, que se configuró cuando creó su cuenta Quick por primera vez. Ponte en contacto con tu administrador para que te ayude a acceder a Quick. Para obtener más información, consulte [Configuración de Quick](https://docs.aws.amazon.com/quicksight/latest/user/setting-up.html) en la *Guía rápida del usuario*.
Su cuenta Quick debe crearse en la misma región que su aplicación de Canvas. Si la región de origen de su cuenta Quick es diferente de la región de su aplicación Canvas, debe [cerrar](https://docs.aws.amazon.com/quicksight/latest/user/closing-account.html) y volver a crear su cuenta Quick o [configurar una aplicación Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites) en la misma región que su cuenta Quick. Puede comprobar su región de inicio de Quick de la siguiente manera (suponiendo que ya tenga una cuenta de Quick):
1. Abre la [consola Quick](https://quicksight.aws.amazon.com/).
1. Cuando se carga la página, su región de inicio rápido se adjunta a la URL en el siguiente formato:`https://.quicksight.aws.amazon.com/`.
Debe conocer los nombres de usuario de los usuarios rápidos a los que desea enviar sus predicciones. Puede enviarse las predicciones a usted mismo o a otros usuarios que tengan los permisos adecuados. Los usuarios a los que envíes predicciones deben estar en el espacio de `default` [nombres](https://docs.aws.amazon.com/quicksight/latest/user/namespaces.html) de tu cuenta de Quick y tener el rol `Author` o `Admin` rol en Quick.
Además, Quick debe tener acceso al bucket Amazon S3 predeterminado de SageMaker AI para su dominio, que se denomina con el siguiente formato:`sagemaker-{REGION}-{ACCOUNT_ID}`. La región debe ser la misma que la región de origen de su cuenta Quick y la región de su aplicación Canvas. Para obtener información sobre cómo dar acceso rápido a las predicciones de lotes almacenadas en su bucket de Amazon S3, consulte el tema [No puedo conectarme a Amazon S3](https://docs.aws.amazon.com/quicksight/latest/user/troubleshoot-connect-S3.html) en la *Guía rápida del usuario*.
## Formatos de datos admitidos
Antes de enviar sus predicciones, compruebe que el formato de datos de sus predicciones por lotes sea compatible con Quick.
+ Para obtener más información sobre los formatos de datos aceptados para los datos de series temporales, consulte [Formatos de fecha compatibles](https://docs.aws.amazon.com/quicksight/latest/user/supported-date-formats.html) en la *Guía rápida del usuario*.
+ Para obtener más información sobre los valores de datos que podrían impedirle enviarlos a Quick, consulte [Valores no admitidos en los datos en](https://docs.aws.amazon.com/quicksight/latest/user/unsupported-data-values.html) la Guía *rápida del usuario*.
Tenga en cuenta también que Quick usa el carácter `"` como calificador de texto, por lo que si sus datos de Canvas contienen algún `"` carácter, asegúrese de cerrar todas las comillas que coincidan. Cualquier comilla que no coincida puede provocar problemas al enviar el conjunto de datos a Quick.
## Envía tus predicciones de lotes a Quick
Utilice el siguiente procedimiento para enviar sus predicciones a Quick:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. En la página **Mis modelos**, elija su modelo.
1. Seleccione la pestaña **Predecir**.
1. En **Predicciones**, seleccione el conjunto de datos (o conjuntos de datos) de predicciones por lotes que quiera compartir. Puede compartir hasta 5 conjuntos de datos de predicciones por lotes a la vez.
1. Después de seleccionar el conjunto de datos, elija **Enviar a Quick**.
**nota**
El botón **Enviar a rápido** no se activa a menos que selecciones uno o más conjuntos de datos.
Como alternativa, puede obtener una vista previa de sus predicciones seleccionando el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) y, a continuación, **Ver los resultados de la predicción**. En la vista previa del conjunto de datos, puedes elegir **Enviar a Quick**. La siguiente captura de pantalla muestra el botón **Enviar a rápido** en una vista previa del conjunto de datos.
![\[Captura de pantalla de una vista previa de un conjunto de datos con el botón Enviar a rápido en la parte inferior.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/send-to-quicksight-preview.png)
1. En el cuadro de diálogo **Enviar a rápido**, haga lo siguiente:
1. Para **QuickSight los usuarios**, introduzca el nombre de los usuarios rápidos a los que quiere enviar sus predicciones. Si quiere enviárselas a usted mismo, introduzca su propio nombre de usuario. Solo puede enviar predicciones a los usuarios del `default` espacio de nombres de la cuenta Quick y el usuario debe tener el `Admin` rol `Author` o en Quick.
1. Seleccione **Enviar**.
La siguiente captura de pantalla muestra el cuadro de diálogo **Enviar a Quick**:
![\[El cuadro de diálogo Enviar a rápido.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/send-to-quicksight.png)
Después de enviar las predicciones por lotes, el **QuickSight**campo de los conjuntos de datos que envió se muestra como`Sent`. En el cuadro de confirmación que confirma el envío de sus predicciones, puede seleccionar **Abrir rápido** para abrir la aplicación Quick. Si ha terminado de usar Canvas, debe [cerrar sesión](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-log-out.html) en la aplicación de Canvas.
Los usuarios de Quick a los que haya enviado los conjuntos de datos pueden abrir su aplicación Quick y ver los conjuntos de datos de Canvas que se han compartido con ellos. A continuación, pueden crear paneles predictivos con los datos. Para obtener más información, consulte [Introducción al análisis rápido de datos](https://docs.aws.amazon.com/quicksight/latest/user/getting-started.html) en la Guía *rápida del usuario*.
De forma predeterminada, todos los usuarios a los que se envían las predicciones tienen permisos de propietario para el conjunto de datos en Quick. Los propietarios pueden crear análisis, actualizar, editar, eliminar y volver a compartir conjuntos de datos. Los cambios que los propietarios realizan en un conjunto de datos cambian el conjunto de datos para todos los usuarios con acceso. Para cambiar los permisos, ve al conjunto de datos en Quick y administra sus permisos. Para obtener más información, consulte [Visualización y edición de los usuarios con permisos con los que se comparte un conjunto](https://docs.aws.amazon.com/quicksight/latest/user/sharing-data-sets.html#view-users-data-set) de datos en la *Guía rápida del usuario*.
# Descarga de un modelo de cuaderno
**nota**
La característica de cuaderno del modelo está disponible para modelos tabulares de compilación rápida y estándar, y modelos fundacionales afinados. Los cuadernos del modelo no son compatibles con los modelos de predicción de imágenes, predicción de texto o predicción de series temporales.
Si desea generar un modelo de cuaderno para un modelo tabular creado antes de la inicialización de esta característica, debe volver a crear el modelo para generar un cuaderno.
Para los modelos aptos que haya creado correctamente en Amazon SageMaker Canvas, se generará un cuaderno de Jupyter que contiene un informe de todos los pasos de creación del modelo. Este cuaderno de Jupyter contiene código Python que puede ejecutar localmente o en un entorno como Amazon SageMaker Studio Classic para replicar los pasos necesarios para crear su modelo. El cuaderno puede resultarle útil si desea experimentar con el código o ver los detalles del backend de cómo Canvas crea modelos.
Para agregar el cuaderno del modelo, haga lo siguiente:
1. Abre la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. Elija el modelo y la versión que ha creado.
1. En la página de la versión del modelo, elija el icono de **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) en el encabezado.
1. En el menú desplegable, seleccione **Ver cuaderno**.
1. Aparece una ventana emergente con el contenido del cuaderno. Puede seleccionar **Descargar** y, a continuación, realizar una de las siguientes acciones:
1. Seleccione **Descargar** para guardar el contenido del cuaderno en el dispositivo local.
1. Elija **Copiar URI de S3** para copiar la ubicación de Amazon S3 en la que está almacenado el cuaderno. El cuaderno se almacena en el bucket de Amazon S3 especificado en la **Configuración de almacenamiento de Canvas**, que se configura en la sección [Requisitos previos para configurar Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites).
Ahora debería poder ver el cuaderno de forma local o como objeto en Amazon S3. Puede cargar el cuaderno en un IDE para editar y ejecutar el código, o puede compartir el cuaderno con otros miembros de su organización para que lo revisen.
# Envía tu modelo a Quick
Si usa Quick y quiere aprovechar SageMaker Canvas en sus visualizaciones de Quick, puede crear un modelo de Amazon SageMaker Canvas y usarlo como un *campo predictivo* en su conjunto de datos de Quick. Un *campo predictivo* es un campo de su conjunto de datos Quick que puede realizar predicciones para una columna determinada de su conjunto de datos, de forma similar a como los usuarios de Canvas hacen predicciones individuales o por lotes con un modelo. Para obtener más información sobre cómo integrar las capacidades predictivas de Canvas en sus conjuntos de datos rápidos, consulte la [integración de SageMaker Canvas](https://docs.aws.amazon.com/quicksight/latest/user/sagemaker-canvas-integration.html) en la [Guía rápida del usuario](https://docs.aws.amazon.com/quicksight/latest/user/welcome.html).
Los siguientes pasos explican cómo puede agregar un campo predictivo a su conjunto de datos de Quick mediante un modelo de Canvas:
1. Abra la aplicación de Canvas y cree un modelo con su conjunto de datos.
1. Después de crear el modelo en Canvas, envíalo a Quick. Al enviar el modelo a Quick, se descarga automáticamente un archivo de esquema en su máquina local. Cargue este archivo de esquema en Quick en el siguiente paso.
1. Abra Quick y elija un conjunto de datos con el mismo esquema que el conjunto de datos que utilizó para crear el modelo. Agregue un campo predictivo al conjunto de datos y haga lo siguiente:
1. Especifique el modelo enviado desde Canvas.
1. Cargue el archivo de esquema que se descargó en el paso 2.
1. Guarde y publique los cambios y, a continuación, genere predicciones para el nuevo conjunto de datos. Quick usa el modelo para rellenar la columna de destino con predicciones.
Para enviar un modelo de Canvas a Quick, debe cumplir los siguientes requisitos previos:
+ Debe tener tanto Canvas como Quick configurados. Su cuenta Quick debe crearse de la Región de AWS misma manera que su aplicación de Canvas. Si la región de origen de su cuenta Quick es diferente de la región de su aplicación Canvas, debe [cerrar](https://docs.aws.amazon.com/quicksight/latest/user/closing-account.html) y volver a crear su cuenta Quick o [configurar una aplicación Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites) en la misma región que su cuenta Quick. Su cuenta Quick también debe contener el espacio de nombres predeterminado, que configuró al crear su cuenta Quick por primera vez. Ponte en contacto con tu administrador para que te ayude a acceder a Quick. Para obtener más información, consulte [Configuración de Quick](https://docs.aws.amazon.com/quicksight/latest/user/setting-up.html) en la *Guía rápida del usuario*.
+ Su usuario debe tener los permisos AWS Identity and Access Management (IAM) necesarios para enviar sus predicciones a Quick. El administrador puede configurar los permisos de IAM para su usuario. Para obtener más información, consulte [Conceder a sus usuarios permisos para enviar predicciones a Quick](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-quicksight-permissions.html).
+ Debe tener acceso rápido al depósito de Amazon S3 que especificó para el almacenamiento de aplicaciones de Canvas. Para obtener más información, consulte [Configurar el almacenamiento de Amazon S3](canvas-storage-configuration.md).
# Pronósticos de series temporales en Amazon SageMaker Canvas
**nota**
Los modelos de previsión de series temporales solo se admiten para conjuntos de datos tabulares.
Amazon SageMaker Canvas le permite utilizar pronósticos de series temporales de aprendizaje automático. Las previsiones de series temporales le permiten realizar predicciones que pueden variar con el tiempo.
Puede hacer una previsión de series temporales para los siguientes ejemplos:
+ Previsión del inventario para los próximos meses.
+ Cantidad de artículos vendidos en los próximos cuatro meses.
+ Efecto de reducir el precio en las ventas durante la temporada navideña.
+ Inventario de artículos en los próximos 12 meses.
+ Número de clientes que entrarán en una tienda en las próximas horas.
+ Predicción de cómo afecta una reducción del 10 % en el precio de un producto a las ventas durante un período de tiempo.
Para realizar una previsión de series temporales, el conjunto de datos debe tener lo siguiente:
+ Una columna de fecha y hora con todos los valores del tipo `datetime`.
+ Una columna de destino que contenga los valores que se utilizan para pronosticar valores futuros.
+ Una columna de ID de elemento que contiene los identificadores únicos de cada elemento del conjunto de datos, como los números de SKU.
Los valores `datetime` de la columna de marca temporal deben usar uno de los siguientes formatos:
+ `YYYY-MM-DD HH:MM:SS`
+ `YYYY-MM-DDTHH:MM:SSZ`
+ `YYYY-MM-DD`
+ `MM/DD/YY`
+ `MM/DD/YY HH:MM`
+ `MM/DD/YYYY`
+ `YYYY/MM/DD HH:MM:SS`
+ `YYYY/MM/DD`
+ `DD/MM/YYYY`
+ `DD/MM/YY`
+ `DD-MM-YY`
+ `DD-MM-YYYY`
Puede realizar previsiones para los siguientes intervalos:
+ 1 min
+ 5 min
+ 15 min
+ 30 min
+ 1 hora
+ 1 día
+ 1 semana
+ 1 mes
+ 1 año
## Valores futuros en su conjunto de datos de entrada
Canvas detecta automáticamente las columnas de su conjunto de datos que podrían contener valores futuros. Si están presentes, estos valores pueden mejorar la precisión de las predicciones. Canvas marca estas columnas específicas con una etiqueta `Future values`. Canvas deduce la relación entre los datos de estas columnas y la columna de destino que está intentando predecir y utiliza esa relación para generar previsiones más precisas.
Por ejemplo, puede prever la cantidad de helado que venderá una tienda de comestibles. Para hacer una previsión, debe tener una columna de fecha y hora y una columna que indique la cantidad de helado que vendió la tienda. Para obtener una previsión más precisa, su conjunto de datos también puede incluir el precio, la temperatura ambiente, el sabor del helado o un identificador único del helado.
Las ventas de helados pueden aumentar cuando el clima es más cálido. Una disminución en el precio del helado podría provocar la venta de más unidades. Tener una columna con datos de temperatura ambiente y otra con datos de precios puede mejorar la capacidad de pronosticar el número de unidades de helado que vende la tienda de comestibles.
Si bien proporcionar valores futuros es opcional, le ayuda a realizar análisis hipotéticos directamente en la aplicación de Canvas, lo que le muestra cómo los cambios en los valores futuros podrían alterar sus predicciones.
## Gestión de valores faltantes
Es posible que le falten datos por diferentes motivos. El motivo de la falta de datos podría indicar cómo quiere que Canvas los impute. Por ejemplo, su organización podría usar un sistema automático que solo registre cuándo se produce una venta. Si utiliza un conjunto de datos que provenga de este tipo de sistema automático, tendrá valores faltantes en la columna de destino.
**importante**
Si faltan valores en la columna de destino, le recomendamos que utilice un conjunto de datos que no los tenga. SageMaker Canvas usa la columna objetivo para pronosticar valores futuros. Los valores faltantes en la columna de destino pueden reducir considerablemente la precisión de la previsión.
En el caso de los valores faltantes en el conjunto de datos, Canvas imputa automáticamente los valores faltantes rellenando la columna de destino con `0` y otras columnas numéricas con el valor de la mediana de la columna.
Sin embargo, puede seleccionar su propia lógica de rellenado para la columna de destino y otras columnas numéricas de sus conjuntos de datos. Las columnas de destino tienen pautas y restricciones de llenado diferentes a las del resto de las columnas numéricas. Las columnas de destino se rellenan hasta el final del período histórico, mientras que las columnas numéricas se rellenan tanto para los períodos históricos como para los futuros hasta el final del horizonte de previsión. Canvas solo rellena los valores futuros en una columna numérica si sus datos tienen al menos un registro con una marca de tiempo futura y un valor para esa columna específica.
Puede elegir una de las siguientes opciones de lógica de rellenado para imputar valores faltantes en sus datos:
+ `zero`: rellenar con `0`.
+ `NaN`: rellenar con NaN o no con un número. Esto solo se admite en la columna de destino.
+ `mean`: rellenar con el valor medio de la serie de datos.
+ `median`: rellenar con el valor mediano de la serie de datos.
+ `min`: rellenar con el valor mínimo de la serie de datos.
+ `max`: rellenar con el valor máximo de la serie de datos.
Al elegir una lógica de rellenado, debe considerar cómo interpretará su modelo la lógica. Por ejemplo, en un caso comercial, registrar cero ventas de un artículo disponible es diferente de registrar cero ventas de un artículo no disponible, ya que este último caso no implica necesariamente una falta de interés del cliente en el artículo no disponible. En este caso, rellenar con `0` en la columna de destino del conjunto de datos podría provocar que el modelo no tenga un sesgo suficiente en sus predicciones y deducir una falta de interés de los clientes por los artículos no disponibles. Por el contrario, rellenar con `NaN` podría provocar que el modelo ignore los casos reales en los que no se venda ningún artículo de los artículos disponibles.
## Tipos de previsiones
Puede realizar uno de los siguientes tipos de previsiones:
+ **Elemento único**
+ **Todos los elementos**
Para obtener una previsión de todos los elementos de su conjunto de datos, SageMaker Canvas devuelve una previsión de los valores futuros de cada elemento de su conjunto de datos.
Para una previsión de un solo elemento, usted especifica el elemento y SageMaker Canvas devuelve una previsión para los valores futuros. La previsión incluye un gráfico lineal que traza los valores pronosticados a lo largo del tiempo.
**Topics**
+ [Valores futuros en su conjunto de datos de entrada](#canvas-time-series-future)
+ [Gestión de valores faltantes](#canvas-time-series-missing)
+ [Tipos de previsiones](#canvas-time-series-types)
+ [Opciones adicionales para previsión de información](canvas-additional-insights.md)
# Opciones adicionales para previsión de información
En Amazon SageMaker Canvas, puede usar los siguientes métodos opcionales para obtener más información a partir de su pronóstico:
+ Columna de grupo
+ Calendario de días festivos
+ Escenario hipotético
Puede especificar una columna de su conjunto de datos como **columna de grupo**. Amazon SageMaker Canvas agrupa la previsión por cada valor de la columna. Por ejemplo, puede agrupar la previsión en columnas que contengan datos de precios o identificadores de artículos únicos. Agrupar una previsión por una columna le permite hacer previsiones más específicas. Por ejemplo, si agrupa una previsión en una columna que contenga identificadores de elementos, podrá ver la previsión de cada elemento.
Las ventas generales de artículos pueden verse afectadas por la presencia de días festivos. Por ejemplo, en los Estados Unidos, la cantidad de artículos vendidos en noviembre y diciembre puede diferir considerablemente de la cantidad de artículos vendidos en enero. Si utiliza los datos de noviembre y diciembre para pronosticar las ventas de enero, es posible que los resultados no sean precisos. Si utiliza un calendario de días festivos, evitará obtener resultados imprecisos. Puede utilizar un calendario de festivos para 251 países.
Para hacer una previsión sobre un solo elemento de su conjunto de datos, puede usar escenarios hipotéticos. Un escenario hipotético le da la posibilidad de cambiar los valores de sus datos y alterar la previsión. Por ejemplo, puede responder a las siguientes preguntas utilizando un escenario hipotético: “¿Qué pasaría si bajara los precios? ¿Cómo afectaría eso a la cantidad de artículos vendidos?”.
# Añadir versiones de modelos en Amazon SageMaker Canvas
En Amazon SageMaker Canvas, puedes actualizar los modelos que has creado añadiendo *versiones*. Cada modelo que cree tiene un número de versión. El primer modelo es la versión 1 o `V1`. Puede utilizar las versiones del modelo para ver los cambios en la precisión de las predicciones al actualizar los datos o utilizar [transformaciones avanzadas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-prepare-data.html).
Al ver su modelo, SageMaker Canvas le muestra el historial del modelo para que pueda comparar todas las versiones del modelo que creó. También puede eliminar las versiones que ya no le resulten útiles. Al crear varias versiones del modelo y evaluar su exactitud, puede mejorar el rendimiento del modelo de forma iterativa.
**nota**
Los modelos de predicción de texto e imagen solo admiten una versión del modelo.
Para agregar una versión del modelo puede clonar una versión existente o crear una nueva.
Al clonar una versión existente, se copia la configuración del modelo actual, incluida la receta del modelo y el conjunto de datos de entrada. Como alternativa, puede crear una nueva versión si desea configurar una nueva receta del modelo o elegir un conjunto de datos diferente.
Si crea una nueva versión y selecciona un conjunto de datos diferente, debe elegir un conjunto de datos con la misma columna de destino y el mismo esquema que el conjunto de datos de la versión 1.
Para poder añadir una nueva versión debe crear correctamente al menos una versión del modelo. A continuación, puede [registrar una versión del modelo en el Registro de SageMaker modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-register-model.html). Utilice el registro para realizar un seguimiento de las versiones del modelo y para colaborar con los usuarios de Studio Classic en la aprobación de modelos de producción.
Si ha realizado una compilación rápida para la primera versión del modelo, tiene la opción de ejecutar una compilación estándar al añadir una versión. Las compilaciones estándar suelen tener mayor exactitud. Por tanto, si confía en la configuración de compilación rápida, puede ejecutar una compilación estándar para crear una versión final del modelo. Para obtener más información sobre las diferencias entre compilaciones rápidas y compilaciones estándar, consulte [Cómo funcionan los modelos personalizados](canvas-build-model.md).
Los siguientes procedimientos muestran cómo agregar versiones del modelo; el procedimiento es diferente en función de si se agrega una versión del mismo tipo de compilación o de un tipo de compilación diferente (rápida o estándar). Utilice el procedimiento **Adición de una nueva versión del modelo** para añadir versiones del mismo tipo de compilación. Para agregar una versión del modelo de compilación estándar después de ejecutar una compilación rápida, siga el procedimiento **Ejecución de una compilación estándar**.
**Adición de una nueva versión del modelo**
1. Abra su aplicación SageMaker Canvas. Para obtener más información, consulte [Cómo empezar a usar Amazon SageMaker Canvas](canvas-getting-started.md).
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. En la página **Mis modelos**, elija su modelo. Para buscar el modelo, puede elegir **Filtrar por tipo de problema**.
1. Cuando se abra el modelo, pulse el botón **Añadir versión** en el panel superior.
1. En el menú desplegable, seleccione una de las siguientes opciones:
1. **Añadir una nueva versión desde cero**: al seleccionar esta opción se abre la pestaña **Compilar** con el borrador de una nueva versión del modelo. Puede seleccionar un conjunto de datos diferente (siempre que el esquema coincida con el esquema del conjunto de datos de la primera versión del modelo) y configurar una nueva receta de modelo. Para obtener más información acerca de la compilación de una versión del modelo, consulte [Creación de un modelo](canvas-build-model-how-to.md).
1. **Clonar una versión existente con configuraciones**: un cuadro de diálogo le pide que seleccione la versión que desea clonar. Una vez que haya seleccionado la versión que desee, elija **Clonar**. Se abre la pestaña **Compilar** con el borrador de una nueva versión del modelo. Todas las configuraciones de recetas del modelo se copian de la versión clonada. Para obtener más información acerca de la compilación de una versión del modelo, consulte [Creación de un modelo](canvas-build-model-how-to.md).
**Ejecución de una compilación estándar**
1. Abra su aplicación SageMaker Canvas. Para obtener más información, consulte [Cómo empezar a usar Amazon SageMaker Canvas](canvas-getting-started.md).
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. En la página **Mis modelos**, elija su modelo. Puede elegir **Filtrar por tipo de problema** para buscar el modelo más fácilmente.
1. Cuando se abra el modelo, elija la pestaña **Analizar**.
1. Elija **Compilación estándar**.
![\[Pestaña Analizar de un modelo de Canvas que muestra el botón de compilación estándar.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-add-version-quick-to-standard.png)
En la página del borrador del modelo que se abre en la pestaña **Compilación** puede modificar la configuración del modelo e iniciar una compilación. Para obtener más información acerca de la compilación de una versión del modelo, consulte [Creación de un modelo](canvas-build-model-how-to.md).
Ahora debería una nueva compilación de la versión del modelo en curso. Para obtener más información acerca de la creación de un modelo, consulte [Cómo funcionan los modelos personalizados](canvas-build-model.md).
Después de crear una versión del modelo, puede volver a la página de detalles del modelo en cualquier momento para ver todas las versiones o añadir más versiones. En la siguiente imagen se muestra la página **Versiones** de un modelo.
![\[La página Versiones de un modelo en Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/model-versions.png)
En la página **Versiones**, puede ver la siguiente información para cada una de las versiones de su modelo:
+ **Estado**: este campo indica si el modelo se está compilando actualmente (`In building`), si ha terminado de compilarse (`Ready`), si no se ha podido compilar (`Failed`) o si aún se está editando (`In draft`).
+ **Puntuación del modelo**, **F1**, **Precisión**, **Recuerdo** y **AUC**: si activa la opción **Mostrar métricas avanzadas** en esta página, podrá ver estas métricas del modelo. Estas métricas indican la exactitud y el rendimiento del modelo. Para obtener más información, consulte [Evaluar el modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-evaluate-model.html).
+ **Compartida**: este campo indica si ha compartido la versión del modelo con los usuarios de SageMaker Studio Classic.
+ **Registro de modelos**: este campo le indica si ha registrado la versión en un registro de modelos. Para obtener más información, consulte [Registre una versión del modelo en el registro de modelos de IA SageMaker](canvas-register-model.md).
# MLOps
Después de crear un modelo en SageMaker Canvas en el que se sienta seguro, es posible que desee integrarlo con los procesos de operaciones (MLOps) de aprendizaje automático de su organización. MLOps incluye tareas comunes, como la implementación de un modelo para su uso en producción o la configuración de canalizaciones de integración e implementación continuas (CI/CD).
Los siguientes temas describen cómo puede utilizar las funciones de Canvas para utilizar un modelo creado en Canvas en producción.
**Topics**
+ [Registre una versión del modelo en el registro de modelos de IA SageMaker](canvas-register-model.md)
+ [Implementación de sus modelos en un punto de conexión](canvas-deploy-model.md)
+ [Visualización de sus implementaciones](canvas-deploy-model-view.md)
+ [Actualización de una configuración de implementación](canvas-deploy-model-update.md)
+ [Pruebe la implementación](canvas-deploy-model-test.md)
+ [Invocación de un punto de conexión](canvas-deploy-model-invoke.md)
+ [Eliminación de la implementación de un modelo](canvas-deploy-model-delete.md)
# Registre una versión del modelo en el registro de modelos de IA SageMaker
Con SageMaker Canvas, puede crear múltiples iteraciones o versiones de su modelo para mejorarlo con el tiempo. Es posible que desee crear una nueva versión del modelo si adquiere mejores datos de entrenamiento o si quiere intentar mejorar la exactitud del modelo. Para obtener más información sobre cómo agregar versiones al modelo, consulte [Actualización de un modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-update-model.html).
Una vez que haya [creado un modelo](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-build-model.html) en el que se sienta seguro, es posible que desee evaluar su rendimiento y hacer que un científico de datos o un MLOps ingeniero de su organización lo revise antes de usarlo en producción. Para ello, puede registrar las versiones de sus modelos en el [Registro de SageMaker modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html). El registro de SageMaker modelos es un repositorio que los científicos o ingenieros de datos pueden utilizar para catalogar los modelos de aprendizaje automático (ML) y gestionar las versiones de los modelos y sus metadatos asociados, como las métricas de entrenamiento. También pueden gestionar y registrar el estado de aprobación de un modelo.
Tras registrar las versiones de los modelos en el Registro de SageMaker modelos, un científico de datos o su MLOps equipo pueden acceder al Registro de SageMaker modelos a través de [SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/studio.html), que es un entorno de desarrollo integrado (IDE) basado en la web para trabajar con modelos de aprendizaje automático. En la interfaz del registro de SageMaker modelos de Studio Classic, el científico de datos o el MLOps equipo pueden evaluar el modelo y actualizar su estado de aprobación. Si el modelo no cumple con sus requisitos, el científico de datos o el MLOps equipo pueden actualizar el estado a`Rejected`. Si el modelo cumple con sus requisitos, el científico de datos o el MLOps equipo pueden actualizar el estado a`Approved`. Luego, pueden [implementar el modelo en un punto final](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html#deploy-model-prereqs) o [automatizar la implementación del modelo mediante](https://aws.amazon.com/blogs/machine-learning/building-automating-managing-and-scaling-ml-workflows-using-amazon-sagemaker-pipelines/) CI/CD canalizaciones. Puede utilizar la función de registro de modelos de SageMaker IA para integrar sin problemas los modelos creados en Canvas con los MLOps procesos de su organización.
El siguiente diagrama resume un ejemplo del registro de una versión de modelo creada en Canvas en el SageMaker Registro de Modelos para integrarla en un MLOps flujo de trabajo.
![\[Los pasos para registrar una versión de modelo creada en Canvas para su integración en un MLOps flujo de trabajo.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-model-registration-diagram.jpg)
Puede registrar las versiones de modelos tabulares, de imagen y de texto en el Registro de SageMaker modelos. Esto incluye modelos de pronóstico de series temporales y modelos básicos JumpStart basados en [ajustes precisos](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-fm-chat-fine-tune.html).
**nota**
Actualmente, no se pueden registrar en el Registro de modelos los modelos de cimentación optimizados basados en Amazon Bedrock y creados en Canvas. SageMaker
En las siguientes secciones, se muestra cómo registrar una versión de modelo desde Canvas en el Registro de SageMaker Modelos.
## Administración de permisos
De forma predeterminada, tiene permisos para registrar versiones de modelos en el Registro de SageMaker modelos. SageMaker AI concede estos permisos a todos los perfiles de usuario de Canvas nuevos y existentes a través de la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política, que se adjunta a la función de ejecución de AWS IAM para el dominio de SageMaker IA que aloja su aplicación de Canvas.
Si su administrador de Canvas está configurando un nuevo dominio o perfil de usuario, al configurar el dominio y siguiendo las instrucciones previas de la [guía de introducción](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html#canvas-prerequisites), SageMaker AI activa los permisos de registro del modelo mediante la opción de **configuración de permisos de ML Ops**, que está habilitada de forma predeterminada.
El administrador de Canvas también puede gestionar los permisos de registro del modelo en el nivel del perfil de usuario. Por ejemplo, si el administrador quiere conceder permisos de registro de modelos a algunos perfiles de usuario pero eliminar los permisos a otros, puede editar los permisos de un usuario específico. El siguiente procedimiento muestra cómo activar los permisos de registro de modelos para un perfil de usuario específico:
1. Abra la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio del perfil de usuario.
1. En la página de **Detalles del dominio**, elija el **Perfil de usuario** cuyos permisos desee editar.
1. En la página **Detalles del usuario**, elija **Editar**.
1. En el panel de navegación izquierdo, elija **Configuración de Canvas**.
1. En la sección de **configuración de permisos de ML Ops**, desactive la opción **Habilitar los permisos de registro del registro de modelos**.
1. Seleccione **Enviar** para guardar los cambios en la configuración de su dominio.
El perfil de usuario ya no debería tener permisos de registro de modelos.
## Registre una versión del modelo en el registro de modelos de SageMaker IA
SageMaker Model Registry realiza un seguimiento de todas las versiones de modelos que se crean para resolver un problema concreto de un *grupo de modelos*. Cuando crea un modelo de SageMaker Canvas y lo registra en SageMaker Model Registry, se agrega a un grupo de modelos como una nueva versión del modelo. Por ejemplo, si crea y registra cuatro versiones del modelo, un científico de datos o un MLOps equipo que trabaje en la interfaz del Registro de SageMaker modelos podrá ver el grupo de modelos y revisar las cuatro versiones del modelo en un solo lugar.
Al registrar un modelo de Canvas en el Registro de SageMaker modelos, se crea automáticamente un grupo de modelos al que se le asigna el nombre del modelo de Canvas. Si lo desea, puede cambiarle el nombre por el nombre que desee o utilizar un grupo de modelos existente en el Registro de SageMaker modelos. Para obtener más información acerca de la creación de un grupo de modelos, consulte [Creación de un grupo de modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-model-group.html).
**nota**
Actualmente, solo puede registrar modelos creados en Canvas en el Registro de SageMaker Modelos de la misma cuenta.
Para registrar una versión del modelo en el SageMaker Registro de Modelos desde la aplicación Canvas, utilice el siguiente procedimiento:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Mis modelos**.
1. En la página **Mis modelos**, elija su modelo. Puede **filtrar por tipo de problema** para encontrar su modelo más fácilmente.
1. Tras elegir el modelo, se abre la página **Versiones**, en la que se muestran todas las versiones del modelo. Puede activar la opción **Mostrar métricas avanzadas** para ver las métricas avanzadas, como **Recuerdo** y **Precisión**, para comparar las versiones de su modelo y determinar cuál quiere registrar.
1. En la lista de versiones del modelo, seleccione el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) para seleccionar la versión que desee registrar. Como alternativa, puede hacer doble clic en la versión que necesite registrar y, a continuación, en la página de detalles de la versión, elegir el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. En la lista desplegable, seleccione **Agregar al registro de modelos**. Se abre el cuadro de diálogo **Agregar al registro de modelos**.
1. En el cuadro de diálogo **Agregar al registro de modelos**, haga lo siguiente:
1. (Opcional) En la sección del **grupo de modelos de SageMaker Studio Classic**, en el campo **Nombre del grupo** de modelos, introduzca el nombre del grupo de modelos en el que desea registrar su versión. Puede especificar el nombre de un nuevo grupo de modelos que SageMaker AI cree para usted o puede especificar un grupo de modelos existente. Si no especifica este campo, Canvas registrará su versión en un grupo de modelos predeterminado con el mismo nombre que su modelo.
1. Elija **Añadir**.
La versión de su modelo ahora debería estar registrada en el grupo de modelos del Registro de SageMaker modelos. Al registrar una versión de modelo en un grupo de modelos en el Registro de SageMaker modelos, todas las versiones posteriores del modelo Canvas se registran en el mismo grupo de modelos (si decide registrarlas). Si registra sus versiones en un grupo de modelos diferente, debe ir al Registro de SageMaker modelos y [eliminar el grupo de modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-delete-model-group.html). A continuación, puede volver a registrar las versiones de sus modelos en el nuevo grupo de modelos.
Para ver el estado de sus modelos, puede volver a la página **Versiones** de su modelo en la aplicación de Canvas. Esta página muestra el estado del **Registro de modelos** de cada versión. Si el estado es `Registered`, significa que el modelo se ha registrado correctamente.
Si desea ver los detalles de su versión de modelo registrada, para ver el estado del **Registro de modelos**, puede pasar el ratón sobre el campo **Registrado** para ver el cuadro emergente de **Detalles del registro de modelos**. Estos detalles contienen más información, como la siguiente:
+ El **nombre del grupo de paquetes** de modelos es el grupo de modelos en el que está registrada su versión en el Registro de SageMaker modelos.
+ El **Estado de aprobación**, que puede ser `Pending Approval`, `Approved` o `Rejected`. Si un usuario de Studio Classic aprueba o rechaza su versión en el Registro de SageMaker modelos, este estado se actualizará en la página de versiones de su modelo al actualizar la página.
La siguiente captura de pantalla muestra el cuadro de **detalles del registro del modelo**, junto con el **Estado de aprobación** de `Approved` para esta versión de modelo en concreto.
![\[Captura de pantalla del cuadro de detalles del registro de SageMaker modelos de la aplicación Canvas.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/approved-mr.png)
# Implementación de sus modelos en un punto de conexión
En Amazon SageMaker Canvas, puede implementar sus modelos en un punto final para realizar predicciones. SageMaker La IA proporciona la infraestructura de aprendizaje automático para que pueda alojar su modelo en un punto final con las instancias informáticas que elija. A continuación, puede *invocar* el punto de conexión (enviar una solicitud de predicción) y obtener una predicción en tiempo real a partir de su modelo. Con esta funcionalidad, puede usar su modelo en producción para responder a las solicitudes entrantes y puede integrar su modelo con las aplicaciones y los flujos de trabajo existentes.
Para empezar, debe tener un modelo que quiera implementar. Puede implementar versiones de modelos personalizadas que haya creado, modelos SageMaker JumpStart básicos de Amazon y modelos básicos ajustados JumpStart . Para obtener más información acerca de la creación de un modelo, consulte [Cómo funcionan los modelos personalizados](canvas-build-model.md). Para obtener más información sobre los modelos de JumpStart base en Canvas, consulte. [Modelos básicos de IA generativa en Canvas SageMaker](canvas-fm-chat.md)
Revise la siguiente sección de **Administración de permisos** y, a continuación, comience a crear nuevas implementaciones en la sección **Implementación de un modelo**.
## Administración de permisos
De forma predeterminada, tiene permisos para implementar modelos en los puntos finales de SageMaker AI Hosting. SageMaker AI concede estos permisos a todos los perfiles de usuario de Canvas nuevos y existentes a través de la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/aws-managed-policy/latest/reference/AmazonSageMakerCanvasFullAccess.html)política, que se adjunta a la función de ejecución de AWS IAM para el dominio de SageMaker IA que aloja su aplicación de Canvas.
Si su administrador de Canvas está configurando un nuevo dominio o perfil de usuario, al configurar el dominio y siguiendo las instrucciones previas que figuran en él[Requisitos previos para configurar Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites), la SageMaker IA activa los permisos de implementación del modelo mediante la opción **Habilitar el despliegue directo de los modelos de Canvas**, que está habilitada de forma predeterminada.
El administrador de Canvas también puede gestionar los permisos de implementación del modelo en el nivel del perfil de usuario. Por ejemplo, si el administrador no quiere conceder permisos de implementación de modelos a todos los perfiles de usuario al configurar un dominio, puede conceder permisos a usuarios específicos después de crear el dominio.
El siguiente procedimiento muestra cómo activar los permisos de implementación de modelos para un perfil de usuario específico:
1. Abra la consola de SageMaker IA en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio del perfil de usuario.
1. En la página **Detalles del dominio**, elija la pestaña **Perfiles de usuario**.
1. Elija un **Perfil de usuario**.
1. En la página del perfil del usuario, elija la pestaña **Configuraciones de aplicaciones**.
1. En la sección **Canvas**, seleccione **Editar**.
1. En la sección **Configuración de ML Ops**, active la opción **Habilitar la implementación directa de los modelos de Canvas** para habilitar los permisos de implementación.
1. Seleccione **Enviar** para guardar los cambios en la configuración de su dominio.
El perfil de usuario debería tener ahora permisos de implementación de modelos.
Tras conceder permisos al dominio o al perfil de usuario, asegúrese de que el usuario cierre sesión en su aplicación de Canvas y vuelva a iniciarla para aplicar los cambios de permisos.
## Implementación de un modelo
Para comenzar a implementar su modelo, cree una nueva implementación en Canvas y especifique la versión del modelo que desea implementar junto con la infraestructura de machine learning, como el tipo y la cantidad de instancias de procesamiento que le gustaría usar para alojar el modelo.
Canvas sugiere un tipo y un número de instancias predeterminados en función de tu tipo de modelo, o puedes obtener más información sobre los distintos tipos de instancias de SageMaker IA en la [página de SageMaker precios de Amazon](https://aws.amazon.com/sagemaker/pricing/). Se le cobrará en función del precio de las instancias de SageMaker IA mientras su terminal esté activo.
Al implementar JumpStart modelos básicos, también tiene la opción de especificar la duración del tiempo de implementación. Puede implementar el modelo en un punto de conexión de forma indefinida (lo que significa que el punto de conexión estará activo hasta que elimine la implementación). O bien, si solo necesita el punto final durante un período breve y desea reducir los costes, puede implementar el modelo en un punto final durante un período de tiempo específico, tras lo cual la SageMaker IA cierra el punto final por usted.
**nota**
Si implementa un modelo durante un período de tiempo específico, mantenga la sesión iniciada en la aplicación de Canvas durante todo el tiempo que dure el punto de conexión. Si cierra sesión o elimina la aplicación, Canvas no podrá cerrar el punto de conexión a la hora especificada.
Una vez que el modelo se haya implementado en un [punto final de inferencia en tiempo real](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) de SageMaker AI Hosting, puede empezar a hacer predicciones *invocando* el punto final.
Hay varias formas de implementar una versión del modelo desde la aplicación de Canvas. Puede obtener acceso a la opción de implementación del modelo mediante cualquiera de los métodos siguientes:
+ En la página **Mis modelos** de la aplicación de Canvas, elija el modelo que quiera implementar. A continuación, en la página de **Versiones** del modelo, elija el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) situado junto a la versión del modelo y seleccione **Implementar**.
+ En la página de detalles de una versión del modelo, en la pestaña **Analizar**, elija la opción **Implementar**.
+ En la página de detalles de una versión del modelo, en la pestaña **Predecir**, seleccione el icono de **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) situado en la parte superior de la página y seleccione **Implementar**.
+ En la página **Operaciones de machine learning** de la aplicación de Canvas, elija la pestaña **Implementaciones** y, a continuación, **Crear implementación**.
+ Para ver los modelos de JumpStart base y los modelos de base ajustados, vaya a la página de **Ready-to-use modelos de la aplicación** Canvas. Elija **Generar, extraer y resumir contenido**. A continuación, busque el modelo de JumpStart base o el modelo de base ajustado que desee implementar. Elija el modelo y, en la página de chat del modelo, seleccione el botón **Implementar**.
Todos estos métodos abren el panel lateral **Implementar modelo**, donde puede especificar la configuración de implementación de su modelo. Para implementar el modelo desde este panel, haga lo siguiente:
1. (Opcional) Si va a crear una implementación desde la página **Operaciones de machine learning**, tendrá la opción de **Seleccionar el modelo y la versión**. Utilice los menús desplegables para seleccionar el modelo y la versión del modelo que desee implementar.
1. Escriba un nombre en el campo **Nombre de implementación** .
1. **(Solo para modelos de JumpStart base y modelos de base ajustados) Elija una longitud de despliegue.** Seleccione **Indefinido** para dejar el punto de conexión activo hasta que lo cierre, o **Especificar la longitud** y, a continuación, introduzca el período de tiempo durante el que desea que el punto de conexión permanezca activo.
1. En el **caso del tipo de instancia**, la SageMaker IA detecta un tipo y un número de instancia predeterminados adecuados para su modelo. Sin embargo, puede cambiar el tipo de instancia que quiera utilizar para alojar el modelo.
**nota**
Si se te acaba la cuota de instancias para el tipo de instancia elegido en tu AWS cuenta, puedes solicitar un aumento de la cuota. Para obtener más información sobre las cuotas predeterminadas y cómo solicitar un aumento, consulta los [puntos de conexión y las cuotas de Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html) en la *guía de referencia AWS general*.
1. En **cuanto al recuento** de instancias, puede establecer la cantidad de instancias activas que se utilizan para su punto final. SageMaker La IA detecta un número predeterminado que es adecuado para su modelo, pero puede cambiarlo.
1. Cuando esté listo para implementar el modelo, elija **Implementar**.
Su modelo ahora debería implementarse en un punto de conexión.
# Visualización de sus implementaciones
Es posible que desee comprobar el estado o los detalles de la implementación de un modelo en Amazon SageMaker Canvas. Por ejemplo, si su implementación falló, es posible que desee comprobar los detalles para solucionar el problema.
Puede ver las implementaciones de sus modelos de Canvas desde la aplicación Canvas o desde la consola Amazon SageMaker AI.
Para ver los detalles de implementación desde Canvas, elija uno de los procedimientos siguientes:
Para ver los detalles de la implementación desde la página **Operaciones de machine learning**, haga lo siguiente:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Operaciones de machine learning**.
1. Elija la pestaña **Implementaciones**.
1. Seleccione la implementación por el nombre en la lista.
Para ver los detalles de la implementación desde la página de la versión de un modelo, haga lo siguiente:
1. En la aplicación SageMaker Canvas, ve a la página de detalles de la versión de tu modelo.
1. Seleccione la pestaña **Implementar**.
1. En la sección **Implementaciones**, que enumera todas las configuraciones de implementación asociadas a esa versión del modelo, busque su implementación.
1. Seleccione el icono **Más opciones** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) y, a continuación, seleccione **Ver detalles** para abrir la página de detalles.
Se abre la página de detalles de su implementación y puede ver información como la hora de la predicción más reciente, el estado y la configuración del punto de conexión y la versión del modelo que está actualmente implementada en el punto de conexión.
También puede ver las instancias de espacio de trabajo de Canvas y los puntos de conexión activos actualmente desde el **panel de SageMaker IA** de la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker/). Sus puntos de enlace de Canvas aparecen junto con cualquier otro punto de enlace de SageMaker AI Hosting que haya creado, y puede filtrarlos buscando puntos de enlace con la etiqueta Canvas.
La siguiente captura de pantalla muestra el panel de control de SageMaker IA. En la sección **Canvas**, puede ver que hay una instancia de espacio de trabajo en servicio y cuatro puntos de conexión activos.
![\[Captura de pantalla del panel de control de SageMaker IA que muestra las instancias y los puntos finales del espacio de trabajo de Canvas activos.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-sagemaker-dashboard.png)
# Actualización de una configuración de implementación
Puede actualizar la configuración de implementación de los modelos que ha implementado en los puntos finales de Amazon SageMaker Canvas. Por ejemplo, puede implementar una versión de modelo actualizada en el punto de conexión o puede actualizar el tipo de instancia o el número de instancias detrás del punto de conexión en función de sus necesidades de capacidad.
Hay varias formas de actualizar la implementación desde la aplicación de Canvas. Puede usar cualquiera de los métodos siguientes:
+ En la página **Operaciones de machine learning** de la aplicación de Canvas, puede elegir la pestaña **Implementaciones** y seleccionar la implementación que desee actualizar. Seleccione **Crear una configuración**.
+ En la página de detalles de una versión de modelo, en la pestaña **Implementar**, puede ver las implementaciones de esa versión. Junto a la implementación, elija el icono **Más opciones** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) y, a continuación, elija **Crear una configuración**.
Los dos métodos anteriores abren el panel lateral **Crear una configuración**, donde puede realizar cambios en la configuración de la implementación. Para actualizar la configuración, realice las siguientes acciones:
1. En el menú desplegable **Seleccionar versión**, puede seleccionar una versión de modelo diferente para implementarla en el punto de conexión.
**nota**
Al actualizar una configuración de implementación, solo puede elegir una versión de modelo diferente para implementarla. Para implementar un modelo diferente, cree una nueva implementación.
1. En el **Tipo de instancia**, puede seleccionar un tipo de instancia diferente para alojar el modelo.
1. Para el **Recuento de instancias**, puede cambiar el número de instancias activas que se utilizan para su punto de conexión.
1. Seleccione **Guardar**.
La configuración de implementación debería actualizarse ahora.
# Pruebe la implementación
Puede probar la implementación de un modelo invocando el punto final o realizando solicitudes de predicción únicas a través de la aplicación Amazon SageMaker Canvas. Puede usar esta funcionalidad para confirmar que su punto de conexión responde a las solicitudes antes de invocarlo mediante programación en un entorno de producción.
## Prueba de implementación de un modelo personalizado
Puede probar la implementación de un modelo personalizado accediendo a él a través de la página **Operaciones de machine learning** y realizando una única invocación, que devuelve una predicción junto con la probabilidad de que sea correcta.
**nota**
La duración de la ejecución es una estimación del tiempo que se tarda en invocar y obtener una respuesta del punto de conexión en Canvas. Para obtener métricas de latencia detalladas, consulte Estadísticas de [invocación de terminales de SageMaker IA](https://docs.aws.amazon.com/sagemaker/latest/dg/monitoring-cloudwatch.html#cloudwatch-metrics-endpoint-invocation).
Para probar el punto de conexión a través de la aplicación de Canvas, haga lo siguiente:
1. Abre la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Operaciones de machine learning**.
1. Elija la pestaña **Implementaciones**.
1. En la lista de implementaciones, elija la que tenga el punto de conexión que desee invocar.
1. En la página de detalles de la implementación, seleccione la pestaña **Probar implementación**.
1. En la página de pruebas de implementación, puede modificar los campos de **Valor** para especificar un nuevo punto de datos. En el caso de los modelos de previsión de series temporales, especifique el **ID de elemento** para el que desea realizar una previsión.
1. Tras modificar los valores, elija **Actualizar** para obtener el resultado de la predicción.
La predicción se carga junto con los campos de **Resultados de la invocación**, que indican si la invocación se ha realizado correctamente o no y cuánto tiempo ha tardado en procesarse la solicitud.
La siguiente captura de pantalla muestra una predicción realizada en la aplicación de Canvas, en la pestaña **Probar implementación**.
![\[Aplicación de Canvas mostrando una predicción de prueba para un modelo implementado.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/canvas-test-deployments.png)
Para todos los tipos de modelos, excepto predicción numérica y previsión de series temporales, la se devuelven los siguientes campos:
+ **predicted\$1label**: el resultado previsto
+ **probability**: la probabilidad de que la etiqueta prevista sea correcta
+ **labels**: la lista de todas las etiquetas posibles
+ **probabilities**: las probabilidades correspondientes a cada etiqueta (el orden de esta lista coincide con el orden de las etiquetas)
En el caso de los modelos de predicción numérica, la predicción solo contiene el campo **score**, que es el resultado previsto del modelo, como el precio previsto de una vivienda.
Para los modelos de previsión de series temporales, la predicción es un gráfico que muestra las previsiones por cuantil. Puede elegir **Vista de esquema** para ver los valores numéricos pronosticados para cada cuantil.
Puede seguir realizando predicciones únicas a través de la página de pruebas de implementación o puede consultar la siguiente sección [Invocación de un punto de conexión](canvas-deploy-model-invoke.md) para obtener información sobre cómo invocar su punto de conexión mediante programación desde las aplicaciones.
## Pruebe el despliegue de un modelo JumpStart básico
Puede chatear con un modelo JumpStart básico implementado a través de la aplicación Canvas para probar su funcionalidad antes de invocarlo mediante código.
Para conversar con un modelo JumpStart básico implementado, haga lo siguiente:
1. Abra la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Operaciones de machine learning**.
1. Elija la pestaña **Implementaciones**.
1. En la lista de implementaciones, busque la que quiera invocar y elija el icono de **Más opciones** (![\[More options icon for a model deployment.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. En el menú contextual, seleccione **Probar implementación**.
1. Se abrirá un nuevo chat sobre cómo **generar, extraer y resumir contenido** con el modelo JumpStart básico, en el que podrá empezar a escribir las instrucciones. Ten en cuenta que las solicitudes de este chat se envían como solicitudes a tu terminal de SageMaker AI Hosting.
# Invocación de un punto de conexión
**nota**
Le recomendamos que [pruebe la implementación de su modelo en Amazon SageMaker Canvas](canvas-deploy-model-test.md) antes de invocar un punto final de SageMaker IA mediante programación.
Puede usar los modelos de Amazon SageMaker Canvas que haya implementado en un punto final de SageMaker IA en producción con sus aplicaciones. [Invoque el punto final mediante programación del mismo modo que invoca cualquier otro SageMaker punto final de IA en tiempo real.](https://docs.aws.amazon.com/sagemaker/latest/dg/realtime-endpoints.html) Al invocar un punto de conexión mediante programación, se devuelve un objeto de respuesta que contiene los campos explicados en [Pruebe la implementación](canvas-deploy-model-test.md).
Para obtener información más detallada acerca de cómo invocar puntos de conexión mediante programación, consulte [Invocación de modelos para realizar inferencias en tiempo real](realtime-endpoints-test-endpoints.md).
Los siguientes ejemplos de Python muestran cómo invocar el punto de conexión en función del tipo de modelo.
## JumpStart modelos básicos
En el siguiente ejemplo, se muestra cómo invocar un modelo JumpStart básico que ha implementado en un punto final.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(
[['feature_column1', 'feature_column2'],
['feature_column1', 'feature_column2']]
).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Modelos de predicción numérica y categórica
En el siguiente ejemplo se muestra cómo invocar modelos de predicción numéricos o categóricos.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame(['feature_column1', 'feature_column2'], ['feature_column1', 'feature_column2']).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Modelos de previsión de series temporales
En el siguiente ejemplo se muestra cómo invocar modelos de previsión de series temporales. Para ver un ejemplo completo de cómo probar la invocación de un modelo de previsión de series temporales, consulte Previsión de [series temporales con Amazon Autopilot](https://github.com/aws/amazon-sagemaker-examples/blob/eef13dae197a6e588a8bc111aba3244f99ee0fbb/autopilot/autopilot_time_series.ipynb). SageMaker
```
import boto3
import pandas as pd
csv_path = './real-time-payload.csv'
data = pd.read_csv(csv_path)
client = boto3.client("runtime.sagemaker")
body = data.to_csv(index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
## Modelos de predicción de imágenes
En el siguiente ejemplo se muestra cómo invocar modelos de predicción de imágenes.
```
import boto3
client = boto3.client("runtime.sagemaker")
with open("example_image.jpg", "rb") as file:
body = file.read()
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="application/x-image",
Body=body,
Accept="application/json"
)
```
## Modelos de predicción de texto
En el siguiente ejemplo se muestra cómo invocar modelos de predicción de texto.
```
import boto3
import pandas as pd
client = boto3.client("runtime.sagemaker")
body = pd.DataFrame([["Example text 1"], ["Example text 2"]]).to_csv(header=False, index=False).encode("utf-8")
response = client.invoke_endpoint(
EndpointName="endpoint_name",
ContentType="text/csv",
Body=body,
Accept="application/json"
)
```
# Eliminación de la implementación de un modelo
Puede eliminar las implementaciones de sus modelos desde la aplicación Amazon SageMaker Canvas. Esta acción también elimina el punto final de la consola de SageMaker IA y cierra todos los recursos relacionados con el punto final.
**nota**
Si lo desea, puede eliminar su punto final a través de la [consola de SageMaker IA](https://console.aws.amazon.com/sagemaker/) o mediante la API de IA. SageMaker `DeleteEndpoint` Para obtener más información, consulte [Eliminar puntos de conexión y recursos](realtime-endpoints-delete-resources.md). Sin embargo, al eliminar el punto final a través de la consola de SageMaker IA o APIs en lugar de la aplicación Canvas, la lista de implementaciones en Canvas no se actualiza automáticamente. También debe eliminar la implementación de la aplicación de Canvas para eliminarla de la lista.
Para eliminar una implementación en Canvas, haga lo siguiente:
1. Abre la aplicación SageMaker Canvas.
1. En el panel de navegación izquierdo, elija **Operaciones de machine learning**.
1. Elija la pestaña **Implementaciones**.
1. En la lista de implementaciones, elija la que quiera eliminar.
1. En la parte superior de la página de detalles de la implementación, elija el icono **Más opciones** (![\[More options icon for the output CSV file.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Seleccione **Eliminar implementación**.
1. En el cuadro de diálogo **Eliminar implementación**, elija **Eliminar**.
Su implementación y el punto final de SageMaker AI Hosting ahora deberían eliminarse tanto de Canvas como de la consola de SageMaker AI.
# ¿Cómo administrar las automatizaciones
En SageMaker Canvas, puede crear automatizaciones que actualicen su conjunto de datos o generen predicciones a partir de su modelo según un cronograma. Por ejemplo, es posible que reciba nuevos datos de envío a diario. Puede configurar una actualización automática para su conjunto de datos y predicciones automáticas por lotes que se ejecuten cada vez que se actualice el conjunto de datos. Con estas características, puede configurar un flujo de trabajo automatizado y reducir el tiempo que dedica a actualizar manualmente los conjuntos de datos y a hacer predicciones.
**nota**
Solo puede configurar un máximo de 20 configuraciones automáticas en su aplicación de Canvas. Las automatizaciones solo están activas mientras está conectado a la aplicación de Canvas. Si cierra sesión en Canvas, sus trabajos automáticos se detienen hasta que vuelva a iniciar sesión.
En las siguientes secciones se describe cómo ver, editar y eliminar configuraciones para las automatizaciones existentes. Para obtener información sobre cómo configurar las automatizaciones, consulte los siguientes temas:
+ Para configurar las actualizaciones automáticas de los conjuntos de datos, consulte [Actualización de un conjunto de datos](canvas-update-dataset.md).
+ Para configurar las predicciones por lotes automáticas, consulte [Predicciones por lotes en SageMaker Canvas](canvas-make-predictions-batch.md).
**Topics**
+ [Visualización de automatizaciones](canvas-manage-automations-view.md)
+ [Edición de configuraciones automáticas](canvas-manage-automations-edit.md)
+ [Eliminación de una configuración automática](canvas-manage-automations-delete.md)
# Visualización de automatizaciones
También puede ver todos sus trabajos de actualización automática yendo al panel de navegación izquierdo de Canvas y seleccionando **Operaciones de machine learning**. La página de **Operaciones de machine learning** combina las automatizaciones tanto para las actualizaciones automáticas de los conjuntos de datos como para las predicciones automáticas por lotes. En la pestaña **Automatizaciones** puede ver las siguientes pestañas:
+ **Todos los trabajos**: puede ver todas las instancias de un trabajo de **Actualización de conjunto de datos** o **Predicción por lotes** que Canvas ha realizado. Para cada trabajo, puede ver campos como el **Conjunto de datos de entrada** asociado, el **Nombre de configuración** de la configuración de actualización automática asociada y el **Estado** que muestra si el trabajo se realizó correctamente o no. Puede filtrar los trabajos por nombre de configuración:
+ Para los trabajos de actualización del conjunto de datos, puede elegir la última versión del conjunto de datos, o el trabajo más reciente, para obtener una vista previa del conjunto de datos.
+ En el caso de los trabajos de predicción por lotes, puede seleccionar el icono de **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) para previsualizar o descargar las predicciones de ese trabajo. También puede elegir **Ver detalles** para ver más detalles sobre el trabajo de predicción. Para obtener más información sobre los detalles del trabajo de predicción por lotes, consulte [Visualización de trabajos de predicción por lotes](canvas-make-predictions-batch-auto-view.md).
+ **Configuración**: puede ver todas las configuraciones de **Actualización de conjunto de datos** y **Predicción por lotes** que ha creado. Para cada configuración, puedes ver campos como el **Conjunto de datos de entrada** asociado y la **Frecuencia** de los trabajos. También puede activar o desactivar el conmutador de **Actualización automática** para pausar o reanudar las actualizaciones automáticas. Si selecciona el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)) para una configuración específica, puede elegir entre **Ver todos los trabajos** de la configuración, **Crear una configuración** o **Eliminar configuración**.
# Edición de configuraciones automáticas
Después de establecer una configuración, es posible que desee realizar cambios en ella. Para las actualizaciones automáticas de los conjuntos de datos, puede actualizar la ubicación de Amazon S3 para que Canvas importe los datos, la frecuencia de las actualizaciones y la hora de inicio. Para realizar predicciones por lotes automáticas, puede cambiar el conjunto de datos del que la configuración rastrea para las actualizaciones. También puede desactivar la automatización para pausar temporalmente las actualizaciones hasta que decida reanudarlas.
En las secciones siguientes se muestra cómo actualizar cada tipo de configuración.
**nota**
No puede cambiar la frecuencia de las predicciones por lotes automáticas porque las predicciones por lotes automáticas se ejecutan cada vez que se actualiza el conjunto de datos de destino.
**Topics**
+ [Edición de la configuración de actualización automática del conjunto de datos](canvas-manage-automations-edit-dataset.md)
+ [Edición de su configuración de predicción automática por lotes](canvas-manage-automations-edit-batch.md)
# Edición de la configuración de actualización automática del conjunto de datos
Es posible que desee realizar cambios en la configuración de actualización automática de un conjunto de datos, como cambiar la frecuencia de las actualizaciones. También puede desactivar la configuración de actualización automática para pausar las actualizaciones del conjunto de datos.
Para realizar cambios en la configuración de actualización automática de un conjunto de datos, haga lo siguiente:
1. En el panel de navegación izquierdo de Canvas, elija **Operaciones de machine learning**.
1. Elija la pestaña **Automatizaciones**.
1. Elija la pestaña **Configuración**.
1. Para la configuración de actualización automática, seleccione el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. En el menú desplegable, elija **Crear una configuración**. Se abrirá la pestaña **Actualizaciones automáticas** del conjunto de datos.
1. Realización de cambios en la configuración. Cuando termine de realizar los cambios, seleccione **Guardar**.
Para pausar las actualizaciones del conjunto de datos, desactive la configuración automática. Una forma de desactivar las actualizaciones automáticas es hacer lo siguiente:
1. En el panel de navegación izquierdo de Canvas, elija **Operaciones de machine learning**.
1. Elija la pestaña **Automatizaciones**.
1. Elija la pestaña **Configuración**.
1. Busque su configuración en la lista y desactive la opción de **Actualización automática**.
Las actualizaciones automáticas del conjunto de datos ahora están pausadas. Puede volver a activar esta opción en cualquier momento para reanudar la programación de actualizaciones.
# Edición de su configuración de predicción automática por lotes
Cuando se edita una configuración de predicción por lotes, se puede cambiar el conjunto de datos de destino pero no la frecuencia (ya que las predicciones por lotes automáticas se producen siempre que se actualiza el conjunto de datos).
Para realizar cambios en la configuración de las predicciones por lotes automáticas, haga lo siguiente:
1. En el panel de navegación izquierdo de Canvas, elija **Operaciones de machine learning**.
1. Elija la pestaña **Automatizaciones**.
1. Elija la pestaña **Configuración**.
1. Para la configuración de actualización automática, seleccione el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. En el menú desplegable, elija **Crear una configuración**. Se abrirá la pestaña **Actualizaciones automáticas** del conjunto de datos.
1. Se abre el cuadro de diálogo **Automatizar las predicciones por lotes**. Puede seleccionar otro conjunto de datos y elegir **Configurar** para guardar los cambios.
Su configuración de predicciones por lotes automáticas ahora está actualizada.
Para pausar las predicciones por lotes automáticas, desactive la configuración automática. Use el siguiente procedimiento para desactivar su configuración:
1. En el panel de navegación izquierdo de Canvas, elija **Operaciones de machine learning**.
1. Elija la pestaña **Automatizaciones**.
1. Elija la pestaña **Configuración**.
1. Busque su configuración en la lista y desactive la opción de **Actualización automática**.
Las predicciones automáticas por lotes de su conjunto de datos ahora están en pausa. Puede volver a activar esta opción en cualquier momento para reanudar la programación de actualizaciones.
# Eliminación de una configuración automática
Es posible que desee eliminar una configuración para detener su flujo de trabajo automatizado en SageMaker Canvas.
Para eliminar una configuración para las actualizaciones automáticas de conjuntos de datos o las predicciones automáticas por lotes, haga lo siguiente:
1. En el panel de navegación izquierdo de Canvas, elija **Operaciones de machine learning**.
1. Elija la pestaña **Automatizaciones**.
1. Elija la pestaña **Configuración**.
1. Busque la configuración de actualización automática y elija el icono **Más opciones** (![\[Vertical ellipsis icon representing a menu or more options.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/more-options-icon.png)).
1. Elija **Eliminar configuración**.
1. En el cuadro de diálogo que aparece, elija **Confirmar**.
La configuración de actualización automática ahora está eliminada.
# Cerrar sesión en Amazon SageMaker Canvas
Tras completar su trabajo en Amazon SageMaker Canvas, puede cerrar sesión o configurar la aplicación para que finalice automáticamente la *instancia del espacio* de trabajo. Cada vez que lance una aplicación de Canvas dispondrá de una instancia de espacio de trabajo dedicada y se le facturará mientras se ejecute la instancia. Al cerrar sesión o cerrar la instancia de espacio de trabajo, se detiene la facturación de la instancia de espacio de trabajo. Para obtener más información, consulte [SageMaker Precios](https://aws.amazon.com/sagemaker/pricing/).
En las siguientes secciones se describe cómo cerrar sesión en la aplicación de Canvas y cómo configurar la aplicación para que se cierre automáticamente de acuerdo con una programación.
## Cierre de sesión de Canvas
Al cerrar la sesión de Canvas, sus modelos y conjuntos de datos no se ven afectados. Todas las compilaciones de modelos rápidas o estándar o los [trabajos de procesamiento de datos de gran tamaño](canvas-export-data.md#canvas-export-data-s3) seguirán ejecutándose incluso si cierra sesión.
Para cerrar sesión, pulse el botón **Cerrar sesión** (![\[Filter icon in the SageMaker Canvas app.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/studio/canvas/logout-icon.png)) en el panel izquierdo de la aplicación SageMaker Canvas.
También puede cerrar sesión en la aplicación SageMaker Canvas cerrando la pestaña del navegador y, a continuación, [eliminando la aplicación](canvas-manage-apps-delete.md) en la consola.
Después de cerrar sesión, SageMaker Canvas le indicará que la vuelva a iniciar en una pestaña diferente. El inicio de sesión tarda alrededor de 1 minuto. Si tiene un administrador que configuró SageMaker Canvas por usted, siga las instrucciones que le dieron para volver a iniciar sesión. Si no tiene un administrador, consulte el procedimiento para acceder a SageMaker Canvas[Requisitos previos para configurar Amazon Canvas SageMaker](canvas-getting-started.md#canvas-prerequisites).
## Cierre automático de Canvas
Si es administrador de Canvas, quizá le convenga cerrar las aplicaciones con regularidad para reducir costos. Puede crear una programación para cerrar las aplicaciones de Canvas activas o crear una automatización para cerrar las aplicaciones de Canvas en cuanto estén *inactivas* (lo que significa que el usuario no ha estado activo durante 2 horas).
Puede crear estas soluciones mediante AWS Lambda funciones que llamen a la `DeleteApp` API y eliminen las aplicaciones de Canvas en determinadas condiciones. Para obtener más información sobre estas soluciones y acceder a CloudFormation las plantillas que puede utilizar, consulte el blog [Optimización de los costes de Amazon SageMaker Canvas con el cierre automático de aplicaciones inactivas](https://aws.amazon.com/blogs/machine-learning/optimizing-costs-for-amazon-sagemaker-canvas-with-automatic-shutdown-of-idle-apps/).
**nota**
Es posible que te falten CloudWatch métricas de [Amazon](https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/WhatIsCloudWatch.html) si se ha producido un error al configurar tu programa de cierres por inactividad o si se ha CloudWatch producido un error. Te recomendamos que añadas una CloudWatch alarma que controle las métricas faltantes. Si te encuentras con este problema, ponte en contacto con nosotros Soporte para obtener ayuda.
# Limitaciones y solución de problemas
En la siguiente sección, se describe la ayuda para la solución de problemas y las limitaciones que se aplican al usar Amazon SageMaker Canvas. Puede utilizar este tema como ayuda para solucionar cualquier problema que se le presente.
## Solución de problemas relacionados con la concesión de permisos a través de la consola de SageMaker IA
Si tiene problemas para conceder permisos básicos o permisos de Ready-to-use modelos de Canvas a su usuario, es posible que su usuario tenga una función de ejecución de AWS IAM con más de una relación de confianza con otros AWS servicios. Una relación de confianza es una política asociada a su rol que define qué entidades principales (usuarios, funciones, cuentas o servicios) pueden asumir ese rol. Por ejemplo, es posible que se produzca un problema al conceder permisos adicionales de Canvas a tu usuario si su función de ejecución tiene una relación de confianza tanto con Amazon SageMaker AI como con Amazon Forecast.
Para solucionar este problema, elija una de las siguientes opciones.
### 1. Elimine del rol todos los servicios de confianza excepto uno.
Esta solución requiere que edites la relación de confianza para la función de IAM de tu perfil de usuario y que elimines todos los AWS servicios excepto la SageMaker IA.
Para editar la relación de confianza para el rol de ejecución de IAM, haga lo siguiente:
1. Diríjase a la consola de IAM en. [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/)
1. En el panel de navegación de la consola de IAM, elija **Roles**. La consola muestra los roles asociados a su cuenta.
1. Elija el nombre del rol que desea modificar y seleccione la pestaña **Relaciones de confianza** en la página de detalles.
1. Elija **Editar la política de confianza**.
1. En el **editor Editar la política de confianza**, pegue lo siguiente y, a continuación, seleccione **Actualizar política**.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
},
"Action": "sts:AssumeRole"
}
]
}
```
------
También puede actualizar este documento de política mediante la CLI de IAM. Para obtener más información, consulte [update-trust](https://docs.aws.amazon.com/cli/latest/reference/ds/update-trust.html) en la *Referencia de comandos de IAM*.
Ahora puede volver a intentar conceder los permisos básicos de Canvas o los permisos de los Ready-to-use modelos a su usuario.
### 2. Utilice un rol diferente con uno o varios servicios de confianza.
Esta solución requiere que especifique un rol de IAM diferente para su perfil de usuario. Use esta opción si ya tiene un rol de IAM que pueda sustituir.
Para especificar otro rol de ejecución para el usuario, haga lo siguiente:
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. En la lista de dominios, seleccione el dominio del que desea ver una lista de perfiles de usuario.
1. En la página **Detalles del dominio**, elija la pestaña **Perfiles de usuario**.
1. Elija el usuario cuyos permisos quiera editar. En la página **Detalles del usuario**, elija **Editar**.
1. En la página de **Configuración general**, elija la lista desplegable **Rol de ejecución** y seleccione el rol que desee usar.
1. Seleccione **Enviar** para guardar los cambios en el perfil de usuario.
Su usuario ahora debería utilizar un rol de ejecución con un solo servicio de confianza (SageMaker AI).
Puede volver a intentar conceder los permisos básicos de Canvas o los permisos de los Ready-to-use modelos a su usuario.
### 3. Adjunte manualmente la política AWS gestionada a la función de ejecución en lugar de utilizar el conmutador de la configuración del dominio de SageMaker IA.
En lugar de utilizar el conmutador de la configuración del dominio o del perfil de usuario, puede asociar manualmente las políticas administradas de AWS que concedan al usuario los permisos correctos.
Para conceder a un usuario los permisos básicos de Canvas, adjunta la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)política. Para conceder permisos a un Ready-to-use modelo de usuario, adjunte la política de [AmazonSageMakerCanvasAIServicesacceso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess).
Utilice el siguiente procedimiento para adjuntar una política AWS gestionada a su función:
1. Vaya a la consola de IAM en [https://console.aws.amazon.com/iam/](https://console.aws.amazon.com/iam/).
1. Elija **Roles**.
1. En el cuadro de búsqueda, busque el rol de IAM del usuario por su nombre y selecciónelo.
1. En la página del rol del usuario, en **Permisos**, seleccione **Agregar permisos**.
1. En el menú desplegable, seleccione **Asociar políticas**.
1. Busque y seleccione la política o las políticas que desee asociar al rol de ejecución del usuario:
1. Para conceder los permisos básicos de Canvas, busque y seleccione la [AmazonSageMakerCanvasFullAccess](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasFullAccess)política.
1. Para conceder permisos a los Ready-to-use modelos, busque y seleccione la política de [AmazonSageMakerCanvasAIServicesacceso](https://docs.aws.amazon.com/sagemaker/latest/dg/security-iam-awsmanpol-canvas.html#security-iam-awsmanpol-AmazonSageMakerCanvasAIServicesAccess).
1. Seleccione **Agregar permisos** para asociar la política al rol.
Tras adjuntar una política AWS gestionada a la función del usuario a través de la consola de IAM, su usuario debería disponer ahora de los permisos básicos de Canvas o los permisos de Ready-to-use modelos.
## Solución de problemas relacionados con la creación de una aplicación en Canvas por error de espacio
Al crear una nueva aplicación de Canvas, si encuentras un error al indicarlo`Unable to create app because space is not in InService state`, esto indica que la creación del espacio subyacente de Amazon SageMaker Studio ha fallado. Un *espacio* de Studio es el almacenamiento subyacente que aloja los datos de las aplicaciones de Canvas. Para obtener más información sobre los espacios de Studio, consulte [Espacios de Amazon SageMaker Studio](studio-updated-spaces.md). Para obtener más información sobre la configuración de espacios en Canvas, consulte [Guarde los datos de las aplicaciones de SageMaker Canvas en su propio espacio de IA SageMaker](canvas-spaces-setup.md).
Para determinar la causa principal del error en la creación del espacio, puede utilizar la [DescribeSpace](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeSpace.html)API para comprobar el `FailureReason` campo. Para obtener más información sobre los estados posibles y su significado, consulte [Entidades y estados de dominio de Amazon SageMaker AI](sm-domain.md).
Para resolver este problema, busca tu dominio en la consola de SageMaker IA y elimina el espacio fallido que aparece en el mensaje de error que recibiste. Para ver los pasos detallados sobre cómo buscar y eliminar un espacio, consulte la página [Detención y eliminación de aplicaciones y espacios en ejecución de Studio](studio-updated-running-stop.md) y siga las instrucciones para **Delete a Studio space**. Al eliminar el espacio también se eliminan todas las aplicaciones asociadas al espacio. Tras eliminar el espacio, puede intentar volver a crear la aplicación de Canvas. El espacio debería aprovisionarse ahora correctamente, lo que permitiría que Canvas se iniciara.
# Facturación y costes en SageMaker Canvas
Para realizar un seguimiento de los costes asociados a su aplicación SageMaker Canvas, puede utilizar el Administración de facturación y costos de AWS servicio. Administración de costos y facturación proporciona herramientas útiles que ayudan a recopilar información relacionada con los costos y el uso, analizar los generadores de costos y las tendencias de uso, y tomar medidas para presupuestar los gastos. Para obtener más información, consulte [¿Qué es Administración de facturación y costos de AWS?](https://docs.aws.amazon.com/awsaccountbilling/latest/aboutv2/billing-what-is.html)
La facturación en SageMaker Canvas consta de los siguientes componentes:
+ Cargos por instancia de Workspace: se le cobrará por el número de horas que lleve conectado o utilice SageMaker Canvas. Le recomendamos que cierre sesión o cree una programación para cerrar cualquier aplicación de Canvas que no esté utilizando activamente a fin de reducir costos. Para obtener más información, consulte [Cerrar sesión en Amazon SageMaker Canvas](canvas-log-out.md).
+ AWS cargos de servicio: se le cobra por crear y hacer predicciones con modelos personalizados o por hacer predicciones con Ready-to-use modelos:
+ Gastos de entrenamiento: para todos los tipos de modelos, se le cobrará en función del uso de recursos mientras se compila el modelo. Estos recursos incluyen cualquier instancia de computación que active Canvas. Es posible que veas estos cargos en su cuenta como trabajos de alojamiento, entrenamiento, procesamiento o transformación por lotes.
+ Cargos por predicción: se le cobrarán los recursos utilizados para generar predicciones, según el tipo de modelo personalizado que haya creado o el tipo de Ready-to-use modelo que haya utilizado.
Los [Ready-to-use modelos](canvas-ready-to-use-models.md) de Canvas aprovechan otros AWS servicios para generar predicciones. Cuando utiliza un Ready-to-use modelo, el servicio correspondiente le cobra y se aplican sus condiciones de precios:
+ Para el análisis de opiniones, la extracción de entidades, la detección de idioma y la detección de información personal, se le cobrarán los [precios de Amazon Comprehend](https://aws.amazon.com/comprehend/pricing/).
+ Para la detección de objetos en las imágenes y la detección de texto en las imágenes, se le cobrará el precio de [Amazon Rekognition](https://aws.amazon.com/rekognition/pricing/).
+ Para el análisis de gastos, el análisis de documentos de identidad y el análisis de documentos, se le cobrará el precio de [Amazon Textract](https://aws.amazon.com/textract/pricing/).
Para obtener más información, consulte [SageMaker Precios de Canvas](https://aws.amazon.com/sagemaker/canvas/pricing/).
Para ayudarlo a realizar un seguimiento de sus costos en Billing and Cost Management, puede asignar etiquetas personalizadas a su aplicación SageMaker Canvas y a sus usuarios. Puede realizar un seguimiento de los costes en los que incurren sus aplicaciones y, al etiquetar los perfiles de usuario individuales, puede realizar un seguimiento de los costes en función del perfil de usuario. Para obtener más información acerca de las etiquetas, consulte [Uso de etiquetas de asignación de costos](https://docs.aws.amazon.com/awsaccountbilling/latest/aboutv2/cost-alloc-tags.html).
Puede agregar etiquetas a su aplicación SageMaker Canvas y a sus usuarios de la siguiente manera:
+ Si estás configurando tu dominio Amazon SageMaker AI y SageMaker Canvas por primera vez, sigue las instrucciones de [introducción](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-getting-started.html) y añade etiquetas al crear tu dominio o tus usuarios. Puede añadir etiquetas a través de la **configuración general** de la consola del dominio o a través de APIs ([CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)o [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)). SageMaker La IA agrega las etiquetas especificadas en su dominio o UserProfile en cualquier aplicación o usuario de SageMaker Canvas que cree después de crear el dominio.
+ Si desea agregar etiquetas a las aplicaciones de un dominio existente, debe agregar etiquetas al dominio o al UserProfile. Puede añadir etiquetas a través de la consola o la [AddTags](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AddTags.html)API. Si agrega etiquetas a través de la consola, debe eliminar y volver a iniciar su aplicación SageMaker Canvas para que las etiquetas se propaguen a la aplicación. Si utiliza la API, las etiquetas se agregan directamente a la aplicación. [Para obtener más información sobre cómo eliminar y volver a iniciar una aplicación de SageMaker Canvas, consulte Administrar aplicaciones.](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas-manage-apps.html)
Después de agregar etiquetas a su dominio, es posible que las etiquetas tarden hasta 24 horas en aparecer en la Administración de facturación y costos de AWS consola para su activación. Una vez que aparezcan en la consola, las etiquetas tardarán otras 24 horas en activarse.
En la página del **Explorador de costos**, puede agrupar y filtrar los costos por etiquetas y tipos de uso para separar los cargos de la instancia de Workspace de los gastos de entrenamiento. Los cargos de cada uno de ellos son los siguientes:
+ Cargos por instancia de espacio de trabajo: los cargos aparecen en función del tipo de uso `REGION-Canvas:Session-Hrs (Hrs)`.
+ Cargos de formación: los cargos aparecen en los tipos de uso de los trabajos de SageMaker AI Hosting, Training, Processing o Batch Transform.
# Capacidades SageMaker geoespaciales de Amazon
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. Si antes del 30 de noviembre de 2023 creaste un dominio de Amazon SageMaker AI, Studio Classic sigue siendo la experiencia predeterminada. Los dominios creados después del 30 de noviembre de 2023 utilizarán de forma predeterminada la nueva experiencia de Studio.
Las funciones y los recursos SageMaker geoespaciales de Amazon *solo* están disponibles en Studio Classic. Para obtener más información sobre cómo configurar un dominio y empezar a usar Studio, consulte [Primeros pasos con Amazon SageMaker geospatial](geospatial-getting-started.md).
Las capacidades SageMaker geoespaciales de Amazon facilitan a los científicos de datos y a los ingenieros de aprendizaje automático (ML) la creación, el entrenamiento y la implementación de modelos de ML con mayor rapidez utilizando datos geoespaciales. Tiene acceso a herramientas de visualización, procesamiento y datos de código abierto y de terceros para que sea más eficiente preparar los datos geoespaciales para el machine learning. Puede aumentar su productividad mediante el uso de algoritmos diseñados específicamente y modelos de machine learning previamente entrenados para acelerar la creación y el entrenamiento de modelos, y utilizar las herramientas de visualización integradas para explorar los resultados de las predicciones en un mapa interactivo y, a continuación, colaborar entre equipos para obtener información y resultados.
**nota**
Actualmente, las capacidades SageMaker geoespaciales solo se admiten en la región EE.UU. Oeste (Oregón).
Si no ve la interfaz de usuario SageMaker geoespacial disponible en su instancia actual de Studio Classic, compruebe que se encuentra actualmente en la región EE.UU. Oeste (Oregón).
**¿Por qué utilizar las SageMaker capacidades geoespaciales?**
Puede utilizar las capacidades SageMaker geoespaciales para hacer predicciones sobre los datos geoespaciales con mayor rapidez que las soluciones. do-it-yourself SageMaker Las capacidades geoespaciales facilitan el acceso a los datos geoespaciales de los lagos de datos de sus clientes actuales, los conjuntos de datos de código abierto y otros proveedores de datos geoespaciales. SageMaker SageMaker Las capacidades geoespaciales minimizan la necesidad de crear una infraestructura personalizada y funciones de preprocesamiento de datos al ofrecer algoritmos diseñados específicamente para una preparación eficiente de los datos, el entrenamiento de modelos y la inferencia. También puede crear y compartir visualizaciones y datos personalizados con su empresa desde Amazon SageMaker Studio Classic. SageMaker Las capacidades geoespaciales ofrecen modelos previamente entrenados para usos comunes en la agricultura, el sector inmobiliario, los seguros y los servicios financieros.
## ¿Cómo puedo utilizar las capacidades SageMaker geoespaciales?
Puede utilizar las capacidades SageMaker geoespaciales de dos maneras.
+ A través de la interfaz de usuario SageMaker geoespacial, como parte de la interfaz de usuario clásica de Amazon SageMaker Studio.
+ A través de una instancia de cuaderno de Studio Classic que utilice la imagen **Geospatial 1.0**.
**SageMaker La IA tiene las siguientes capacidades geoespaciales**
+ Utilice una imagen SageMaker geoespacial especialmente diseñada que sea compatible con instancias de notebook basadas en CPU y GPU, y que también incluya bibliotecas de código abierto de uso común que se encuentran en los flujos de trabajo de aprendizaje automático geoespacial.
+ Utilice Amazon SageMaker Processing y el contenedor SageMaker geoespacial para ejecutar cargas de trabajo a gran escala con sus propios conjuntos de datos, como suelo, meteorología, clima, LiDAR e imágenes aéreas y satelitales comerciales.
+ Ejecute un [trabajo de observación de la Tierra](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-eoj.html) para procesar datos ráster.
+ Ejecute un [trabajo de enriquecimiento vectorial](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-vej.html) para convertir la latitud y la longitud en direcciones legibles para el ser humano y haga coincidir los trazados de GPS imprecisos con carreteras específicas.
+ Utilice [las herramientas de visualización integradas directamente en Studio Classic para ver de forma interactiva datos geoespaciales o modelar predicciones en un mapa.](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-visualize.html)
También puede usar datos de un conjunto de proveedores de datos geoespaciales. En la actualidad, las recopilaciones de datos disponibles incluyen:
+ [https://www.usgs.gov/centers/eros/data-citation?qt-science_support_page_related_con=0#qt-science_support_page_related_con](https://www.usgs.gov/centers/eros/data-citation?qt-science_support_page_related_con=0#qt-science_support_page_related_con)
+ [https://sentinels.copernicus.eu/documents/247904/690755/Sentinel_Data_Legal_Notice](https://sentinels.copernicus.eu/documents/247904/690755/Sentinel_Data_Legal_Notice)
+ [https://sentinel.esa.int/web/sentinel/missions/sentinel-2](https://sentinel.esa.int/web/sentinel/missions/sentinel-2)
+ [https://registry.opendata.aws/copernicus-dem/](https://registry.opendata.aws/copernicus-dem/)
+ [https://registry.opendata.aws/naip/](https://registry.opendata.aws/naip/)
## ¿Es la primera vez que utiliza la tecnología geoespacial? SageMaker
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. Los dominios nuevos que se creen después del 30 de noviembre de 2023 utilizan de forma predeterminada la experiencia Studio. El acceso a la información SageMaker geoespacial está limitado a Studio Classic; para obtener más información, consulte[Acceder a datos geoespaciales SageMaker](access-studio-classic-geospatial.md).
Si es la primera vez que utilizas AWS Amazon SageMaker AI, te recomendamos que hagas lo siguiente:
1. **Crea un Cuenta de AWS.**
Para obtener más información sobre cómo configurar una AWS cuenta y empezar a utilizar la SageMaker IA, consulte[Complete los requisitos previos de Amazon SageMaker AI](gs-set-up.md).
1. **Cree un rol de usuario y un rol de ejecución que funcionen con la tecnología SageMaker geoespacial**.
Como servicio gestionado, las capacidades SageMaker geoespaciales de Amazon realizan operaciones en su nombre en el AWS hardware que gestiona la SageMaker IA. Un rol de ejecución de SageMaker IA solo puede realizar las operaciones que los usuarios le asignen. Para trabajar con las capacidades SageMaker geoespaciales, debe configurar un rol de usuario y un rol de ejecución. Para obtener más información, consulte [SageMaker funciones de capacidades geoespaciales](sagemaker-geospatial-roles.md).
1. **Actualice su política de confianza para incluir la información SageMaker geoespacial**.
SageMaker geospatial define un principio de servicio adicional. Para obtener información sobre cómo crear o actualizar la política de confianza de su función de ejecución de SageMaker IA, consulte[Añadir el director del servicio SageMaker geoespacial a una función de ejecución de SageMaker IA existente](sagemaker-geospatial-roles-pass-role.md).
1. **Configure un dominio Amazon SageMaker AI para acceder a Amazon SageMaker Studio Classic.**
Para utilizar la SageMaker tecnología geoespacial, se requiere un dominio. Para los dominios creados antes del 30 de noviembre de 2023, la experiencia predeterminada es Studio Classic. Los dominios creados después del 30 de noviembre de 2023 utilizan la experiencia predeterminada de Studio. Para obtener más información sobre cómo acceder a Studio Classic desde Studio, consulte [Acceder a datos geoespaciales SageMaker](access-studio-classic-geospatial.md).
1. **Recuerde cerrar los recursos.**
Cuando haya terminado de utilizar las capacidades SageMaker geoespaciales, cierre la instancia en la que se ejecuta para evitar incurrir en cargos adicionales. Para obtener más información, consulte [Cierre los recursos de Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md).
**Topics**
+ [¿Cómo puedo utilizar las capacidades SageMaker geoespaciales?](#how-use-geo)
+ [¿Es la primera vez que utiliza la tecnología geoespacial? SageMaker](#first-time-geospatial-data)
+ [Primeros pasos con Amazon SageMaker geospatial](geospatial-getting-started.md)
+ [Uso de trabajos de procesamiento para cargas de trabajo geoespaciales personalizadas](geospatial-custom-operations.md)
+ [Trabajos de observación de la Tierra](geospatial-eoj.md)
+ [Trabajos de enriquecimiento vectorial](geospatial-vej.md)
+ [Visualización mediante capacidades SageMaker geoespaciales](geospatial-visualize.md)
+ [SDK de mapas SageMaker geoespaciales de Amazon](geospatial-notebook-sdk.md)
+ [SageMaker Preguntas frecuentes sobre las capacidades geoespaciales](geospatial-faq.md)
+ [SageMaker Seguridad y permisos geoespaciales](geospatial-security-general.md)
+ [Tipos de instancias de computación](geospatial-instances.md)
+ [Recopilaciones de datos](geospatial-data-collections.md)
# Primeros pasos con Amazon SageMaker geospatial
SageMaker geospatial proporciona un **tipo de imagen e instancia** **especialmente** diseñado para los blocs de notas Amazon SageMaker Studio Classic. **Puede utilizar cuadernos con CPU o GPU con la SageMaker imagen geoespacial.** También puede visualizar sus datos geoespaciales mediante un visualizador especialmente diseñado. Además, la SageMaker tecnología geoespacial también permite APIs consultar recopilaciones de datos ráster. También puede utilizar modelos previamente entrenados para analizar los datos geoespaciales, la geocodificación inversa y la coincidencia de mapas.
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. Si antes del 30 de noviembre de 2023 creaste un dominio de Amazon SageMaker AI, Studio Classic sigue siendo la experiencia predeterminada. Los dominios creados después del 30 de noviembre de 2023 utilizarán de forma predeterminada la nueva experiencia de Studio.
Para acceder y empezar a utilizar Amazon SageMaker geospatial, haga lo siguiente:
**Topics**
+ [Acceder a datos geoespaciales SageMaker](access-studio-classic-geospatial.md)
+ [Cree un bloc de notas Amazon SageMaker Studio Classic con la imagen geoespacial](geospatial-launch-notebook.md)
+ [Acceso a la recopilación de datos ráster del Sentinel-2 y creación de un trabajo de observación de la Tierra para realizar la segmentación del terreno](geospatial-demo.md)
# Acceder a datos geoespaciales SageMaker
**nota**
Actualmente, las capacidades SageMaker geoespaciales solo se admiten en la región EE.UU. Oeste (Oregón) y en Studio Classic.
Si no ve la interfaz de usuario SageMaker geoespacial disponible en su instancia actual de Studio Classic, compruebe que se encuentra actualmente en la región EE.UU. Oeste (Oregón).
Se necesita un dominio para acceder a la información SageMaker geoespacial. Si ha creado un dominio antes del 30 de noviembre de 2023, la experiencia predeterminada es Studio Classic.
Si creó un dominio después del 30 de noviembre de 2023 o si ha migrado a Studio, puede utilizar el siguiente procedimiento para activar Studio Classic desde Studio y utilizar las funciones SageMaker geoespaciales.
Para obtener más información sobre cómo crear un dominio, consulta [Incorporar un dominio de Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html).
**Acceso a Studio Classic desde Studio**
1. Abre Amazon SageMaker Studio.
1. En **Aplicaciones**, seleccione **Studio Classic**.
1. A continuación, seleccione **Crear un espacio de Studio Classic**.
1. En la página **Crear un espacio de Studio Classic**, introduzca un **Nombre**.
1. Desactiva la opción **Compartir con mi dominio**. SageMaker la tecnología geoespacial no está disponible en los dominios compartidos.
1. A continuación, elija **Crear espacio**.
Si se ejecuta correctamente, el **Estado** cambia a **Actualizando**. Cuando la aplicación de Studio Classic esté lista para usarse, el estado cambiará a **Detenido**.
Para iniciar la aplicación de Studio Classic, seleccione **Ejecutar**.
# Cree un bloc de notas Amazon SageMaker Studio Classic con la imagen geoespacial
**importante**
A partir del 30 de noviembre de 2023, la experiencia anterior de Amazon SageMaker Studio pasa a denominarse Amazon SageMaker Studio Classic. La siguiente sección es específica del uso de la aplicación de Studio Classic. Para obtener información sobre el uso de la experiencia de Studio actualizada, consulte [Amazon SageMaker Studio](studio-updated.md).
Studio Classic se sigue manteniendo para las cargas de trabajo existentes, pero ya no está disponible para su incorporación. Solo puede detener o eliminar las aplicaciones de Studio Classic existentes y no puede crear aplicaciones nuevas. Te recomendamos que [migres tu carga de trabajo a la nueva experiencia de Studio](studio-updated-migrate.md).
**nota**
Actualmente, la SageMaker tecnología geoespacial solo se admite en la región EE.UU. Oeste (Oregón).
Si no ve la opción SageMaker geoespacial disponible en su dominio o instancia de bloc de notas actual, asegúrese de que se encuentra actualmente en la región EE.UU. Oeste (Oregón).
Utilice el siguiente procedimiento para crear un bloc de notas de Studio Classic con la imagen SageMaker geoespacial. Si su experiencia de estudio predeterminada es Studio, consulte [Acceder a datos geoespaciales SageMaker](access-studio-classic-geospatial.md) para obtener información sobre cómo iniciar una aplicación de Studio Classic.
**Para crear un cuaderno Studio Classic con la imagen SageMaker geoespacial**
1. Inicialización de Studio Classic
1. Seleccione **Inicio** en la barra de menú.
1. En **Acciones rápidas**, elige **Abrir lanzador**.
1. Se abrirá el cuadro de diálogo del **Lanzador**. Seleccione **Cambiar entorno** en **Cuadernos y recursos de computación**.
1. Se abrirá el cuadro de diálogo **Cambiar entorno**. Seleccione el menú desplegable **Imagen** y elija o escriba **Geospatial 1.0**.
![\[Un cuadro de diálogo que muestra la imagen geoespacial correcta y el tipo de instancia seleccionados.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/geospatial-environment-dialogue.png)
1. A continuación, elija un **Tipo de instancia** en el menú desplegable.
SageMaker geospatial admite dos tipos de instancias de bloc de notas: CPU y GPU. La instancia de CPU compatible se denomina **ml.geospatial.interactive**. Se puede usar cualquier instancia de GPU de la familia G5 con la imagen Geospatial 1.0.
**nota**
Si recibes un ResourceLimitExceedederror al intentar iniciar una instancia basada en la GPU, debes solicitar un aumento de cuota. Para aprender a solicitar un aumento de cuota, consulte [Solicitud de aumento de cuota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) en la *Guía del usuario de Service Quotas*.
1. Elija **Seleccionar**.
1. Elija **Crear cuaderno**.
Después de crear un cuaderno, para obtener más información sobre SageMaker geoespacial, prueba el tutorial [SageMaker geoespacial](geospatial-demo.md). Le muestra cómo procesar los datos de imágenes del Sentinel-2 y segmentar el terreno en ellos utilizando la API de trabajos de observación de la Tierra.
# Acceso a la recopilación de datos ráster del Sentinel-2 y creación de un trabajo de observación de la Tierra para realizar la segmentación del terreno
Este tutorial basado en Python utiliza el SDK para Python (Boto3) y un bloc de notas Amazon Studio Classic. SageMaker Para completar esta demostración correctamente, asegúrese de tener los permisos AWS Identity and Access Management (IAM) necesarios para usar Geospatial y Studio Classic. SageMaker SageMaker geospatial requiere que tenga un usuario, grupo o rol que pueda acceder a Studio Classic. También debe tener una función de ejecución de SageMaker IA que especifique el director del servicio SageMaker geoespacial `sagemaker-geospatial.amazonaws.com` en su política de confianza.
Para obtener más información sobre estos requisitos, consulte las funciones de [SageMaker IAM geoespacial](sagemaker-geospatial-roles.md).
En este tutorial, se muestra cómo utilizar la API SageMaker geoespacial para realizar las siguientes tareas:
+ Encontrar las recopilaciones de datos ráster disponibles con `list_raster_data_collections`.
+ Buscar una recopilación de datos ráster específica mediante `search_raster_data_collection`.
+ Crear un trabajo de observación de la Tierra (EOJ) mediante `start_earth_observation_job`.
## Utilizar `list_raster_data_collections` para encontrar las colecciones de datos disponibles
SageMaker geospatial admite múltiples recopilaciones de datos ráster. Para obtener más información sobre las recopilaciones de datos disponibles, consulte [Recopilaciones de datos](geospatial-data-collections.md).
En esta demostración se utilizan datos satelitales recopilados de satélites [Sentinel-2 GeoTIFF optimizados para la nube](https://registry.opendata.aws/sentinel-2-l2a-cogs/). Estos satélites proporcionan una cobertura global de la superficie de la Tierra cada cinco días. Además de recopilar imágenes de la superficie terrestre, los satélites Sentinel-2 también recopilan datos en una variedad de bandas espectrales.
Para buscar en un área de interés (AOI), necesita el ARN asociado a los datos del satélite Sentinel-2. Para encontrar las recopilaciones de datos disponibles y las que están asociadas a las ARNs suyas Región de AWS, utilice la operación de la `list_raster_data_collections` API.
Como la respuesta se puede paginar, debe usar la operación `get_paginator` para devolver todos los datos relevantes:
```
import boto3
import sagemaker
import sagemaker_geospatial_map
import json
## SageMaker Geospatial is currently only avaialable in US-WEST-2
session = boto3.Session(region_name='us-west-2')
execution_role = sagemaker.get_execution_role()
## Creates a SageMaker Geospatial client instance
geospatial_client = session.client(service_name="sagemaker-geospatial")
# Creates a resusable Paginator for the list_raster_data_collections API operation
paginator = geospatial_client.get_paginator("list_raster_data_collections")
# Create a PageIterator from the paginator class
page_iterator = paginator.paginate()
# Use the iterator to iterate throught the results of list_raster_data_collections
results = []
for page in page_iterator:
results.append(page['RasterDataCollectionSummaries'])
print(results)
```
Este es un ejemplo de respuesta en JSON de la operación de la API `list_raster_data_collections`. Está truncado para incluir solo la recopilación de datos (Sentinel-2) que se utiliza en este ejemplo de código: . Para obtener más información sobre una recopilación de datos ráster específica, utilice `get_raster_data_collection`:
```
{
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"Description": "Sentinel-2a and Sentinel-2b imagery, processed to Level 2A (Surface Reflectance) and converted to Cloud-Optimized GeoTIFFs",
"DescriptionPageUrl": "https://registry.opendata.aws/sentinel-2-l2a-cogs",
"Name": "Sentinel 2 L2A COGs",
"SupportedFilters": [
{
"Maximum": 100,
"Minimum": 0,
"Name": "EoCloudCover",
"Type": "number"
},
{
"Maximum": 90,
"Minimum": 0,
"Name": "ViewOffNadir",
"Type": "number"
},
{
"Name": "Platform",
"Type": "string"
}
],
"Tags": {},
"Type": "PUBLIC"
}
```
Tras ejecutar el ejemplo de código anterior, obtendrá el ARN de la recopilación de datos ráster de Sentinel-2, `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`. En la [siguiente sección](#demo-search-raster-data), puede consultar la recopilación de datos de Sentinel-2 mediante la API `search_raster_data_collection`.
## Búsqueda en la recopilación de datos ráster de Sentinel-2 con `search_raster_data_collection`
En la sección anterior, utilizó `list_raster_data_collections` para obtener el ARN de la recopilación de datos de Sentinel-2. Ahora puede usar ese ARN para buscar en la recopilación de datos en un área de interés (AOI) determinada, un rango de tiempo, propiedades y las bandas UV disponibles.
Para llamar a la API `search_raster_data_collection`, debe pasar un diccionario Python al parámetro `RasterDataCollectionQuery`. En este ejemplo se utilizan `AreaOfInterest`, `TimeRangeFilter`, `PropertyFilters` y `BandFilter`. Para mayor facilidad, puede especificar el diccionario de Python utilizando la variable **search\$1rdc\$1query** para contener los parámetros de la consulta de búsqueda:
```
search_rdc_query = {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
# coordinates are input as longitute followed by latitude
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2022-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z"
},
"PropertyFilters": {
"Properties": [
{
"Property": {
"EoCloudCover": {
"LowerBound": 0,
"UpperBound": 1
}
}
}
],
"LogicalOperator": "AND"
},
"BandFilter": [
"visual"
]
}
```
En este ejemplo, consulta un `AreaOfInterest` que incluye el [lago Mead](https://en.wikipedia.org/wiki/Lake_Mead) en Utah. Además, Sentinel-2 admite varios tipos de bandas de imagen. Para medir el cambio en la superficie del agua, solo necesita la banda `visual`.
Tras crear los parámetros de la consulta, puede utilizar la API `search_raster_data_collection` para realizar la solicitud.
El siguiente ejemplo de código implementa una solicitud de la API `search_raster_data_collection`. Esta API no admite la paginación mediante la API `get_paginator`. Para asegurarse de que se ha recopilado la respuesta completa de la API, el ejemplo de código utiliza un bucle `while` para comprobar si `NextToken` existe. A continuación, el ejemplo de código `.extend()` se utiliza para añadir la imagen de satélite URLs y otros metadatos de respuesta al`items_list`.
Para obtener más información al respecto`search_raster_data_collection`, consulte [SearchRasterDataCollection](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_SearchRasterDataCollection.html)la *referencia de la API de Amazon SageMaker AI*.
```
search_rdc_response = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query
)
## items_list is the response from the API request.
items_list = []
## Use the python .get() method to check that the 'NextToken' exists, if null returns None breaking the while loop
while search_rdc_response.get('NextToken'):
items_list.extend(search_rdc_response['Items'])
search_rdc_response = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query, NextToken=search_rdc_response['NextToken']
)
## Print the number of observation return based on the query
print (len(items_list))
```
El siguiente ejemplo es una respuesta JSON de su consulta. Se ha truncado para mayor claridad. En el par clave-valor `Assets`, solo se devuelve el **"BandFilter": ["visual"]** especificado en la solicitud:
```
{
'Assets': {
'visual': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/6/S2A_15TUH_20220623_0_L2A/TCI.tif'
}
},
'DateTime': datetime.datetime(2022, 6, 23, 17, 22, 5, 926000, tzinfo = tzlocal()),
'Geometry': {
'Coordinates': [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
],
'Type': 'Polygon'
},
'Id': 'S2A_15TUH_20220623_0_L2A',
'Properties': {
'EoCloudCover': 0.046519,
'Platform': 'sentinel-2a'
}
}
```
Ahora que tiene los resultados de la consulta, en la siguiente sección puede visualizarlos utilizando `matplotlib`. Esto sirve para comprobar que los resultados provengan de la región geográfica correcta.
## Visualización de su `search_raster_data_collection` con `matplotlib`
Antes de empezar el trabajo de observación de la Tierra (EOJ), puede visualizar el resultado de nuestra consulta con `matplotlib`. El siguiente ejemplo de código toma el primer elemento, `items_list[0]["Assets"]["visual"]["Href"]`, de la variable `items_list` creada en el ejemplo de código anterior e imprime una imagen con `matplotlib`.
```
# Visualize an example image.
import os
from urllib import request
import tifffile
import matplotlib.pyplot as plt
image_dir = "./images/lake_mead"
os.makedirs(image_dir, exist_ok=True)
image_dir = "./images/lake_mead"
os.makedirs(image_dir, exist_ok=True)
image_url = items_list[0]["Assets"]["visual"]["Href"]
img_id = image_url.split("/")[-2]
path_to_image = image_dir + "/" + img_id + "_TCI.tif"
response = request.urlretrieve(image_url, path_to_image)
print("Downloaded image: " + img_id)
tci = tifffile.imread(path_to_image)
plt.figure(figsize=(6, 6))
plt.imshow(tci)
plt.show()
```
Tras comprobar que los resultados se encuentran en la región geográfica correcta, puede iniciar el trabajo de observación de la Tierra (EOJ) en el siguiente paso. El EOJ se utiliza para identificar los cuerpos de agua a partir de las imágenes de satélite mediante un proceso denominado segmentación del terreno.
## Inicio de un trabajo de observación de la Tierra (EOJ) que consiste en segmentar el terreno a partir de una serie de imágenes de satélite
SageMaker geospatial proporciona varios modelos previamente entrenados que puede usar para procesar datos geoespaciales de colecciones de datos ráster. Para obtener más información sobre los modelos previamente entrenados y las operaciones personalizadas disponibles, consulte [Tipos de operaciones](geospatial-eoj-models.md).
Para calcular el cambio en la superficie del agua, es necesario identificar qué píxeles de las imágenes corresponden al agua. La segmentación de la cobertura terrestre es un modelo de segmentación semántica compatible con la API `start_earth_observation_job`. Los modelos de segmentación semántica asocian una etiqueta a cada píxel de cada imagen. En los resultados, a cada píxel se le asigna una etiqueta que se basa en el mapa de clases del modelo. Este es el mapa de clases del modelo de segmentación de terrenos:
```
{
0: "No_data",
1: "Saturated_or_defective",
2: "Dark_area_pixels",
3: "Cloud_shadows",
4: "Vegetation",
5: "Not_vegetated",
6: "Water",
7: "Unclassified",
8: "Cloud_medium_probability",
9: "Cloud_high_probability",
10: "Thin_cirrus",
11: "Snow_ice"
}
```
Para iniciar un trabajo de observación de la Tierra, utilice la API `start_earth_observation_job`. Cuando envíe su solicitud, debe especificar lo siguiente:
+ `InputConfig` (*diccionario*): se utiliza para especificar las coordenadas del área en la que desea buscar y otros metadatos asociados a la búsqueda.
+ `JobConfig` (*diccionario*): se usa para especificar el tipo de operación de EOJ que se realizó con los datos. En este ejemplo se utiliza **LandCoverSegmentationConfig**.
+ `ExecutionRoleArn`(*string*): el ARN del rol de ejecución de SageMaker IA con los permisos necesarios para ejecutar el trabajo.
+ `Name` (*cadena*): un nombre para el trabajo de observación de la Tierra.
El `InputConfig` es un diccionario de Python. Utilice la siguiente variable **eoj\$1input\$1config** para almacenar los parámetros de la consulta de búsqueda. Utilice esta variable cuando realice la solicitud a la API `start_earth_observation_job`. w.
```
# Perform land cover segmentation on images returned from the Sentinel-2 dataset.
eoj_input_config = {
"RasterDataCollectionQuery": {
"RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates":[
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
}
}
```
El `JobConfig` es un diccionario de Python que se utiliza para especificar la operación de EOJ que quiera que se realice en sus datos:
```
eoj_config = {"LandCoverSegmentationConfig": {}}
```
Con los elementos del diccionario ahora especificados, puede enviar su solicitud a la API `start_earth_observation_job` mediante el siguiente ejemplo de código:
```
# Gets the execution role arn associated with current notebook instance
execution_role_arn = sagemaker.get_execution_role()
# Starts an earth observation job
response = sm_geo_client.start_earth_observation_job(
Name="lake-mead-landcover",
InputConfig=eoj_input_config,
JobConfig=eoj_config,
ExecutionRoleArn=execution_role_arn,
)
print(response)
```
Al iniciar un trabajo de observación de la Tierra, se devuelve un ARN junto con otros metadatos.
Para obtener una lista de todos los trabajos de observación de la Tierra en curso y actuales, utilice la API `list_earth_observation_jobs`. Para supervisar el estado de un único trabajo de observación de la Tierra, use la API `get_earth_observation_job`. Para realizar esta solicitud, use el ARN creado después de enviar su solicitud de EOJ. Para obtener más información, consulta [GetEarthObservationJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_GetEarthObservationJob.html)la *referencia de la API de Amazon SageMaker AI*.
Para encontrar lo que ARNs está asociado a su operación, EOJs utilice la `list_earth_observation_jobs` API. Para obtener más información, consulta [ListEarthObservationJobs](https://docs.aws.amazon.com//sagemaker/latest/APIReference/API_geospatial_ListEarthObservationJobs.html)la *referencia de la API de Amazon SageMaker AI*.
```
# List all jobs in the account
sg_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]
```
A continuación, se muestra un ejemplo de respuesta JSON:
```
{
'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/futg3vuq935t',
'CreationTime': datetime.datetime(2023, 10, 19, 4, 33, 54, 21481, tzinfo = tzlocal()),
'DurationInSeconds': 3493,
'Name': 'lake-mead-landcover',
'OperationType': 'LAND_COVER_SEGMENTATION',
'Status': 'COMPLETED',
'Tags': {}
}, {
'Arn': 'arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/wu8j9x42zw3d',
'CreationTime': datetime.datetime(2023, 10, 20, 0, 3, 27, 270920, tzinfo = tzlocal()),
'DurationInSeconds': 1,
'Name': 'mt-shasta-landcover',
'OperationType': 'LAND_COVER_SEGMENTATION',
'Status': 'INITIALIZING',
'Tags': {}
}
```
Cuando el estado de su trabajo de EOJ cambie a `COMPLETED`, pase a la siguiente sección para calcular el cambio en la superficie del lago Mead's .
## Cálculo del cambio en la superficie del lago Mead
Para calcular el cambio en la superficie del lago Mead, exporte primero los resultados del EOJ a Amazon S3 mediante `export_earth_observation_job`:
```
sagemaker_session = sagemaker.Session()
s3_bucket_name = sagemaker_session.default_bucket() # Replace with your own bucket if needed
s3_bucket = session.resource("s3").Bucket(s3_bucket_name)
prefix = "export-lake-mead-eoj" # Replace with the S3 prefix desired
export_bucket_and_key = f"s3://{s3_bucket_name}/{prefix}/"
eoj_output_config = {"S3Data": {"S3Uri": export_bucket_and_key}}
export_response = sm_geo_client.export_earth_observation_job(
Arn="arn:aws:sagemaker-geospatial:us-west-2:111122223333:earth-observation-job/7xgwzijebynp",
ExecutionRoleArn=execution_role_arn,
OutputConfig=eoj_output_config,
ExportSourceImages=False,
)
```
Para ver el estado de su trabajo de exportación, utilice `get_earth_observation_job`:
```
export_job_details = sm_geo_client.get_earth_observation_job(Arn=export_response["Arn"])
```
Para calcular los cambios en el nivel del agua del lago Mead, descarga las máscaras de cobertura terrestre en el SageMaker cuaderno local y descarga las imágenes originales de nuestra consulta anterior. En el mapa de clases del modelo de segmentación del suelo, el índice de clases del agua es 6.
Para extraer la máscara de agua de una imagen de Sentinel-2, siga estos pasos. Primero, cuente el número de píxeles marcados como agua (índice de clase 6) en la imagen. En segundo lugar, multiplique el recuento por el área que cubre cada píxel. Las bandas pueden diferir en su resolución espacial. Para el modelo de segmentación de la cobertura terrestre, todas las bandas se muestrean hacia abajo hasta una resolución espacial igual a 60 metros.
```
import os
from glob import glob
import cv2
import numpy as np
import tifffile
import matplotlib.pyplot as plt
from urllib.parse import urlparse
from botocore import UNSIGNED
from botocore.config import Config
# Download land cover masks
mask_dir = "./masks/lake_mead"
os.makedirs(mask_dir, exist_ok=True)
image_paths = []
for s3_object in s3_bucket.objects.filter(Prefix=prefix).all():
path, filename = os.path.split(s3_object.key)
if "output" in path:
mask_name = mask_dir + "/" + filename
s3_bucket.download_file(s3_object.key, mask_name)
print("Downloaded mask: " + mask_name)
# Download source images for visualization
for tci_url in tci_urls:
url_parts = urlparse(tci_url)
img_id = url_parts.path.split("/")[-2]
tci_download_path = image_dir + "/" + img_id + "_TCI.tif"
cogs_bucket = session.resource(
"s3", config=Config(signature_version=UNSIGNED, region_name="us-west-2")
).Bucket(url_parts.hostname.split(".")[0])
cogs_bucket.download_file(url_parts.path[1:], tci_download_path)
print("Downloaded image: " + img_id)
print("Downloads complete.")
image_files = glob("images/lake_mead/*.tif")
mask_files = glob("masks/lake_mead/*.tif")
image_files.sort(key=lambda x: x.split("SQA_")[1])
mask_files.sort(key=lambda x: x.split("SQA_")[1])
overlay_dir = "./masks/lake_mead_overlay"
os.makedirs(overlay_dir, exist_ok=True)
lake_areas = []
mask_dates = []
for image_file, mask_file in zip(image_files, mask_files):
image_id = image_file.split("/")[-1].split("_TCI")[0]
mask_id = mask_file.split("/")[-1].split(".tif")[0]
mask_date = mask_id.split("_")[2]
mask_dates.append(mask_date)
assert image_id == mask_id
image = tifffile.imread(image_file)
image_ds = cv2.resize(image, (1830, 1830), interpolation=cv2.INTER_LINEAR)
mask = tifffile.imread(mask_file)
water_mask = np.isin(mask, [6]).astype(np.uint8) # water has a class index 6
lake_mask = water_mask[1000:, :1100]
lake_area = lake_mask.sum() * 60 * 60 / (1000 * 1000) # calculate the surface area
lake_areas.append(lake_area)
contour, _ = cv2.findContours(water_mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
combined = cv2.drawContours(image_ds, contour, -1, (255, 0, 0), 4)
lake_crop = combined[1000:, :1100]
cv2.putText(lake_crop, f"{mask_date}", (10,50), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA)
cv2.putText(lake_crop, f"{lake_area} [sq km]", (10,100), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 0, 0), 3, cv2.LINE_AA)
overlay_file = overlay_dir + '/' + mask_date + '.png'
cv2.imwrite(overlay_file, cv2.cvtColor(lake_crop, cv2.COLOR_RGB2BGR))
# Plot water surface area vs. time.
plt.figure(figsize=(20,10))
plt.title('Lake Mead surface area for the 2021.02 - 2022.07 period.', fontsize=20)
plt.xticks(rotation=45)
plt.ylabel('Water surface area [sq km]', fontsize=14)
plt.plot(mask_dates, lake_areas, marker='o')
plt.grid('on')
plt.ylim(240, 320)
for i, v in enumerate(lake_areas):
plt.text(i, v+2, "%d" %v, ha='center')
plt.show()
```
Con `matplotlib`, puede visualizar los resultados con un gráfico. El gráfico muestra que la superficie del lago Mead disminuyó entre enero de 2021 y julio de 2022.
![\[Un gráfico de barras que muestra que la superficie del lago Mead disminuyó entre enero de 2021 y julio de 2022.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/lake-mead-decrease.png)
# Uso de trabajos de procesamiento para cargas de trabajo geoespaciales personalizadas
Con [Amazon SageMaker Processing](processing-job.md), puede utilizar una experiencia simplificada y administrada en SageMaker IA para ejecutar sus cargas de trabajo de procesamiento de datos con el contenedor geoespacial diseñado específicamente.
La infraestructura subyacente de un trabajo de Amazon SageMaker Processing está totalmente gestionada por SageMaker IA. Durante un trabajo de procesamiento, los recursos del clúster se aprovisionan durante la duración del trabajo y se limpian cuando se completa un trabajo.
![\[Ejecución de un trabajo de procesamiento.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/Processing-1.png)
El diagrama anterior muestra cómo la SageMaker IA genera un trabajo de procesamiento geoespacial. SageMaker La IA toma el script de carga de trabajo geoespacial, copia los datos geoespaciales de Amazon Simple Storage Service (Amazon S3) y, a continuación, extrae el contenedor geoespacial especificado. La infraestructura subyacente para el trabajo de procesamiento está totalmente gestionada por la IA. SageMaker Los recursos del clúster se aprovisionan durante la duración del trabajo y se limpian cuando se completa un trabajo. El resultado del trabajo de procesamiento se almacena en el bucket que especifique.
**Restricciones en la ruta de nomenclatura**
Las rutas locales dentro de un contenedor de trabajos de procesamiento deben empezar por **/opt/ml/processing/**.
SageMaker geospatial proporciona un contenedor diseñado específicamente, `081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest` que se puede especificar al ejecutar un trabajo de procesamiento.
**Topics**
+ [Descripción general: ejecute trabajos de procesamiento utilizando un contenedor geoespacial `ScriptProcessor` SageMaker](geospatial-custom-operations-overview.md)
+ [Uso de `ScriptProcessor` para calcular el índice diferencial de vegetación normalizado (NDVI) con datos del satélite Sentinel-2](geospatial-custom-operations-procedure.md)
# Descripción general: ejecute trabajos de procesamiento utilizando un contenedor geoespacial `ScriptProcessor` SageMaker
SageMaker geospatial proporciona un contenedor de procesamiento diseñado específicamente,. `081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest` Puedes usar este contenedor cuando ejecutes un trabajo con Amazon SageMaker Processing. Cuando cree una instancia de la [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor)clase que está disponible a través del *SDK de Amazon SageMaker Python para procesamiento*, especifique esto`image_uri`.
**nota**
Si recibe un ResourceLimitExceedederror al intentar iniciar un trabajo de procesamiento, debe solicitar un aumento de cuota. Para aprender a solicitar un aumento de cuota, consulte [Solicitud de aumento de cuota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) en la *Guía del usuario de Service Quotas*.
**Requisitos previos para utilizar `ScriptProcessor`**
1. Ha creado un script Python que especifica su carga de trabajo de machine learning geoespacial.
1. Ha concedido a la función de ejecución de SageMaker IA acceso a todos los buckets de Amazon S3 que sean necesarios.
1. Preparación de los datos para importarlos al contenedor. Los trabajos SageMaker de procesamiento de Amazon admiten establecer un `s3_data_type` valor igual a `"ManifestFile"` o a`"S3Prefix"`.
El siguiente procedimiento le muestra cómo crear una instancia `ScriptProcessor` y enviar un trabajo de Amazon SageMaker Processing mediante el contenedor SageMaker geoespacial.
**Para crear una `ScriptProcessor` instancia y enviar un trabajo de Amazon SageMaker Processing mediante un contenedor SageMaker geoespacial**
1. Cree una instancia de la `ScriptProcessor` clase mediante la imagen geoespacial: SageMaker
```
from sagemaker.processing import ScriptProcessor, ProcessingInput, ProcessingOutput
sm_session = sagemaker.session.Session()
execution_role_arn = sagemaker.get_execution_role()
# purpose-built geospatial container
image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest'
script_processor = ScriptProcessor(
command=['python3'],
image_uri=image_uri,
role=execution_role_arn,
instance_count=4,
instance_type='ml.m5.4xlarge',
sagemaker_session=sm_session
)
```
*execution\$1role\$1arn*Sustitúyalo por el ARN de la función de ejecución de SageMaker IA que tiene acceso a los datos de entrada almacenados en Amazon S3 y cualquier otro AWS servicio al que desee llamar en su trabajo de procesamiento. Puede actualizar el `instance_count` y el `instance_type` para que coincidan con los requisitos de su trabajo de procesamiento.
1. Para iniciar un trabajo de procesamiento, utilice el método `.run()`:
```
# Can be replaced with any S3 compliant string for the name of the folder.
s3_folder = geospatial-data-analysis
# Use .default_bucket() to get the name of the S3 bucket associated with your current SageMaker session
s3_bucket = sm_session.default_bucket()
s3_manifest_uri = f's3://{s3_bucket}/{s3_folder}/manifest.json'
s3_prefix_uri = f's3://{s3_bucket}/{s3_folder}/image-prefix
script_processor.run(
code='preprocessing.py',
inputs=[
ProcessingInput(
source=s3_manifest_uri | s3_prefix_uri ,
destination='/opt/ml/processing/input_data/',
s3_data_type= "ManifestFile" | "S3Prefix",
s3_data_distribution_type= "ShardedByS3Key" | "FullyReplicated"
)
],
outputs=[
ProcessingOutput(
source='/opt/ml/processing/output_data/',
destination=s3_output_prefix_url
)
]
)
```
+ *preprocessing.py*Sustitúyalo por el nombre de tu propio script de procesamiento de datos de Python.
+ Un trabajo de procesamiento admite dos métodos para formatear los datos de entrada. Puede crear un archivo de manifiesto que apunte a todos los datos de entrada para su trabajo de procesamiento o puede usar un prefijo común en cada entrada de datos individual. Si ha creado un archivo de manifiesto, establezca un `s3_manifest_uri` igual a `"ManifestFile"`. Si usó un conjunto de prefijos de archivo `s3_manifest_uri` igual a `"S3Prefix"`. Para especificar la ruta de acceso a sus datos, utilice `source`.
+ Puede distribuir los datos del trabajo de procesamiento de dos maneras:
+ Distribuya sus datos a todas las instancias de procesamiento estableciendo un valor `s3_data_distribution_type` igual a `FullyReplicated`.
+ Distribuya sus datos en fragmentos en particiones en función de la clave de Amazon S3 estableciendo un valor de `s3_data_distribution_type` igual a `ShardedByS3Key`. Cuando se utiliza `ShardedByS3Key`, se envía una partición de datos a cada instancia de procesamiento.
Puede utilizar un script para procesar datos SageMaker geoespaciales. Ese script se encuentra en el [Paso 3: Escritura de un script que pueda calcular el NDVI](geospatial-custom-operations-procedure.md#geospatial-custom-operations-script-mode). Para obtener más información sobre el funcionamiento de la `.run()` API, consulte [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run)el *SDK para procesamiento de Amazon SageMaker Python*.
Para supervisar el progreso de su trabajo de procesamiento, la clase `ProcessingJobs` admite un método [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe). Este método devuelve una respuesta de la llamada a la API `DescribeProcessingJob`. Para obtener más información, consulta [`DescribeProcessingJob`la *referencia de la API de Amazon SageMaker AI*](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeProcessingJob.html).
En el siguiente tema, se muestra cómo crear una instancia de la `ScriptProcessor` clase utilizando el contenedor SageMaker geoespacial y, a continuación, cómo usarla para calcular el índice diferencial normalizado de vegetación (NDVI) con imágenes. Sentinel-2
# Uso de `ScriptProcessor` para calcular el índice diferencial de vegetación normalizado (NDVI) con datos del satélite Sentinel-2
En los siguientes ejemplos de código, se muestra cómo calcular el índice de vegetación diferencial normalizado de un área geográfica específica mediante la imagen geoespacial diseñada específicamente en un bloc de notas de Studio Classic y cómo ejecutar una carga de trabajo a gran escala con Amazon SageMaker Processing mediante [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor)el SDK de Python para IA SageMaker .
Esta demostración también usa una instancia de bloc de notas Amazon SageMaker Studio Classic que usa el kernel geoespacial y el tipo de instancia. Para obtener información sobre cómo crear una instancia de cuaderno geoespacial de Studio Classic, consulte [Cree un bloc de notas Amazon SageMaker Studio Classic con la imagen geoespacial](geospatial-launch-notebook.md).
Puede seguir esta demostración en su propia instancia de cuaderno copiando y pegando los siguientes fragmentos de código:
1. [Utilice `search_raster_data_collection` para consultar un área de interés (AOI) específica en un intervalo de tiempo determinado mediante una recopilación de datos ráster específica, Sentinel-2.](#geospatial-custom-operations-procedure-search)
1. [Cree un archivo de manifiesto que especifique qué datos se procesarán durante el trabajo de procesamiento.](#geospatial-custom-operations-procedure-manifest)
1. [Escriba un script Python de procesamiento de datos para calcular el NDVI.](#geospatial-custom-operations-script-mode)
1. [Crea una `ScriptProcessor` instancia e inicia el trabajo de Amazon SageMaker Processing](#geospatial-custom-operations-create).
1. [Visualización de los resultados de su trabajo de procesamiento](#geospatial-custom-operations-visual).
## Consulta de la recopilación de datos ráster de Sentinel-2 mediante `SearchRasterDataCollection`
Con `search_raster_data_collection` puede consultar las colecciones de datos ráster compatibles. En este ejemplo, se utilizan datos extraídos de los satélites Sentinel-2. El área de interés especificada (`AreaOfInterest`) es una zona rural del norte de Iowa y el intervalo de tiempo (`TimeRangeFilter`) va del 1 de enero de 2022 al 30 de diciembre de 2022. Para ver las recopilaciones de datos ráster disponibles en su Región de AWS , use `list_raster_data_collections`. Para ver un ejemplo de código con esta API, consulta [`ListRasterDataCollections`](geospatial-data-collections.md)la *Guía para desarrolladores de Amazon SageMaker AI*.
En los siguientes ejemplos de código, utilizará el ARN asociado a la recopilación de datos ráster de Sentinel-2, `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`.
Una solicitud a la API `search_raster_data_collection` requiere dos parámetros:
+ Debe especificar un parámetro `Arn` que corresponda a la recopilación de datos ráster que desea consultar.
+ También debe especificar un parámetro `RasterDataCollectionQuery`, que incluye un diccionario Python.
El siguiente ejemplo de código contiene los pares clave-valor necesarios para el parámetro `RasterDataCollectionQuery` guardado en la variable `search_rdc_query`.
```
search_rdc_query = {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [[
[
-94.50938680498298,
43.22487436936203
],
[
-94.50938680498298,
42.843474642037194
],
[
-93.86520004156142,
42.843474642037194
],
[
-93.86520004156142,
43.22487436936203
],
[
-94.50938680498298,
43.22487436936203
]
]]
}
}
},
"TimeRangeFilter": {"StartTime": "2022-01-01T00:00:00Z", "EndTime": "2022-12-30T23:59:59Z"}
}
```
Para realizar la solicitud `search_raster_data_collection`, debe especificar el ARN de la recopilación de datos ráster de Sentinel-2: `arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8`. También debe pasar el diccionario de Python que se definió anteriormente, que especifica los parámetros de consulta.
```
## Creates a SageMaker Geospatial client instance
sm_geo_client= session.create_client(service_name="sagemaker-geospatial")
search_rdc_response1 = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query
)
```
Los resultados de esta API no se pueden paginar. Para recopilar todas las imágenes de satélite devueltas por la operación `search_raster_data_collection`, puede implementar un bucle de tipo `while`. Esto comprueba si existe un `NextToken` en la respuesta de la API:
```
## Holds the list of API responses from search_raster_data_collection
items_list = []
while search_rdc_response1.get('NextToken') and search_rdc_response1['NextToken'] != None:
items_list.extend(search_rdc_response1['Items'])
search_rdc_response1 = sm_geo_client.search_raster_data_collection(
Arn='arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8',
RasterDataCollectionQuery=search_rdc_query,
NextToken=search_rdc_response1['NextToken']
)
```
La respuesta de la API devuelve una lista de URLs debajo de la `Assets` clave correspondiente a bandas de imagen específicas. A continuación presentamos una versión truncada de la respuesta de la API. Hemos quitado algunas de las bandas de la imagen para ofrecer una mayor claridad.
```
{
'Assets': {
'aot': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/12/S2A_15TUH_20221230_0_L2A/AOT.tif'
},
'blue': {
'Href': 'https://sentinel-cogs.s3.us-west-2.amazonaws.com/sentinel-s2-l2a-cogs/15/T/UH/2022/12/S2A_15TUH_20221230_0_L2A/B02.tif'
},
'swir22-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/B12.jp2'
},
'visual-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/TCI.jp2'
},
'wvp-jp2': {
'Href': 's3://sentinel-s2-l2a/tiles/15/T/UH/2022/12/30/0/WVP.jp2'
}
},
'DateTime': datetime.datetime(2022, 12, 30, 17, 21, 52, 469000, tzinfo = tzlocal()),
'Geometry': {
'Coordinates': [
[
[-95.46676936182894, 43.32623760511659],
[-94.11293433656887, 43.347431265475954],
[-94.09532154452742, 42.35884880571144],
[-95.42776890002203, 42.3383710796791],
[-95.46676936182894, 43.32623760511659]
]
],
'Type': 'Polygon'
},
'Id': 'S2A_15TUH_20221230_0_L2A',
'Properties': {
'EoCloudCover': 62.384969,
'Platform': 'sentinel-2a'
}
}
```
En la [siguiente sección](#geospatial-custom-operations-procedure-manifest), creará un archivo de manifiesto con la clave `'Id'` de la respuesta de la API.
## Creación de un archivo de manifiesto de entrada con la clave `Id` de la respuesta de la API `search_raster_data_collection`
Al ejecutar un trabajo de procesamiento, debe especificar una entrada de datos de Amazon S3. El tipo de datos de entrada puede ser un archivo de manifiesto, que luego apunta a los archivos de datos individuales. También puede agregar un prefijo a cada archivo que desee procesar. El siguiente ejemplo de código define la carpeta en la que se generarán los archivos de manifiesto.
Use el SDK for Python (Boto3) para obtener el bucket predeterminado y el ARN del rol de ejecución que esté asociado a su instancia de cuaderno de Studio Classic:
```
sm_session = sagemaker.session.Session()
s3 = boto3.resource('s3')
# Gets the default excution role associated with the notebook
execution_role_arn = sagemaker.get_execution_role()
# Gets the default bucket associated with the notebook
s3_bucket = sm_session.default_bucket()
# Can be replaced with any name
s3_folder = "script-processor-input-manifest"
```
A continuación, creará un archivo de manifiesto. Contendrá las imágenes URLs de satélite que desee procesar cuando ejecute el trabajo de procesamiento más adelante en el paso 4.
```
# Format of a manifest file
manifest_prefix = {}
manifest_prefix['prefix'] = 's3://' + s3_bucket + '/' + s3_folder + '/'
manifest = [manifest_prefix]
print(manifest)
```
El siguiente ejemplo de código devuelve el URI de S3 en el que se crearán los archivos de manifiesto.
```
[{'prefix': 's3://sagemaker-us-west-2-111122223333/script-processor-input-manifest/'}]
```
No se necesitan todos los elementos de respuesta de la respuesta search\$1raster\$1data\$1collection para ejecutar el trabajo de procesamiento.
El siguiente fragmento de código elimina los elementos innecesarios `'Properties'`, `'Geometry'` y `'DateTime'`. El par clave-valor `'Id'`, `'Id': 'S2A_15TUH_20221230_0_L2A'`, contiene el año y el mes. El siguiente ejemplo de código analiza esos datos para crear nuevas claves en el diccionario de Python **dict\$1month\$1items**. Los valores son los activos que se devuelven desde la consulta `SearchRasterDataCollection`.
```
# For each response get the month and year, and then remove the metadata not related to the satelite images.
dict_month_items = {}
for item in items_list:
# Example ID being split: 'S2A_15TUH_20221230_0_L2A'
yyyymm = item['Id'].split("_")[2][:6]
if yyyymm not in dict_month_items:
dict_month_items[yyyymm] = []
# Removes uneeded metadata elements for this demo
item.pop('Properties', None)
item.pop('Geometry', None)
item.pop('DateTime', None)
# Appends the response from search_raster_data_collection to newly created key above
dict_month_items[yyyymm].append(item)
```
En este ejemplo de código, carga el `dict_month_items` en Amazon S3 como un objeto JSON mediante la operación de la API [https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/s3/client/upload_file.html](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/s3/client/upload_file.html):
```
## key_ is the yyyymm timestamp formatted above
## value_ is the reference to all the satellite images collected via our searchRDC query
for key_, value_ in dict_month_items.items():
filename = f'manifest_{key_}.json'
with open(filename, 'w') as fp:
json.dump(value_, fp)
s3.meta.client.upload_file(filename, s3_bucket, s3_folder + '/' + filename)
manifest.append(filename)
os.remove(filename)
```
En este ejemplo de código se carga un archivo `manifest.json` principal que apunta a todos los demás manifiestos subidos a Amazon S3. También guarda la ruta a una variable local: **s3\$1manifest\$1uri**. Volverá a utilizar esa variable para especificar la fuente de los datos de entrada cuando ejecute el trabajo de procesamiento en el paso 4.
```
with open('manifest.json', 'w') as fp:
json.dump(manifest, fp)
s3.meta.client.upload_file('manifest.json', s3_bucket, s3_folder + '/' + 'manifest.json')
os.remove('manifest.json')
s3_manifest_uri = f's3://{s3_bucket}/{s3_folder}/manifest.json'
```
Ahora que ha creado los archivos de manifiesto de entrada y los ha cargado, puede escribir un script que procese los datos en el trabajo de procesamiento. Procesa los datos de las imágenes de satélite, calcula el NDVI y, a continuación, devuelve los resultados a una ubicación diferente de Amazon S3.
## Escritura de un script que calcule el NDVI
Amazon SageMaker Studio Classic admite el uso del comando `%%writefile` cell magic. Tras ejecutar una celda con este comando, su contenido se guardará en el directorio local de Studio Classic. Se trata de un código específico para calcular el NDVI. Sin embargo, lo que explicamos a continuación puede resultar útil a la hora de escribir su propio script para un trabajo de procesamiento:
+ En el contenedor de tareas de procesamiento, las rutas locales dentro del contenedor deben empezar por `/opt/ml/processing/`. En este ejemplo, **input\$1data\$1path = '/opt/ml/processing/input\$1data/' ** y **processed\$1data\$1path = '/opt/ml/processing/output\$1data/'** se especifican de esa manera.
+ Con Amazon SageMaker Processing, un script que ejecute un trabajo de procesamiento puede cargar los datos procesados directamente en Amazon S3. Para ello, asegúrese de que la función de ejecución asociada a la instancia `ScriptProcessor` cumpla los requisitos necesarios para acceder al bucket de S3. También puede especificar un parámetro de salida al ejecutar el trabajo de procesamiento. Para obtener más información, consulte el [funcionamiento de la `.run()` API](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor.run) en el *SDK de Amazon SageMaker Python*. En este ejemplo de código, los resultados del procesamiento de datos se cargan directamente en Amazon S3.
+ Para gestionar el tamaño del Amazon EBScontainer adjunto a tu trabajo de procesamiento, usa el `volume_size_in_gb` parámetro. El tamaño predeterminado de los contenedores es de 30 GB. Si lo desea, también puede utilizar la biblioteca de Python [Garbage Collector](https://docs.python.org/3/library/gc.html) para gestionar el almacenamiento en su contenedor de Amazon EBS.
El siguiente ejemplo de código carga las matrices en el contenedor de tareas de procesamiento. Cuando las matrices se acumulan y llenan la memoria, el trabajo de procesamiento se bloquea. Para evitar este bloqueo, el siguiente ejemplo contiene comandos que eliminan las matrices del contenedor del trabajo de procesamiento.
```
%%writefile compute_ndvi.py
import os
import pickle
import sys
import subprocess
import json
import rioxarray
if __name__ == "__main__":
print("Starting processing")
input_data_path = '/opt/ml/processing/input_data/'
input_files = []
for current_path, sub_dirs, files in os.walk(input_data_path):
for file in files:
if file.endswith(".json"):
input_files.append(os.path.join(current_path, file))
print("Received {} input_files: {}".format(len(input_files), input_files))
items = []
for input_file in input_files:
full_file_path = os.path.join(input_data_path, input_file)
print(full_file_path)
with open(full_file_path, 'r') as f:
items.append(json.load(f))
items = [item for sub_items in items for item in sub_items]
for item in items:
red_uri = item["Assets"]["red"]["Href"]
nir_uri = item["Assets"]["nir"]["Href"]
red = rioxarray.open_rasterio(red_uri, masked=True)
nir = rioxarray.open_rasterio(nir_uri, masked=True)
ndvi = (nir - red)/ (nir + red)
file_name = 'ndvi_' + item["Id"] + '.tif'
output_path = '/opt/ml/processing/output_data'
output_file_path = f"{output_path}/{file_name}"
ndvi.rio.to_raster(output_file_path)
print("Written output:", output_file_path)
```
Ahora tiene un script que puede calcular el NDVI. A continuación, puede crear una instancia del trabajo de procesamiento ScriptProcessor y ejecutarlo.
## Creación de una instancia de la clase `ScriptProcessor`
Esta demostración usa la [ScriptProcessor](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ScriptProcessor)clase que está disponible a través del SDK de Amazon SageMaker Python. En primer lugar, debe crear una instancia de la clase y, a continuación, puede iniciar el trabajo de procesamiento mediante el método `.run()`.
```
from sagemaker.processing import ScriptProcessor, ProcessingInput, ProcessingOutput
image_uri = '081189585635.dkr.ecr.us-west-2.amazonaws.com/sagemaker-geospatial-v1-0:latest'
processor = ScriptProcessor(
command=['python3'],
image_uri=image_uri,
role=execution_role_arn,
instance_count=4,
instance_type='ml.m5.4xlarge',
sagemaker_session=sm_session
)
print('Starting processing job.')
```
Al iniciar el trabajo de procesamiento, debe especificar un objeto [https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingInput](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingInput). En ese objeto, puede especificar lo siguiente:
+ La ruta al archivo de manifiesto que creó en el paso 2, **s3\$1manifest\$1uri**. Este es el origen de los datos de entrada al contenedor.
+ La ruta en la que desea que se guarden los datos de entrada en el contenedor. Debe coincidir con la ruta que especificó en el script.
+ Use el parámetro `s3_data_type` para especificar la entrada como `"ManifestFile"`.
```
s3_output_prefix_url = f"s3://{s3_bucket}/{s3_folder}/output"
processor.run(
code='compute_ndvi.py',
inputs=[
ProcessingInput(
source=s3_manifest_uri,
destination='/opt/ml/processing/input_data/',
s3_data_type="ManifestFile",
s3_data_distribution_type="ShardedByS3Key"
),
],
outputs=[
ProcessingOutput(
source='/opt/ml/processing/output_data/',
destination=s3_output_prefix_url,
s3_upload_mode="Continuous"
)
]
)
```
El siguiente ejemplo de código utiliza el [método `.describe()`](https://sagemaker.readthedocs.io/en/stable/api/training/processing.html#sagemaker.processing.ProcessingJob.describe) para obtener detalles de su trabajo de procesamiento.
```
preprocessing_job_descriptor = processor.jobs[-1].describe()
s3_output_uri = preprocessing_job_descriptor["ProcessingOutputConfig"]["Outputs"][0]["S3Output"]["S3Uri"]
print(s3_output_uri)
```
## Visualización de los resultados mediante `matplotlib`
Con la biblioteca de Python [Matplotlib](https://matplotlib.org/stable/index.html), puede trazar datos ráster. Antes de trazar los datos, debe calcular el NDVI utilizando imágenes de muestra de los satélites Sentinel-2. El siguiente ejemplo de código abre las matrices de imágenes mediante la operación de la API `.open_rasterio()` y, a continuación, calcula el NDVI mediante las bandas de imagen `nir` y `red` de los datos del satélite Sentinel-2.
```
# Opens the python arrays
import rioxarray
red_uri = items[25]["Assets"]["red"]["Href"]
nir_uri = items[25]["Assets"]["nir"]["Href"]
red = rioxarray.open_rasterio(red_uri, masked=True)
nir = rioxarray.open_rasterio(nir_uri, masked=True)
# Calculates the NDVI
ndvi = (nir - red)/ (nir + red)
# Common plotting library in Python
import matplotlib.pyplot as plt
f, ax = plt.subplots(figsize=(18, 18))
ndvi.plot(cmap='viridis', ax=ax)
ax.set_title("NDVI for {}".format(items[25]["Id"]))
ax.set_axis_off()
plt.show()
```
El resultado del ejemplo de código anterior es una imagen de satélite con los valores del NDVI superpuestos. Un valor de NDVI cercano a 1 indica que hay mucha vegetación y los valores cercanos a 0 indican que no hay vegetación.
![\[Imagen satelital del norte de Iowa con el NDVI superpuesto en la parte superior\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/ndvi-iowa.png)
Esto completa la demostración de uso de `ScriptProcessor`.
# Trabajos de observación de la Tierra
Con un trabajo de observación de la Tierra (EOJ), puede adquirir, transformar y visualizar datos geoespaciales para hacer predicciones. Puede elegir una operación en función de su caso de uso entre una amplia gama de operaciones y modelos. Tiene la flexibilidad de elegir su área de interés, seleccionar los proveedores de datos y configurar cloud-cover-percentage-based filtros y en función del intervalo de tiempo. Una vez que la SageMaker IA cree un EOJ para usted, podrá visualizar las entradas y salidas del trabajo mediante la funcionalidad de visualización. Un EOJ tiene varios casos de uso que incluyen la comparación de la deforestación a lo largo del tiempo y el diagnóstico de la salud de las plantas. Puede crear un EOJ utilizando un SageMaker cuaderno con una imagen SageMaker geoespacial. También puede acceder a la interfaz de usuario SageMaker geoespacial como parte de la interfaz de usuario clásica de Amazon SageMaker Studio para ver la lista de todos sus trabajos. También puede usar la interfaz de usuario para pausar o detener un trabajo en curso. Puede elegir un trabajo de la lista de EOJ disponibles para ver el **Resumen del trabajo**, los **Detalles del trabajo** y visualizar el **Resultado del trabajo**.
**Topics**
+ [Cree un trabajo de observación de la Tierra con una libreta Amazon SageMaker Studio Classic con una imagen SageMaker geoespacial](geospatial-eoj-ntb.md)
+ [Tipos de operaciones](geospatial-eoj-models.md)
# Cree un trabajo de observación de la Tierra con una libreta Amazon SageMaker Studio Classic con una imagen SageMaker geoespacial
**Para usar un cuaderno SageMaker Studio Classic con una imagen SageMaker geoespacial:**
1. En el **Lanzador**, seleccione **Cambiar entorno** en **Cuadernos y recursos de computación**.
1. A continuación, se abrirá el cuadro de diálogo **Cambiar entorno**.
1. Seleccione el menú desplegable **Imagen** y elija **Geospatial 1.0**. El **Tipo de instancia** debe ser **ml.geospatial.interactive**. No cambie los valores predeterminados de las demás opciones.
1. Elija **Seleccionar**.
1. Elija **Crear cuaderno**.
Puede iniciar un EOJ con un bloc de notas Amazon SageMaker Studio Classic con una imagen SageMaker geoespacial mediante el código que se proporciona a continuación.
```
import boto3
import sagemaker
import sagemaker_geospatial_map
session = boto3.Session()
execution_role = sagemaker.get_execution_role()
sg_client = session.client(service_name="sagemaker-geospatial")
```
En el siguiente ejemplo se muestra cómo crear un EOJ en la región Oeste de EE. UU. (Oregón).
```
#Query and Access Data
search_rdc_args = {
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", # sentinel-2 L2A COG
"RasterDataCollectionQuery": {
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
"BandFilter": ["visual"],
},
}
tci_urls = []
data_manifests = []
while search_rdc_args.get("NextToken", True):
search_result = sg_client.search_raster_data_collection(**search_rdc_args)
if search_result.get("NextToken"):
data_manifests.append(search_result)
for item in search_result["Items"]:
tci_url = item["Assets"]["visual"]["Href"]
print(tci_url)
tci_urls.append(tci_url)
search_rdc_args["NextToken"] = search_result.get("NextToken")
# Perform land cover segmentation on images returned from the sentinel dataset.
eoj_input_config = {
"RasterDataCollectionQuery": {
"RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
"AreaOfInterest": {
"AreaOfInterestGeometry": {
"PolygonGeometry": {
"Coordinates": [
[
[-114.529, 36.142],
[-114.373, 36.142],
[-114.373, 36.411],
[-114.529, 36.411],
[-114.529, 36.142],
]
]
}
}
},
"TimeRangeFilter": {
"StartTime": "2021-01-01T00:00:00Z",
"EndTime": "2022-07-10T23:59:59Z",
},
"PropertyFilters": {
"Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0, "UpperBound": 1}}}],
"LogicalOperator": "AND",
},
}
}
eoj_config = {"LandCoverSegmentationConfig": {}}
response = sg_client.start_earth_observation_job(
Name="lake-mead-landcover",
InputConfig=eoj_input_config,
JobConfig=eoj_config,
ExecutionRoleArn=execution_role,
)
```
Una vez creado el EOJ, se le devolverá el `Arn`. El `Arn` se utiliza para identificar un trabajo y realizar más operaciones. Para obtener el estado de un trabajo, puede ejecutar `sg_client.get_earth_observation_job(Arn = response['Arn'])`.
En el siguiente ejemplo se muestra cómo consultar el estado de un EOJ hasta que se complete.
```
eoj_arn = response["Arn"]
job_details = sg_client.get_earth_observation_job(Arn=eoj_arn)
{k: v for k, v in job_details.items() if k in ["Arn", "Status", "DurationInSeconds"]}
# List all jobs in the account
sg_client.list_earth_observation_jobs()["EarthObservationJobSummaries"]
```
Una vez finalizado el EOJ, puede visualizar los resultados del EOJ directamente en el portátil. En el siguiente ejemplo se muestra cómo se puede renderizar un mapa interactivo.
```
map = sagemaker_geospatial_map.create_map({
'is_raster': True
})
map.set_sagemaker_geospatial_client(sg_client)
# render the map
map.render()
```
El siguiente ejemplo muestra cómo se puede centrar el mapa en un área de interés y cómo la entrada y la salida del EOJ se pueden representar como capas independientes dentro del mapa.
```
# visualize the area of interest
config = {"label": "Lake Mead AOI"}
aoi_layer = map.visualize_eoj_aoi(Arn=eoj_arn, config=config)
# Visualize input.
time_range_filter = {
"start_date": "2022-07-01T00:00:00Z",
"end_date": "2022-07-10T23:59:59Z",
}
config = {"label": "Input"}
input_layer = map.visualize_eoj_input(
Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)
# Visualize output, EOJ needs to be in completed status.
time_range_filter = {
"start_date": "2022-07-01T00:00:00Z",
"end_date": "2022-07-10T23:59:59Z",
}
config = {"preset": "singleBand", "band_name": "mask"}
output_layer = map.visualize_eoj_output(
Arn=eoj_arn, config=config, time_range_filter=time_range_filter
)
```
Puede utilizar la función `export_earth_observation_job` para exportar los resultados de EOJ a su bucket de Amazon S3. La función de exportación facilita el intercambio de resultados entre equipos. SageMaker La IA también simplifica la gestión de los conjuntos de datos. Simplemente podemos compartir los resultados del EOJ mediante el ARN del trabajo, en lugar de rastrear miles de archivos en el bucket de S3. Cada EOJ se convierte en un activo del catálogo de datos, ya que los resultados se pueden agrupar por el ARN del trabajo. El siguiente ejemplo muestra cómo se pueden exportar los resultados de un EOJ.
```
sagemaker_session = sagemaker.Session()
s3_bucket_name = sagemaker_session.default_bucket() # Replace with your own bucket if needed
s3_bucket = session.resource("s3").Bucket(s3_bucket_name)
prefix = "eoj_lakemead" # Replace with the S3 prefix desired
export_bucket_and_key = f"s3://{s3_bucket_name}/{prefix}/"
eoj_output_config = {"S3Data": {"S3Uri": export_bucket_and_key}}
export_response = sg_client.export_earth_observation_job(
Arn=eoj_arn,
ExecutionRoleArn=execution_role,
OutputConfig=eoj_output_config,
ExportSourceImages=False,
)
```
Puede monitorear el estado de su trabajo de exportación mediante el siguiente fragmento de código.
```
# Monitor the export job status
export_job_details = sg_client.get_earth_observation_job(Arn=export_response["Arn"])
{k: v for k, v in export_job_details.items() if k in ["Arn", "Status", "DurationInSeconds"]}
```
No se le cobrarán las tarifas de almacenamiento después de eliminar el EOJ.
Para ver un ejemplo que muestra cómo ejecutar un EOJ, consulte esta [entrada de blog](https://aws.amazon.com/blogs/machine-learning/monitoring-lake-mead-drought-using-the-new-amazon-sagemaker-geospatial-capabilities/).
[Para ver más ejemplos de cuadernos sobre capacidades SageMaker geoespaciales, consulta este repositorio. GitHub ](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-geospatial)
# Tipos de operaciones
Al crear un EOJ, selecciona una operación en función del caso de uso. Las capacidades SageMaker geoespaciales de Amazon proporcionan una combinación de operaciones diseñadas específicamente y modelos previamente entrenados. Puede utilizar estas operaciones para comprender el impacto de los cambios ambientales y las actividades humanas a lo largo del tiempo o para identificar píxeles en la nube y sin nubes.
**Enmascaramiento de nubes**
Identificar las nubes en las imágenes de satélite es un paso previo al procesamiento esencial para producir datos geoespaciales de alta calidad. Ignorar los píxeles de las nubes puede provocar errores en el análisis, y la sobredetección de los píxeles de las nubes puede reducir el número de observaciones válidas. El enmascaramiento de nubes permite identificar los píxeles con nubes y sin nubes en las imágenes de satélite. Un enmascaramiento de nube preciso ayuda a obtener imágenes de satélite para su procesamiento y mejora la generación de datos. A continuación presentamos un mapa de clases para el enmascaramiento de nubes.
```
{
0: "No_cloud",
1: "cloud"
}
```
**Eliminación de nubes**
La eliminación de nubes en los datos de Sentinel-2 utiliza un modelo de segmentación semántica basado en machine learning para identificar las nubes en la imagen. Los píxeles con nubes se pueden reemplazar por píxeles de otras marcas temporales. Los datos de USGS Landsat contienen metadatos de Landsat que se utilizan para eliminar las nubes.
**Estadísticas temporales**
Las estadísticas temporales calculan las estadísticas de los datos geoespaciales a lo largo del tiempo. Las estadísticas temporales que se admiten actualmente incluyen la media, la mediana y la desviación estándar. Puede calcular estas estadísticas utilizando `GROUPBY` y configurándolas en `all` o `yearly`. También puede mencionar las `TargetBands`.
**Estadísticas zonales**
Las estadísticas zonales realizan operaciones estadísticas en un área específica de la imagen.
**Remuestreo**
El remuestreo se utiliza para aumentar y reducir la resolución de una imagen geoespacial. El atributo `value` del remuestreo representa la longitud de un lado del píxel.
**Geomosaico**
El geomosaico permite unir imágenes más pequeñas en una imagen grande.
**Apilamiento de bandas**
El apilamiento de bandas toma más de una banda de imagen como entrada y las apila en un solo GeoTIFF. El atributo `OutputResolution` determina la resolución de la imagen de salida. En función de las resoluciones de las imágenes de entrada, puede configurarlo en `lowest`, `highest` o `average`.
**Matemáticas de banda**
Las matemáticas de banda, también conocidas como índice espectral, es un proceso que consiste en transformar las observaciones de múltiples bandas espectrales en una sola banda, lo que indica la abundancia relativa de características de interés. Por ejemplo, el índice diferencial normalizado de vegetación (NDVI) y el índice de vegetación mejorado (EVI) son útiles para observar la presencia de elementos vegetales verdes.
**Segmentación de la cubierta terrestre**
La segmentación de la cubierta terrestre es un modelo de segmentación semántica que tiene la capacidad de identificar el material físico, como la vegetación, el agua y el suelo desnudo, en la superficie terrestre. Disponer de una forma precisa de trazar un mapa de los patrones de cobertura terrestre le ayuda a comprender el impacto del cambio ambiental y de las actividades humanas a lo largo del tiempo. La segmentación de la cubierta terrestre se utiliza a menudo para la planificación regional, la respuesta a los desastres, la gestión ecológica y la evaluación del impacto ambiental. Este es el mapa de clases de la segmentación de la cubierta terrestre.
```
{
0: "No_data",
1: "Saturated_or_defective",
2: "Dark_area_pixels",
3: "Cloud_shadows",
4: "Vegetation",
5: "Not_vegetated",
6: "Water",
7: "Unclassified",
8: "Cloud_medium_probability",
9: "Cloud_high_probability",
10: "Thin_cirrus",
11: "Snow_ice"
}
```
## Disponibilidad de las operaciones de EOJ
La disponibilidad de las operaciones depende de si utiliza la interfaz de usuario SageMaker geoespacial o las libretas clásicas de Amazon SageMaker Studio con una imagen SageMaker geoespacial. Actualmente, los cuadernos son compatibles con todas las funcionalidades. En resumen, la IA admite las siguientes operaciones geoespaciales: SageMaker
| Operaciones | Description (Descripción) | Disponibilidad. |
| --- | --- | --- |
| Enmascaramiento de nubes | Identifique píxeles con y sin nubes para obtener imágenes de satélite mejoradas y precisas. | Interfaz de usuario, Cuaderno |
| Eliminación de nubes | Elimine los píxeles que contengan partes de una nube en las imágenes de satélite. | Cuaderno |
| Estadísticas temporales | Calcule las estadísticas en el tiempo para un GeoTIFF determinado. | Cuaderno |
| Estadísticas zonales | Calcule las estadísticas de las regiones definidas por el usuario. | Cuaderno |
| Remuestreo | Escale las imágenes a diferentes resoluciones. | Cuaderno |
| Geomosaico | Combine varias imágenes para obtener una mayor fidelidad. | Cuaderno |
| Apilamiento de bandas | Combine varias bandas espectrales para crear una sola imagen. | Cuaderno |
| Matemáticas de bandas e índice espectral | Obtenga una combinación de bandas espectrales que indique la abundancia de características de interés. | Interfaz de usuario, Cuaderno |
| Segmentación de la cubierta terrestre | Identifique los tipos de cobertura terrestre, como la vegetación y el agua, en las imágenes de satélite. | Interfaz de usuario, Cuaderno |
# Trabajos de enriquecimiento vectorial
Un trabajo de enriquecimiento vectorial (VEJ) realiza operaciones con los datos vectoriales. Actualmente, puede utilizar un VEJ para realizar geocodificación inversa o coincidencia de mapas.
**Geocodificación inversa**
Con un VEJ de geocodificación inversa, puede convertir coordenadas geográficas (latitud, longitud) en direcciones legibles por humanos con la tecnología de Amazon Location Service. Al cargar un archivo CSV que contenga las coordenadas de longitud y latitud, devuelve el número de dirección, el país, la etiqueta, el municipio, el barrio, el código postal y la región de esa ubicación. El archivo de salida consta de los datos de entrada junto con las columnas que contienen estos valores asociados al final. Estos trabajos están optimizados para aceptar decenas de miles de trazas GPS.
**Coincidencia de mapas**
La coincidencia de mapas le permite ajustar las coordenadas GPS a los segmentos de carretera. La entrada debe ser un archivo CSV que contenga el identificador de rastreo (ruta), la longitud, la latitud y los atributos de la marca temporal. Puede haber varias coordenadas GPS por ruta. La entrada también puede contener varias rutas. El resultado es un archivo GeoJSON que contiene los enlaces de la ruta prevista. También tiene los puntos de captura proporcionados en la entrada. Estos trabajos están optimizados para aceptar decenas de miles de trayectos en una solicitud. La coincidencia de mapas es compatible con. [OpenStreetMap](https://www.openstreetmap.org/) La coincidencia de mapas falla si los nombres del campo fuente de entrada no coinciden con los nombres que aparecen en `MapMatchingConfig`. El mensaje de error que recibe contiene los nombres de campo presentes en el archivo de entrada y el nombre de campo esperado que no se encuentra en la `MapMatchingConfig`.
El archivo CSV de entrada de un VEJ debe contener lo siguiente:
+ Una fila de encabezado
+ Latitud y longitud en columnas separadas
+ Las columnas de ID y marca tempral pueden estar en formato numérico o de cadena. Todos los demás datos de las columnas deben estar únicamente en formato numérico
+ No debe haber falta de coincidencia en las comillas
Para la columna de fecha y hora, las capacidades SageMaker geoespaciales admiten el tiempo de época en segundos y milisegundos (entero largo). Los formatos de cadena compatibles son los siguientes.
+ "dd.MM.aaaa HH:mm:ss z"
+ "aaaa-MM-dd'T'HH:mm:ss.SSS'Z'"
+ "aaaa-MM-dd'T'HH:mm:ss"
+ «hh:mm:ss a» yyyy-MM-dd
+ «yyyy-MM-dd Hh:mm:ss»
+ «yyyy MMddHHmmss»
Si bien necesita usar un bloc de notas Amazon SageMaker Studio Classic para ejecutar un VEJ, puede ver todos los trabajos que cree mediante la interfaz de usuario. Para utilizar la visualización del cuaderno, primero tiene que exportar la salida a su bucket de S3. Las acciones de VEJ que puede realizar son las siguientes.
+ [StartVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_StartVectorEnrichmentJob.html)
+ [GetVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_GetVectorEnrichmentJob.html)
+ [ListVectorEnrichmentJobs](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListVectorEnrichmentJobs.html)
+ [StopVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_StopVectorEnrichmentJob.html)
+ [DeleteVectorEnrichmentJob](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_DeleteVectorEnrichmentJob.html)
# Visualización mediante capacidades SageMaker geoespaciales
Con las funcionalidades de visualización que ofrece Amazon SageMaker Geospatial, puede visualizar los datos geoespaciales, las entradas de sus trabajos de EOJ o VEJ, así como las salidas exportadas desde su bucket de Amazon S3. La herramienta de visualización funciona con la tecnología de [Foursquare Studio](https://studio.foursquare.com/home). La siguiente imagen muestra la herramienta de visualización compatible con las capacidades geoespaciales. SageMaker
![\[La herramienta de visualización que utiliza capacidades SageMaker geoespaciales muestra un mapa de la costa de California.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/geospatial_vis.png)
Puede utilizar el panel de navegación izquierdo para añadir datos, capas, filtros y columnas. También puede modificar la forma en que interactúa con el mapa.
**Conjunto de datos**
El origen de datos utilizado para la visualización se denomina **Conjunto de datos**. Para agregar datos para su visualización, elija **Agregar datos** en el panel de navegación izquierdo. Puede cargar los datos desde su bucket de Amazon S3 o desde su equipo local. Los formatos de datos admitidos son CSV, JSON y GeoJSON. Puede agregar varios conjuntos de datos al mapa. Después de cargar el conjunto de datos, podrá verlo cargado en la pantalla del mapa.
**Capas**
En el panel de capas, se crea una capa y se rellena automáticamente al agregar un conjunto de datos. Si el mapa consta de más de un conjunto de datos, puede seleccionar qué conjunto de datos pertenece a una capa. Puede crear nuevas capas y agruparlas. SageMaker SageMaker Las capacidades geoespaciales admiten varios tipos de capas, incluidos puntos, arcos, iconos y polígonos.
Puede elegir cualquier punto de datos de una capa para tener un **Contorno**. También puede personalizar aún más los puntos de datos. Por ejemplo, puede elegir el tipo de capa como **Punto** y, a continuación, **Color de relleno** en función de cualquier columna de su conjunto de datos. También puede cambiar el radio de los puntos.
La siguiente imagen muestra el panel de capas compatible con las capacidades SageMaker geoespaciales.
![\[El panel de capas con puntos de datos en un mapa de EE. UU. está respaldado por capacidades SageMaker geoespaciales.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/geospatial_vis_layer.png)
**Columnas**
Puede ver las columnas presentes en su conjunto de datos mediante la pestaña **Columnas** del panel de navegación izquierdo.
**Filtros**
Puede usar filtros para limitar los puntos de datos que se muestran en el mapa.
**Interacciones**
En el panel **Interacciones**, puede personalizar la forma en que interactúa con el mapa. Por ejemplo, puede elegir qué métricas mostrar en la información emergente que aparece al pasar el ratón por encima de un punto de datos.
**Mapa base**
Actualmente, la SageMaker IA solo es compatible con el mapa base de Amazon Dark.
**Modos de mapa dividido**
Puede tener un **Mapa único**, **Mapas dobles** o **Mapas deslizantes**. Con **Dual Maps**, puedes comparar el mismo mapa side-by-side con diferentes capas. Use los **Mapas deslizantes** para superponer dos mapas uno sobre otro y compararlos mediante un separador deslizante. Puede elegir el modo de mapa dividido seleccionando el botón **Modo dividido** en la esquina superior derecha del mapa.
## Leyendas para EOJ en la interfaz de usuario SageMaker geoespacial
La visualización del resultado de un EOJ depende de la operación que elija para crearlo. La leyenda se basa en la escala de colores predeterminada. Puede ver la leyenda pulsando el botón **Mostrar leyenda** en la esquina superior derecha del mapa.
**Índice espectral**
Al visualizar el resultado de un EOJ en el que se utilice la operación de índice espectral, puede mapear la categoría en función del color de la leyenda, como se muestra.
![\[La leyenda del mapeo de índice espectral.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/geo_spectral_index.png)
**Enmascaramiento de nubes**
Al visualizar el resultado de un EOJ en el que se utilice la operación de enmascaramiento de nubes, puede mapear la categoría en función del color de la leyenda, como se muestra.
![\[La leyenda del mapeo de enmascaramiento de nubes.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/geo_cloud_masking.png)
**Segmentación de la cubierta terrestre**
Al visualizar el resultado de un EOJ en el que se utilice la operación de segmentación de la cubierta terrestre, puede mapear la categoría en función del color de la leyenda, como se muestra.
![\[La leyenda del mapeo de segmentación de la cubierta terrestre.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/geo_landcover_ss.png)
# SDK de mapas SageMaker geoespaciales de Amazon
Puede utilizar las capacidades SageMaker geoespaciales de Amazon para visualizar mapas dentro de la interfaz de usuario SageMaker geoespacial, así como SageMaker blocs de notas con una imagen geoespacial. Estas visualizaciones son compatibles con la biblioteca de visualización de mapas denominada [Foursquare Studio](https://studio.foursquare.com/home)
Puede utilizar lo que APIs proporciona el SDK de mapas SageMaker geoespaciales para visualizar sus datos geoespaciales, incluidas la entrada, la salida y el AoI de la EOJ.
**Topics**
+ [API add\$1dataset](#geo-add-dataset)
+ [API update\$1dataset](#geo-update-dataset)
+ [API add\$1layer](#geo-add-layer)
+ [API update\$1layer](#geo-update-layer)
+ [API visualize\$1eoj\$1aoi](#geo-visualize-eoj-aoi)
+ [API visualize\$1eoj\$1input](#geo-visualize-eoj-input)
+ [API visualize\$1eoj\$1output](#geo-visualize-eoj-output)
## API add\$1dataset
Agrega un objeto de conjunto de datos de ráster o vectoriales al mapa.
**Sintaxis de la solicitud**
```
Request =
add_dataset(
self,
dataset: Union[Dataset, Dict, None] = None,
*,
auto_create_layers: bool = True,
center_map: bool = True,
**kwargs: Any,
) -> Optional[Dataset]
```
**Parámetros de solicitud**
La solicitud acepta los siguientes parámetros.
Argumentos de posición
| Argumento | Tipo | Description (Descripción) |
| --- | --- | --- |
| `dataset` | Union[Dataset, Dict, None] | Datos utilizados para crear un conjunto de datos, en formato CSV, JSON o GeoJSON (para conjuntos de datos locales) o en una cadena de UUID. |
Argumentos de palabras clave
| Argumento | Tipo | Descripción |
| --- | --- | --- |
| `auto_create_layers` | Booleano | Si se debe intentar crear nuevas capas al agregar un conjunto de datos. El valor predeterminado es `False`. |
| `center_map` | Booleano | Si se debe centrar el mapa en el conjunto de datos creado. El valor predeterminado es `True`. |
| `id` | Cadena | Identificador único del conjunto de datos. Si no lo proporciona, se genera un ID aleatorio. |
| `label` | Cadena | Etiqueta del conjunto de datos que se muestra. |
| `color` | Tuple[float, float, float] | Etiqueta de color del conjunto de datos. |
| `metadata` | Diccionario | Objeto que contiene metadatos de conjuntos de mosaicos (para conjuntos de datos en mosaico). |
**Respuesta**
Esta API devuelve el objeto de [Conjunto de datos](https://location.foursquare.com/developer/docs/studio-map-sdk-types#dataset) que se agregó al mapa.
## API update\$1dataset
Actualiza la configuración de un conjunto de datos existente.
**Sintaxis de la solicitud**
```
Request =
update_dataset(
self,
dataset_id: str,
values: Union[_DatasetUpdateProps, dict, None] = None,
**kwargs: Any,
) -> Dataset
```
**Parámetros de solicitud**
La solicitud acepta los siguientes parámetros.
Argumentos de posición
| Argumento | Tipo | Description (Descripción) |
| --- | --- | --- |
| `dataset_id` | Cadena | El identificador del conjunto de datos que se va a actualizar. |
| `values` | Union [[\$1DatasetUpdateProps, dict, None](https://location.foursquare.com/developer/docs/studio-map-sdk-types#datasetupdateprops)] | Los valores que se van a actualizar. |
Argumentos de palabras clave
| Argumento | Tipo | Description (Descripción) |
| --- | --- | --- |
| `label` | Cadena | Etiqueta del conjunto de datos que se muestra. |
| `color` | [RGBColor](https://location.foursquare.com/developer/docs/studio-map-sdk-types#rgbcolor) | Etiqueta de color del conjunto de datos. |
**Respuesta**
Esta API devuelve el objeto del conjunto de datos actualizado para mapas interactivos o `None` para entornos HTML no interactivos.
## API add\$1layer
Agrega una nueva capa al mapa. Esta función requiere al menos una configuración de capa válida.
**Sintaxis de la solicitud**
```
Request =
add_layer(
self,
layer: Union[LayerCreationProps, dict, None] = None,
**kwargs: Any
) -> Layer
```
**Parámetros de solicitud**
La solicitud acepta los siguientes parámetros.
Argumentos
| Argumento | Tipo | Description (Descripción) |
| --- | --- | --- |
| `layer` | Unión [[LayerCreationProps](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layercreationprops), dictado, ninguno] | Conjunto de propiedades que se utilizan para crear una capa. |
**Respuesta**
El objeto de capa que se agregó al mapa.
## API update\$1layer
Actualizar una capa existente con los valores dados.
**Sintaxis de la solicitud**
```
Request =
update_layer(
self,
layer_id: str,
values: Union[LayerUpdateProps, dict, None],
**kwargs: Any
) -> Layer
```
**Parámetros de solicitud**
La solicitud acepta los siguientes parámetros.
Argumentos
| Argumento de posición | Tipo | Description (Descripción) |
| --- | --- | --- |
| `layer_id` | Cadena | El ID de la capa que se va a actualizar. |
| `values` | Unión [[LayerUpdateProps](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layerupdateprops), dictado, ninguno] | Los valores que se van a actualizar. |
Argumentos de palabras clave
| Argumento | Tipo | Description (Descripción) |
| --- | --- | --- |
| `type` | [LayerType](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layertype) | Tipo de capa. |
| `data_id` | Cadena | Identificador único del conjunto de datos que visualiza esta capa. |
| `fields` | Dict [string, Optional[string]] | Diccionario que asigna los campos que la capa requiere para su visualización a los campos correspondientes del conjunto de datos. |
| `label` | Cadena | Etiqueta canónica de esta capa. |
| `is_visible` | Booleano | Si la capa es visible o no. |
| `config` | [LayerConfig](https://location.foursquare.com/developer/docs/studio-map-sdk-types#layerconfig) | Configuración de capas específica para su tipo. |
**Respuesta**
Devuelve el objeto de capa actualizado.
## API visualize\$1eoj\$1aoi
Visualización del AoI del ARN del trabajo dado.
**Parámetros de solicitud**
La solicitud acepta los siguientes parámetros.
Argumentos
| Argumento | Tipo | Description (Descripción) |
| --- | --- | --- |
| `Arn` | Cadena | El ARN del trabajo. |
| `config` | Diccionario config = \$1 label: etiqueta personalizada de la capa de AoI agregado, AoI predeterminado\$1 | Una opción para pasar las propiedades de la capa. |
**Respuesta**
Referencia del objeto de la capa de entrada agregado.
## API visualize\$1eoj\$1input
Visualización de la entrada del ARN del EOJ dado.
**Parámetros de solicitud**
La solicitud acepta los siguientes parámetros.
Argumentos
| Argumento | Tipo | Description (Descripción) |
| --- | --- | --- |
| `Arn` | Cadena | El ARN del trabajo. |
| `time_range_filter` | Diccionario time\$1range\$1filter = \$1 start\$1date: fecha en formato ISO end\$1date: fecha en formato ISO \$1 | Una opción para proporcionar la hora de inicio y finalización. El valor predeterminado es la fecha de inicio y finalización de la búsqueda de la recopilación de datos ráster. |
| `config` | Diccionario config = \$1 label: etiqueta personalizada de la capa de salida agregada, entrada predeterminada \$1 | Una opción para pasar las propiedades de la capa. |
**Respuesta**
Referencia del objeto de la capa de entrada agregado.
## API visualize\$1eoj\$1output
Visualización de la salida del ARN del EOJ dado
**Parámetros de solicitud**
La solicitud acepta los siguientes parámetros.
Argumentos
| Argumento | Tipo | Description (Descripción) |
| --- | --- | --- |
| `Arn` | Cadena | El ARN del trabajo. |
| `time_range_filter` | Diccionario time\$1range\$1filter = \$1 start\$1date: fecha en formato ISO end\$1date: fecha en formato ISO \$1 | Una opción para proporcionar la hora de inicio y finalización. El valor predeterminado es la fecha de inicio y finalización de la búsqueda de la recopilación de datos ráster. |
| `config` | Diccionario config = \$1 label: etiqueta personalizada de la capa de salida agregada, salida predeterminada prestablecido: singleBand o trueColor, band\$1name: , solo se requiere para el prestablecido 'singleBand’. Bandas permitidas para un EOJ \$1 | Una opción para pasar las propiedades de la capa. |
**Respuesta**
Referencia del objeto de salida Layer agregado.
Para obtener más información sobre la visualización de sus datos geoespaciales, consulte [Visualización mediante Amazon SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-visualize.html) geospatial.
# SageMaker Preguntas frecuentes sobre las capacidades geoespaciales
Utilice los siguientes elementos de preguntas frecuentes para encontrar respuestas a las preguntas más frecuentes sobre las capacidades SageMaker geoespaciales.
1. **¿En qué regiones están disponibles las capacidades SageMaker geoespaciales de Amazon?**
Actualmente, las capacidades SageMaker geoespaciales solo se admiten en la región EE.UU. Oeste (Oregón). Para ver datos SageMaker geoespaciales, elija el nombre de la región que se muestra actualmente en la barra de navegación de la consola. A continuación, elija la región Oeste de EE. UU. (Oregón).
1. **¿Qué AWS Identity and Access Management permisos y políticas se requieren para usar la tecnología SageMaker geoespacial?**
Para usar la SageMaker tecnología geoespacial, necesita un usuario, grupo o rol que pueda acceder a SageMaker la IA. También debe crear una función de ejecución de SageMaker IA para que SageMaker Geospatial pueda realizar operaciones en su nombre. Para obtener más información, consulte las funciones de [las capacidades SageMaker geoespaciales.](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-geospatial-roles.html)
1. **Actualmente tengo un puesto de ejecución de SageMaker IA. ¿Tengo que actualizarlo?**
Sí. Para utilizar la SageMaker tecnología geoespacial, debe especificar un principio de servicio adicional en su política de confianza de IAM:. `sagemaker-geospatial.amazonaws.com` Para obtener más información sobre cómo especificar un director de servicio en una relación de confianza, consulte [Añadir el director del servicio SageMaker geoespacial a una función de ejecución de SageMaker IA existente](sagemaker-geospatial-roles-pass-role.md) la *Guía para desarrolladores de Amazon SageMaker AI*.
1. **¿Puedo utilizar las capacidades SageMaker geoespaciales a través de mi entorno de VPC?**
Sí, puede utilizar la tecnología SageMaker geoespacial a través de una VPN. Para obtener más información, consulte [Utilice las capacidades SageMaker geoespaciales de Amazon en su Amazon Virtual Private Cloud](geospatial-notebooks-and-internet-access-vpc-requirements.md).
1. **¿Por qué no puedo ver el visualizador de mapas SageMaker geoespaciales, la imagen o el tipo de instancia cuando navego a Amazon SageMaker Studio Classic?**
Compruebe que está lanzando Amazon SageMaker Studio Classic en la región EE.UU. Oeste (Oregón) y que no está utilizando un espacio compartido.
1. **¿Por qué no puedo ver la imagen SageMaker geoespacial o el tipo de instancia cuando intento crear una instancia de bloc de notas en Studio Classic?**
Compruebe que está lanzando Amazon SageMaker Studio Classic en la región EE.UU. Oeste (Oregón) y que no está utilizando un espacio compartido. Para obtener más información, consulte [Cree un bloc de notas Amazon SageMaker Studio Classic con la imagen geoespacial](geospatial-launch-notebook.md).
1. **¿Qué bandas son compatibles con las distintas recopilaciones de datos ráster?**
Utilice la respuesta de la API `GetRasterDataCollection` y consulte el campo `ImageSourceBands` para encontrar las bandas compatibles con esa recopilación de datos en particular.
# SageMaker Seguridad y permisos geoespaciales
Utilice los temas de esta página para obtener información sobre las funciones de seguridad de las capacidades SageMaker geoespaciales. Además, aprenda a utilizar las capacidades SageMaker geoespaciales en una Amazon Virtual Private Cloud y a proteger sus datos en reposo mediante el cifrado.
Para obtener más información acerca de los usuarios y roles de IAM, consulte [Identidades (usuarios, grupos de usuarios y roles)](https://docs.aws.amazon.com/IAM/latest/UserGuide/id.html) en la Guía del usuario de IAM.
Para obtener más información sobre el uso de IAM con SageMaker IA, consulte. [AWS Identity and Access Management para Amazon SageMaker AI](security-iam.md)
**Topics**
+ [Análisis de configuración y vulnerabilidad en SageMaker el ámbito geoespacial](geospatial-config-vulnerability.md)
+ [Mejores prácticas de seguridad para las capacidades SageMaker geoespaciales](geospatial-sec-best-practices.md)
+ [Utilice las capacidades SageMaker geoespaciales de Amazon en su Amazon Virtual Private Cloud](geospatial-notebooks-and-internet-access-vpc-requirements.md)
+ [Utilice AWS KMS los permisos para las capacidades SageMaker geoespaciales de Amazon](geospatial-kms.md)
# Análisis de configuración y vulnerabilidad en SageMaker el ámbito geoespacial
La configuración y los controles de TI son una responsabilidad compartida entre usted AWS y usted, nuestro cliente. AWS se encarga de las tareas de seguridad básicas, como la aplicación de parches al sistema operativo (SO) huésped y a las bases de datos, la configuración del firewall y la recuperación ante desastres. Estos procedimientos han sido revisados y certificados por los terceros pertinentes. Para obtener más detalles, consulte los siguientes recursos de :
+ [Modelo de responsabilidad compartida](https://aws.amazon.com/compliance/shared-responsibility-model/).
+ [Amazon Web Services: vista general de los procesos de seguridad](https://d0.awsstatic.com/whitepapers/Security/AWS_Security_Whitepaper.pdf)
# Mejores prácticas de seguridad para las capacidades SageMaker geoespaciales
Las capacidades SageMaker geoespaciales de Amazon proporcionan una serie de características de seguridad que debe tener en cuenta a la hora de desarrollar e implementar sus propias políticas de seguridad. Las siguientes prácticas recomendadas son directrices generales y no suponen una solución de seguridad completa. Puesto que es posible que estas prácticas recomendadas no sean adecuadas o suficientes para el entorno, plantéeselas como consideraciones útiles en lugar de como normas.
**Aplicación del principio de privilegios mínimos**
Las capacidades SageMaker geoespaciales de Amazon proporcionan una política de acceso granular para las aplicaciones que utilizan funciones de IAM. Recomendamos que a los roles se les conceda únicamente el conjunto mínimo de privilegios que requiera el trabajo. También recomendamos auditar los trabajos para detectar permisos de forma regular y ante cualquier cambio en su aplicación.
**Permisos de control de acceso basado en roles (RBAC)**
Los administradores deben controlar estrictamente los permisos de control de acceso basado en roles (RBAC) para las capacidades geoespaciales de Amazon. SageMaker
**Utilice credenciales temporales siempre que sea posible**
Siempre que sea posible, utilice credenciales temporales en lugar de credenciales permanentes, como claves de acceso. En aquellas situaciones en las que necesite usuarios de IAM con acceso programático y credenciales de larga duración, se recomienda rotar las claves de acceso. Rotar periódicamente las credenciales de larga duración ayuda a familiarizarse con el proceso. Esto resulta útil si alguna vez se encuentra en una situación en la que debe rotar las credenciales, como cuando un trabajador deja la empresa. Se recomienda utilizar información sobre el último uso de acceso de IAM para rotar y eliminar las claves de acceso de manera segura. Para obtener más información, consulte [Rotación de claves de acceso](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_credentials_access-keys.html#Using_RotateAccessKey) y [Prácticas recomendadas de seguridad en IAM.](https://docs.aws.amazon.com/IAM/latest/UserGuide/best-practices.html)
**Se utiliza para ver y registrar las llamadas AWS CloudTrail a la API**
AWS CloudTrail rastrea a cualquier persona que realice llamadas a la API en tu AWS cuenta. Las llamadas a la API se registran siempre que alguien utilice la API de capacidades SageMaker geoespaciales de Amazon, la consola de capacidades SageMaker geoespaciales de Amazon o los comandos CLI AWS de SageMaker capacidades geoespaciales de Amazon. Active el registro y especifique un bucket de Amazon S3 para almacenar los registros.
La confianza, privacidad y seguridad de su contenido son nuestras máximas prioridades. Implementamos controles técnicos y físicos responsables y sofisticados diseñados para evitar el acceso no autorizado o la divulgación de su contenido y garantizar que nuestro uso cumple con nuestros compromisos con usted. Para obtener más información, consulte [Preguntas frecuentes sobre la privacidad de datos de AWS](https://aws.amazon.com/compliance/data-privacy-faq/).
# Utilice las capacidades SageMaker geoespaciales de Amazon en su Amazon Virtual Private Cloud
En el siguiente tema se proporciona información sobre cómo utilizar las SageMaker libretas con una imagen SageMaker geoespacial en un dominio de Amazon SageMaker AI con modo solo VPC. Para obtener más información sobre VPCs Amazon SageMaker Studio Classic, consulte [Elegir una VPC de Amazon](https://docs.aws.amazon.com/sagemaker/latest/dg/onboard-vpc.html).
## Comunicación `VPC only` con Internet
De forma predeterminada, el dominio SageMaker AI usa dos Amazon VPC. Una de las VPC de Amazon está gestionada por Amazon SageMaker AI y proporciona acceso directo a Internet. Usted especifica la otra Amazon VPC, que proporciona tráfico cifrado entre el dominio y el volumen de Amazon Elastic File System (Amazon EFS).
Puede cambiar este comportamiento para que la SageMaker IA envíe todo el tráfico a través de la Amazon VPC especificada. Si se `VPC only` eligió como modo de acceso a la red durante la creación del dominio de SageMaker IA, se deben tener en cuenta los siguientes requisitos para seguir permitiendo el uso de las libretas SageMaker Studio Classic dentro del dominio de IA creado SageMaker .
## Requisitos para usar el modo `VPC only`
**nota**
Para utilizar los componentes de visualización de las capacidades SageMaker geoespaciales, el navegador que utilice para acceder a la interfaz de usuario de SageMaker Studio Classic debe estar conectado a Internet.
Si ha elegido `VpcOnly`, siga estos pasos:
1. Debe utilizar solo subredes privadas. No puede usar subredes públicas en el modo `VpcOnly`.
1. Asegúrese de que sus subredes tengan la cantidad necesaria de direcciones IP. La cantidad esperada de direcciones IP necesarias por usuario puede variar según el caso de uso. Se recomiendan entre 2 y 4 direcciones IP por usuario. La capacidad total de direcciones IP de un dominio de Studio Classic es la suma de las direcciones IP disponibles para cada subred que se proporcionan al crear el dominio. Asegúrese de que el uso estimado de direcciones IP no supere la capacidad admitida por la cantidad de subredes que proporcione. Además, el uso de subredes distribuidas en muchas zonas de disponibilidad puede mejorar la disponibilidad de las direcciones IP. Para obtener más información, consulte el tamaño de la [VPC y la subred](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html#vpc-sizing-ipv4) para. IPv4
**nota**
Solo puede configurar subredes con una VPC de tenencia predeterminada en la que su instancia se ejecute en hardware compartido. [Para obtener más información sobre el atributo de arrendamiento VPCs, consulte Instancias dedicadas.](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/dedicated-instance.html)
1. Configure uno o más grupos de seguridad con reglas de entrada y salida que, en conjunto, permitan el siguiente tráfico:
+ [Tráfico NFS a través de TCP en el puerto 2049](https://docs.aws.amazon.com/efs/latest/ug/network-access.html) entre el dominio y el volumen de Amazon EFS.
+ [Tráfico TCP en el grupo de seguridad](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances). Esto es necesario para la conectividad entre la JupyterServer aplicación y las KernelGateway aplicaciones. Debe permitir el acceso al menos a los puertos del rango `8192-65535`.
1. Si desea permitir el acceso a Internet, debe usar una [puerta de enlace NAT](https://docs.aws.amazon.com/vpc/latest/userguide/vpc-nat-gateway.html#nat-gateway-working-with) con acceso a Internet, por ejemplo, a través de una [puerta de enlace de Internet](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Internet_Gateway.html).
1. Si no quiere permitir el acceso a Internet, [cree puntos finales de VPC de interfaz](https://docs.aws.amazon.com/vpc/latest/privatelink/vpce-interface.html) (AWS PrivateLink) para permitir que Studio Classic acceda a los siguientes servicios con los nombres de servicio correspondientes. También debe asociar los grupos de seguridad de la VPC a estos puntos de conexión.
**nota**
Actualmente, las capacidades SageMaker geoespaciales solo se admiten en la región EE.UU. Oeste (Oregón).
+ SageMaker API: `com.amazonaws.us-west-2.sagemaker.api`
+ SageMaker Tiempo de ejecución de IA:`com.amazonaws.us-west-2.sagemaker.runtime`. Esto es necesario para ejecutar los cuadernos Studio Classic con una imagen SageMaker geoespacial.
+ Amazon S3: `com.amazonaws.us-west-2.s3`.
+ Para usar SageMaker Projects:. `com.amazonaws.us-west-2.servicecatalog`
+ SageMaker capacidades geoespaciales: `com.amazonaws.us-west-2.sagemaker-geospatial`
Si utiliza el [SDK de SageMaker Python](https://sagemaker.readthedocs.io/en/stable/) para ejecutar tareas de formación remota, también debe crear los siguientes puntos de enlace de Amazon VPC.
+ AWS Security Token Service: `com.amazonaws.region.sts`
+ Amazon CloudWatch:. `com.amazonaws.region.logs` Esto es necesario para permitir que el SDK de SageMaker Python obtenga el estado del trabajo de formación remota desde Amazon CloudWatch.
**nota**
Para un cliente que trabaja en modo VPC, los firewalls de la empresa pueden provocar problemas de conexión con SageMaker Studio Classic o entre y JupyterServer . KernelGateway Realice las siguientes comprobaciones si encuentra alguno de estos problemas al utilizar SageMaker Studio Classic desde un firewall.
Compruebe que la URL de Studio Classic esté en la lista de permitidas de su red.
Compruebe que las conexiones de websocket no estén bloqueadas. Jupyter usa websocket internamente. Si la KernelGateway aplicación lo está InService, es JupyterServer posible que no pueda conectarse al KernelGateway. También debería ver este problema al abrir la terminal del sistema.
# Utilice AWS KMS los permisos para las capacidades SageMaker geoespaciales de Amazon
Puede proteger sus datos en reposo mediante el cifrado para las capacidades SageMaker geoespaciales. De forma predeterminada, utiliza el cifrado del lado del servidor con una clave propiedad de Amazon SageMaker Geospatial. SageMaker Las capacidades geoespaciales también admiten una opción de cifrado del lado del servidor con una clave KMS administrada por el cliente.
## Cifrado del lado del servidor con clave gestionada SageMaker geoespacial de Amazon (predeterminada)
SageMaker Las capacidades geoespaciales cifran todos sus datos, incluidos los resultados computacionales de sus trabajos de observación de la Tierra (EOJ) y de enriquecimiento vectorial (VEJ), junto con todos los metadatos de sus servicios. No hay datos almacenados sin cifrar en las capacidades geoespaciales. SageMaker Utiliza una clave propia predeterminada AWS para cifrar todos sus datos.
## Cifrado de lado de servidor con una clave de KMS administrada por el cliente (opcional)
SageMaker Las capacidades geoespaciales permiten el uso de una clave simétrica gestionada por el cliente que usted crea, posee y administra para añadir una segunda capa de cifrado sobre la codificación propia existente AWS . Como usted tiene el control total de este cifrado, puede realizar dichas tareas como:
+ Establecer y mantener políticas de claves
+ Establecer y mantener concesiones y políticas de IAM
+ Habilitar y deshabilitar políticas de claves
+ Rotar el material criptográfico
+ Adición de etiquetas de
+ Crear alias de clave
+ Programar la eliminación de claves
Para obtener más información, consulte las [claves administradas por el cliente](https://docs.aws.amazon.com/kms/latest/developerguide/concepts.html#customer-cmk) en la * Guía para desarrolladores de AWS Key Management Service *.
## Cómo utilizan las capacidades SageMaker geoespaciales las subvenciones en AWS KMS
SageMaker las capacidades geoespaciales requieren una subvención para utilizar la clave gestionada por el cliente. Al crear un EOJ o un VEJ cifrados con una clave gestionada por el cliente, SageMaker Geospatial Capabilities crea una subvención en su nombre enviando una solicitud a. `CreateGrant` AWS KMS Las subvenciones AWS KMS se utilizan para permitir que las capacidades SageMaker geoespaciales accedan a una clave KMS en la cuenta de un cliente. Puede revocar el acceso a la concesión o eliminar el acceso del servicio a la clave administrada por el cliente en cualquier momento. Si lo hace, las capacidades SageMaker geoespaciales no podrán acceder a ninguno de los datos cifrados por la clave administrada por el cliente, lo que afectará a las operaciones que dependen de esos datos.
## Creación de una clave administrada por el cliente
Puede crear una clave simétrica gestionada por el cliente mediante la consola AWS de gestión o la. AWS KMS APIs
**Para crear una clave simétrica administrada por el cliente**
Siga los pasos para [crear claves KMS de cifrado simétrico](https://docs.aws.amazon.com/kms/latest/developerguide/create-keys.html#create-symmetric-cmk) de la Guía para AWS Key Management Service desarrolladores.
**Política de claves**
Las políticas de clave controlan el acceso a la clave administrada por el cliente. Cada clave administrada por el cliente debe tener exactamente una política de clave, que contiene instrucciones que determinan quién puede usar la clave y cómo puede utilizarla. Cuando crea la clave administrada por el cliente, puede especificar una política de clave. Para obtener más información, consulte [Determinar el acceso a AWS KMS las claves](https://docs.aws.amazon.com/kms/latest/developerguide/determining-access.html) en la *Guía para AWS Key Management Service desarrolladores*.
Para utilizar la clave gestionada por el cliente con los recursos de sus capacidades SageMaker geoespaciales, la política de claves debe permitir las siguientes operaciones de API. La función principal de estas operaciones debe ser la función de ejecución que proporcione en la solicitud de capacidades SageMaker geoespaciales. SageMaker Las capacidades geoespaciales asumen la función de ejecución proporcionada en la solicitud para realizar estas operaciones de KMS.
+ `[kms:CreateGrant](https://docs.aws.amazon.com/kms/latest/APIReference/API_CreateGrant.html)`
+ `kms:GenerateDataKey`
+ `kms:Decrypt`
+ `kms:GenerateDataKeyWithoutPlaintext`
Los siguientes son ejemplos de declaraciones de políticas que puede agregar para las capacidades SageMaker geoespaciales:
**CreateGrant**
```
"Statement" : [
{
"Sid" : "Allow access to Amazon SageMaker geospatial capabilities",
"Effect" : "Allow",
"Principal" : {
"AWS" : ""
},
"Action" : [
"kms:CreateGrant",
"kms:Decrypt",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlaintext"
],
"Resource" : "*",
},
]
```
Para obtener más información sobre cómo especificar permisos en una política, consulte [permisos de AWS KMS](https://docs.aws.amazon.com/kms/latest/developerguide/kms-api-permissions-reference.html) en la *Guía para desarrolladores de AWS Key Management Service *. Para obtener más información sobre cómo solucionar problemas, consulte [Solución de problemas de acceso a las claves](https://docs.aws.amazon.com/kms/latest/developerguide/policy-evaluation.html) en la *Guía para desarrolladores de AWS Key Management Service *.
Si su política de claves no tiene la raíz de su cuenta como administrador de claves, debe agregar los mismos permisos de KMS en el ARN de su rol de ejecución. Este es un ejemplo de política que puede agregar al rol de ejecución:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Action": [
"kms:CreateGrant",
"kms:Decrypt",
"kms:GenerateDataKey",
"kms:GenerateDataKeyWithoutPlaintext"
],
"Resource": [
"arn:aws:kms:us-east-1:111122223333:key/key-id"
],
"Effect": "Allow"
}
]
}
```
------
## Supervisar las claves de cifrado para determinar las capacidades SageMaker geoespaciales
Cuando utiliza una clave gestionada por el AWS KMS cliente con sus recursos de capacidades SageMaker geoespaciales, puede utilizar AWS CloudTrail Amazon CloudWatch Logs para realizar un seguimiento de las solicitudes que envía SageMaker geospatial. AWS KMS
Seleccione una pestaña de la siguiente tabla para ver ejemplos de AWS CloudTrail eventos para monitorear las operaciones de KMS a los que recurren las capacidades SageMaker geoespaciales para acceder a los datos cifrados por su clave administrada por el cliente.
------
#### [ CreateGrant ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AssumedRole",
"principalId": "AROAIGDTESTANDEXAMPLE:SageMaker-Geospatial-StartEOJ-KMSAccess",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole/SageMaker-Geospatial-StartEOJ-KMSAccess",
"accountId": "111122223333",
"accessKeyId": "AKIAIOSFODNN7EXAMPLE3",
"sessionContext": {
"sessionIssuer": {
"type": "Role",
"principalId": "AKIAIOSFODNN7EXAMPLE3",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole",
"accountId": "111122223333",
"userName": "SageMakerGeospatialCustomerRole"
},
"webIdFederationData": {},
"attributes": {
"creationDate": "2023-03-17T18:02:06Z",
"mfaAuthenticated": "false"
}
},
"invokedBy": "arn:aws:iam::111122223333:root"
},
"eventTime": "2023-03-17T18:02:06Z",
"eventSource": "kms.amazonaws.com",
"eventName": "CreateGrant",
"awsRegion": "us-west-2",
"sourceIPAddress": "172.12.34.56",
"userAgent": "ExampleDesktop/1.0 (V1; OS)",
"requestParameters": {
"retiringPrincipal": "sagemaker-geospatial.us-west-2.amazonaws.com",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE",
"operations": [
"Decrypt"
],
"granteePrincipal": "sagemaker-geospatial.us-west-2.amazonaws.com"
},
"responseElements": {
"grantId": "0ab0ac0d0b000f00ea00cc0a0e00fc00bce000c000f0000000c0bc0a0000aaafSAMPLE",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
},
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": false,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ GenerateDataKey ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AWSService",
"invokedBy": "sagemaker-geospatial.amazonaws.com"
},
"eventTime": "2023-03-24T00:29:45Z",
"eventSource": "kms.amazonaws.com",
"eventName": "GenerateDataKey",
"awsRegion": "us-west-2",
"sourceIPAddress": "sagemaker-geospatial.amazonaws.com",
"userAgent": "sagemaker-geospatial.amazonaws.com",
"requestParameters": {
"encryptionContext": {
"aws:s3:arn": "arn:aws:s3:::axis-earth-observation-job-378778860802/111122223333/napy9eintp64/output/consolidated/32PPR/2022-01-04T09:58:03Z/S2B_32PPR_20220104_0_L2A_msavi.tif"
},
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE",
"keySpec": "AES_256"
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ Decrypt ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AWSService",
"invokedBy": "sagemaker-geospatial.amazonaws.com"
},
"eventTime": "2023-03-28T22:04:24Z",
"eventSource": "kms.amazonaws.com",
"eventName": "Decrypt",
"awsRegion": "us-west-2",
"sourceIPAddress": "sagemaker-geospatial.amazonaws.com",
"userAgent": "sagemaker-geospatial.amazonaws.com",
"requestParameters": {
"encryptionAlgorithm": "SYMMETRIC_DEFAULT",
"encryptionContext": {
"aws:s3:arn": "arn:aws:s3:::axis-earth-observation-job-378778860802/111122223333/napy9eintp64/output/consolidated/32PPR/2022-01-04T09:58:03Z/S2B_32PPR_20220104_0_L2A_msavi.tif"
},
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
#### [ GenerateDataKeyWithoutPlainText ]
```
{
"eventVersion": "1.08",
"userIdentity": {
"type": "AssumedRole",
"principalId": "AROAIGDTESTANDEXAMPLE:SageMaker-Geospatial-StartEOJ-KMSAccess",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole/SageMaker-Geospatial-StartEOJ-KMSAccess",
"accountId": "111122223333",
"accessKeyId": "AKIAIOSFODNN7EXAMPLE3",
"sessionContext": {
"sessionIssuer": {
"type": "Role",
"principalId": "AKIAIOSFODNN7EXAMPLE3",
"arn": "arn:aws:sts::111122223333:assumed-role/SageMakerGeospatialCustomerRole",
"accountId": "111122223333",
"userName": "SageMakerGeospatialCustomerRole"
},
"webIdFederationData": {},
"attributes": {
"creationDate": "2023-03-17T18:02:06Z",
"mfaAuthenticated": "false"
}
},
"invokedBy": "arn:aws:iam::111122223333:root"
},
"eventTime": "2023-03-28T22:09:16Z",
"eventSource": "kms.amazonaws.com",
"eventName": "GenerateDataKeyWithoutPlaintext",
"awsRegion": "us-west-2",
"sourceIPAddress": "172.12.34.56",
"userAgent": "ExampleDesktop/1.0 (V1; OS)",
"requestParameters": {
"keySpec": "AES_256",
"keyId": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
},
"responseElements": null,
"requestID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"eventID": "ff000af-00eb-00ce-0e00-ea000fb0fba0SAMPLE",
"readOnly": true,
"resources": [
{
"accountId": "111122223333",
"type": "AWS::KMS::Key",
"ARN": "arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-123456SAMPLE"
}
],
"eventType": "AwsApiCall",
"managementEvent": true,
"recipientAccountId": "111122223333",
"eventCategory": "Management"
}
```
------
# Tipos de instancias de computación
SageMaker Las capacidades geoespaciales ofrecen tres tipos de instancias informáticas.
+ SageMaker Instancias de **bloc de notas geoespaciales de Studio Classic: SageMaker geospatial admite instancias** de bloc de notas basadas en CPU y basadas en GPU en Studio Classic. Las instancias de cuaderno se utilizan para crear, entrenar e implementar modelos de machine learning. Para obtener una lista de los tipos de instancias de cuaderno disponibles que funcionan con la imagen geoespacial, consulte [Tipos de instancias de cuaderno compatibles](#supported-geospatial-instances).
+ **SageMaker instancias de trabajos geoespaciales: ejecute trabajos** de procesamiento para transformar los datos de imágenes de satélite.
+ **SageMaker tipos de inferencia de modelos geoespaciales**: realice predicciones utilizando modelos de aprendizaje automático previamente entrenados en imágenes de satélite.
El tipo de instancia viene determinado por las operaciones que ejecute.
En la siguiente tabla se muestran las operaciones SageMaker geoespaciales específicas y los tipos de instancias disponibles que puede utilizar.
| Operaciones | Instancia |
| --- | --- |
| Estadísticas temporales | ml.geospatial.jobs |
| Estadísticas zonales | ml.geospatial.jobs |
| Remuestreo | ml.geospatial.jobs |
| Geomosaico | ml.geospatial.jobs |
| Apilamiento de bandas | ml.geospatial.jobs |
| Matemáticas de banda | ml.geospatial.jobs |
| Eliminación de nubes con Landsat8 | ml.geospatial.jobs |
| Eliminación de nubes con Sentinel-2 | ml.geospatial.models |
| Enmascaramiento de nubes | ml.geospatial.models |
| Segmentación de la cubierta terrestre | ml.geospatial.models |
## SageMaker tipos de instancias de bloc de notas compatibles con la tecnología geoespacial
SageMaker geospatial admite instancias de bloc de notas basadas en CPU y GPU en Studio Classic. Si recibes un ResourceLimitExceedederror al iniciar una instancia de notebook con GPU, debes solicitar un aumento de cuota. Para aprender a solicitar un aumento de cuota, consulte [Solicitud de aumento de cuota](https://docs.aws.amazon.com/servicequotas/latest/userguide/request-quota-increase.html) en la *Guía del usuario de Service Quotas*.
Tipos de instancias de cuaderno de Studio Classic compatibles
| Name | Tipo de instancia |
| --- | --- |
| ml.geospatial.interactive | CPU |
| ml.g5.xlarge | GPU |
| ml.g5.2xlarge | GPU |
| ml.g5.4xlarge | GPU |
| ml.g5.8xlarge | GPU |
| ml.g5.16xlarge | GPU |
| ml.g5.12xlarge | GPU |
| ml.g5.24xlarge | GPU |
| ml.g5.48xlarge | GPU |
Se le cobrarán tarifas diferentes por cada tipo de instancia de computación que utilice. Para obtener más información sobre los precios, consulte [Geospatial ML with Amazon SageMaker AI](https://aws.amazon.com/sagemaker/geospatial).
## SageMaker bibliotecas geoespaciales
El **tipo de instancia SageMaker ** geoespacial específico **ml.geospatial.interactive** contiene las siguientes bibliotecas de Python.
Bibliotecas geoespaciales disponibles en el tipo de instancia geoespacial
| Nombre de la biblioteca | Versión disponible |
| --- | --- |
| numpy | 1.23.4 |
| scipy | 1.11.2 |
| pandas | 1.4.4 |
| gdal | 3.2.2 |
| fiona | 1.8.22 |
| geopandas | 0.11.1 |
| shapley | 1.8.4 |
| seaborn | 0.11.2 |
| notebook | 1.8.22 |
| scikit-image | 0.11.2 |
| rasterio | 6.4.12 |
| scikit-learn | 0,19,2 |
| ipyleaflet | 1.0.1 |
| rtree | 0,17.2 |
| opencv | 4,60.66 |
| supy | 2022.4.7 |
| SNAP toolbox | 9.0 |
| cdsapi | 0.6.1 |
| arosics | 1.8.1 |
| rasterstats | 0,18.0 |
| rioxarray | 0.14.1 |
| pyroSAR | 0,20.0 |
| eo-learn | 1.4.1 |
| deepforest | 1.2.7 |
| scrapy | 2.8.0 |
| neto CDF4 | 1.6.3 |
| xarray[complete] | 0.20.1 |
| Orfeotoolbox | OTB-8.1.1 |
| pytorch | 2.0.1 |
| pytorch-cuda | 11.8 |
| torchvision | 0.15.2 |
| torchaudio | 2.0.2 |
| pytorch-lightning | 2.0.6 |
| tensorflow | 2.13.0 |
# Recopilaciones de datos
Amazon SageMaker geospatial admite las siguientes recopilaciones de datos ráster. De las siguientes recopilaciones de datos, puede utilizar las recopilaciones de datos USGS Landsat y Sentinel-2 Cloud-Optimized GeoTIFF al iniciar un trabajo de observación de la Tierra (EOJ). Para obtener más información sobre el EOJs, consulte. [Trabajos de observación de la Tierra](geospatial-eoj.md)
+ [Copernicus Digital Elevation Model (DEM): GLO-30](https://registry.opendata.aws/copernicus-dem/)
+ [Copernicus Digital Elevation Model (DEM): GLO-90](https://registry.opendata.aws/copernicus-dem/)
+ [https://registry.opendata.aws/sentinel-2-l2a-cogs/](https://registry.opendata.aws/sentinel-2-l2a-cogs/)
+ [https://registry.opendata.aws/sentinel-1/](https://registry.opendata.aws/sentinel-1/)
+ [National Agriculture Imagery Program (NAIP)en AWS](https://registry.opendata.aws/naip/)
+ [https://registry.opendata.aws/usgs-landsat/](https://registry.opendata.aws/usgs-landsat/)
Para encontrar la lista de recopilaciones de datos ráster disponibles en su cuenta Regiones de AWS, utilice`ListRasterDataCollections`. En la [respuesta `ListRasterDataCollections`](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListRasterDataCollections.html#API_geospatial_ListRasterDataCollections_ResponseSyntax), obtendrá un objeto [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListRasterDataCollections.html#API_geospatial_ListRasterDataCollections_ResponseSyntax](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_geospatial_ListRasterDataCollections.html#API_geospatial_ListRasterDataCollections_ResponseSyntax) que contiene detalles sobre las recopilaciones de datos ráster disponibles.
**Example Ejemplo: llamar a la `ListRasterDataCollections` API mediante el AWS SDK para Python (Boto3)**
Cuando utilice el SDK para Python (Boto3) y SageMaker geoespacial, debe crear un cliente geoespacial,. `geospatial_client` Utilice el siguiente fragmento Python para realizar una llamada a la API `list_raster_data_collections`:
```
import boto3
import sagemaker
import sagemaker_geospatial_map
import json
## SageMaker Geospatial Capabilities is currently only avaialable in US-WEST-2
session = boto3.Session(region_name='us-west-2')
execution_role = sagemaker.get_execution_role()
## Creates a SageMaker Geospatial client instance
geospatial_client = session.client(service_name="sagemaker-geospatial")
# Creates a resusable Paginator for the list_raster_data_collections API operation
paginator = geospatial_client.get_paginator("list_raster_data_collections")
# Create a PageIterator from the Paginator
page_iterator = paginator.paginate()
# Use the iterator to iterate throught the results of list_raster_data_collections
results = []
for page in page_iterator:
results.append(page['RasterDataCollectionSummaries'])
print (results)
```
En la respuesta JSON, recibirá lo siguiente, que se ha truncado para mayor claridad:
```
{
"Arn": "arn:aws:sagemaker-geospatial:us-west-2:555555555555:raster-data-collection/public/dxxbpqwvu9041ny8",
"Description": "Copernicus DEM is a Digital Surface Model which represents the surface of the Earth including buildings, infrastructure, and vegetation. GLO-30 is instance of Copernicus DEM that provides limited worldwide coverage at 30 meters.",
"DescriptionPageUrl": "https://registry.opendata.aws/copernicus-dem/",
"Name": "Copernicus DEM GLO-30",
"Tags": {},
"Type": "PUBLIC"
}
```
## Información sobre la banda de imágenes de las recopilaciones de datos de USGS Landsat y Sentinel-2
La información sobre las bandas de imágenes de las recopilaciones de datos USGS Landsat 8 y Sentinel-2 se proporciona en la siguiente tabla.
USGS Landsat
| Nombre de la banda | Rango de longitud de onda (nm) | Unidades | Rango válido | Valor de rellenado | Resolución espacial |
| --- | --- | --- | --- | --- | --- |
| coastal | 435 - 451 | Sin unidades | 1 - 65455 | 0 (sin datos) | 30 m |
| azul | 452 - 512 | Sin unidades | 1 - 65455 | 0 (sin datos) | 30 m |
| green | 533 - 590 | Sin unidades | 1 - 65455 | 0 (sin datos) | 30 m |
| red | 636 - 673 | Sin unidades | 1 - 65455 | 0 (sin datos) | 30 m |
| nir | 851 - 879 | Sin unidades | 1 - 65455 | 0 (sin datos) | 30 m |
| swir16 | 1566 - 1651 | Sin unidades | 1 - 65455 | 0 (sin datos) | 30 m |
| swir22 | 2107 - 2294 | Sin unidades | 1 - 65455 | 0 (sin datos) | 30 m |
| qa\$1aerosol | N/D | Índice de bits | 0 - 255 | 1 | 30 m |
| qa\$1pixel | N/D | Índice de bits | 1 - 65455 | 1 (bit 0) | 30 m |
| qa\$1radsat | N/D | Índice de bits | 1 - 65455 | N/D | 30 m |
| t | 10600 - 11190 | Kelvin escalado | 1 - 65455 | 0 (sin datos) | 30 m (escalado a partir de 100 m) |
| atran | N/D | Sin unidades | 0 - 10000 | -9999 (sin datos) | 30 m |
| cdist | N/D | Kilómetros | 0 - 24000 | -9999 (sin datos) | 30 m |
| drad | N/D | W/(m^2 sr µm)/DN | 0 - 28000 | -9999 (sin datos) | 30 m |
| urad | N/D | W/(m^2 sr µm)/DN | 0 - 28000 | -9999 (sin datos) | 30 m |
| trad | N/D | W/(m^2 sr µm)/DN | 0 - 28000 | -9999 (sin datos) | 30 m |
| emis | N/D | Coeficiente de emisividad | 1 - 10000 | -9999 (sin datos) | 30 m |
| emsd | N/D | Coeficiente de emisividad | 1 - 10000 | -9999 (sin datos) | 30 m |
Sentinel-2
| Nombre de la banda | Rango de longitud de onda (nm) | Escalado | Rango válido | Valor de rellenado | Resolución espacial |
| --- | --- | --- | --- | --- | --- |
| coastal | 443 | 0,0001 | N/D | 0 (sin datos) | 60 m |
| azul | 490 | 0,0001 | N/D | 0 (sin datos) | 10 m |
| green | 560 | 0,0001 | N/D | 0 (sin datos) | 10 m |
| red | 665 | 0,0001 | N/D | 0 (sin datos) | 10 m |
| rededge1 | 705 | 0,0001 | N/D | 0 (sin datos) | 20 m |
| rededge2 | 740 | 0,0001 | N/D | 0 (sin datos) | 20 m |
| rededge3 | 783 | 0,0001 | N/D | 0 (sin datos) | 20 m |
| nir | 842 | 0,0001 | N/D | 0 (sin datos) | 10 m |
| nir08 | 865 | 0,0001 | N/D | 0 (sin datos) | 20 m |
| nir08 | 865 | 0,0001 | N/D | 0 (sin datos) | 20 m |
| nir09 | 940 | 0,0001 | N/D | 0 (sin datos) | 60 m |
| swir16 | 1610 | 0,0001 | N/D | 0 (sin datos) | 20 m |
| swir22 | 2190 | 0,0001 | N/D | 0 (sin datos) | 20 m |
| aot | Espesor óptico del aerosol | 0.001 | N/D | 0 (sin datos) | 10 m |
| wvp | Vapor de agua promedio de la escena | 0.001 | N/D | 0 (sin datos) | 10 m |
| scl | Datos de clasificación de escenas | N/D | 1 - 11 | 0 (sin datos) | 20 m |
# RStudio en Amazon SageMaker AI
RStudio es un entorno de desarrollo integrado para R, con una consola, un editor de resaltado de sintaxis que admite la ejecución directa de código y herramientas para el trazado, el historial, la depuración y la gestión del espacio de trabajo. Amazon SageMaker AI es compatible con RStudio un entorno de desarrollo integrado (IDE) totalmente gestionado e integrado con el dominio Amazon SageMaker AI a través de Posit Workbench. RStudio permite a los clientes crear conocimientos de ciencia de datos mediante un entorno R. Con RStudio la integración, puede lanzar un RStudio entorno en el dominio para ejecutar sus RStudio flujos de trabajo con recursos de SageMaker IA. Para obtener más información acerca de Posit Workbench, consulte el [sitio web de Posit](https://posit.co/products/enterprise/workbench/). Esta página proporciona información sobre RStudio conceptos importantes.
SageMaker La IA se integra RStudio mediante la creación de una RStudio ServerPro aplicación.
Una SageMaker IA admite lo RStudio siguiente.
+ Los desarrolladores de R utilizan la interfaz RStudio IDE con herramientas de desarrollo populares del ecosistema R. Los usuarios pueden iniciar nuevas RStudio sesiones, escribir código R, instalar dependencias desde RStudio Package Manager y publicar aplicaciones Shiny mediante RStudio Connect.
+ Los desarrolladores de R pueden escalar rápidamente los recursos informáticos subyacentes para ejecutar procesamiento de datos y análisis estadístico a gran escala.
+ Los administradores de la plataforma pueden configurar las identidades de los usuarios, la autorización, las redes, el almacenamiento y la seguridad de sus equipos de ciencia de datos mediante AWS IAM Identity Center la AWS Identity and Access Management integración. Esto incluye la conexión a los recursos privados de Amazon Virtual Private Cloud (Amazon VPC) y el modo sin Internet con. AWS PrivateLink
+ Integración con. AWS License Manager
Para obtener información sobre los pasos de incorporación para crear un dominio con la RStudio opción habilitada, consulte[Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Disponibilidad por región
En la siguiente tabla se proporciona información sobre las Regiones de AWS RStudio aplicaciones compatibles con la SageMaker IA.
| Nombre de la región | Región |
| --- | --- |
| Este de EE. UU. (Ohio) | us-east-2 |
| Este de EE. UU. (Norte de Virginia) | us-east-1 |
| Oeste de EE. UU. (Norte de California) | us-west-1 |
| Oeste de EE. UU. (Oregón) | us-west-2 |
| Asia-Pacífico (Bombay) | ap-south-1 |
| Asia-Pacífico (Seúl) | ap-northeast-2 |
| Asia-Pacífico (Singapur) | ap-southeast-1 |
| Asia-Pacífico (Sídney) | ap-southeast-2 |
| Asia-Pacífico (Tokio) | ap-northeast-1 |
| Canadá (centro) | ca-central-1 |
| Europa (Fráncfort) | eu-central-1 |
| Europa (Irlanda) | eu-west-1 |
| Europa (Londres) | eu-west-2 |
| Europa (París) | eu-west-3 |
| Europa (Estocolmo) | eu-north-1 |
| América del Sur (São Paulo) | sa-east-1 |
## RStudio componentes
+ *RStudioServerPro*: La RStudio ServerPro aplicación es una aplicación multiusuario que es un recurso compartido entre todos los perfiles de usuario del dominio. Una vez que se crea una RStudio aplicación en un dominio, el administrador puede conceder permisos a los usuarios del dominio.
+ *RStudio usuario*: RStudio los usuarios son usuarios del dominio que están autorizados a usar la RStudio licencia.
+ *RStudio admin*: Un administrador RStudio de Amazon SageMaker AI puede acceder al panel RStudio administrativo. RStudio en Amazon SageMaker AI, los administradores se diferencian de los administradores «estándar» de Posit Workbench porque no tienen acceso root a la instancia en la que se ejecuta la RStudio ServerPro aplicación y no pueden modificar el archivo de configuración. RStudio
+ *RStudio Servidor*: la instancia del RStudio servidor es responsable de proporcionar la RStudio interfaz de usuario a todos los usuarios autorizados. Esta instancia se lanza en una instancia de Amazon SageMaker AI.
+ *RSession*: An RSession es una interfaz basada en navegador para el RStudio IDE que se ejecuta en una instancia de Amazon SageMaker AI. Los usuarios pueden crear sus RStudio proyectos e interactuar con ellos a través del. RSession
+ *RSessionGateway*: La aplicación RSession Gateway se utiliza para respaldar un RSession.
+ *RStudio panel administrativo*: este panel proporciona información sobre los RStudio usuarios del dominio Amazon SageMaker AI y sus sesiones. Solo los usuarios que tengan autorización de RStudio administrador pueden acceder a este panel.
## Diferencias con Posit Workbench
RStudio en Amazon SageMaker AI tiene algunas diferencias significativas con respecto a [Posit Workbench.](https://posit.co/products/enterprise/workbench/)
+ Cuando se usa con RStudio SageMaker IA, los usuarios no tienen acceso a los archivos de RStudio configuración. Amazon SageMaker AI administra el archivo de configuración y establece los valores predeterminados. Puede modificar el RStudio Connect and RStudio Package Manager URLs al crear su dominio Amazon SageMaker AI RStudio habilitado.
+ El uso compartido de proyectos, la colaboración en tiempo real y Job Launcher no son compatibles actualmente cuando se utilizan en RStudio Amazon SageMaker AI.
+ Cuando se usa RStudio en SageMaker IA, el RStudio IDE se ejecuta en instancias de Amazon SageMaker AI para recursos de cómputo en contenedores bajo demanda.
+ RStudio on SageMaker AI solo es compatible con el RStudio IDE y no IDEs con otros compatibles con una instalación de Posit Workbench.
+ RStudio on SageMaker AI solo es compatible con la RStudio versión especificada en. [RStudio Control de versiones](rstudio-version.md)
# RStudio sobre la gestión de Amazon SageMaker AI
En los siguientes temas se proporciona información RStudio sobre la administración en Amazon SageMaker AI. Esto incluye información sobre la configuración del RStudio entorno, las sesiones de usuario y los recursos necesarios. Para obtener información sobre cómo usarlo RStudio en la SageMaker IA, consulte[RStudio en la guía del usuario de Amazon SageMaker AI](rstudio-use.md).
Para obtener información sobre cómo crear un dominio de Amazon SageMaker AI con RStudio activado, consulte[Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
Para obtener información sobre las AWS regiones RStudio en las que se admite la SageMaker IA, consulte[Regiones y cuotas admitidas](regions-quotas.md).
**Topics**
+ [Obtenga una RStudio licencia](rstudio-license.md)
+ [RStudio Control de versiones](rstudio-version.md)
+ [Red y almacenamiento](rstudio-network.md)
+ [RStudioServerPro tipo de instancia](rstudio-select-instance.md)
+ [Añadir una URL de RStudio Connect](rstudio-configure-connect.md)
+ [Actualizar la URL RStudio del Package Manager](rstudio-configure-pm.md)
+ [Cree un dominio Amazon SageMaker AI RStudio con el AWS CLI](rstudio-create-cli.md)
+ [Agrega RStudio soporte a un dominio existente](rstudio-add-existing.md)
+ [Imágenes personalizadas RStudio sin SageMaker IA](rstudio-byoi.md)
+ [Crea un usuario para usarlo RStudio](rstudio-create-user.md)
+ [Inicie sesión RStudio como otro usuario](rstudio-login-another.md)
+ [Finalice las sesiones de otro usuario](rstudio-terminate-another.md)
+ [Utilice el panel RStudio administrativo](rstudio-admin.md)
+ [Apagar RStudio](rstudio-shutdown.md)
+ [Facturación y costo](rstudio-billing.md)
+ [Diagnosticar problemas y obtener asistencia](rstudio-troubleshooting.md)
# Obtenga una RStudio licencia
RStudio en Amazon SageMaker AI es un producto de pago y requiere que cada usuario tenga la licencia adecuada. Las licencias para RStudio Amazon SageMaker AI se pueden obtener directamente de RStudio PBC o mediante la compra de una suscripción a Posit Workbench on Marketplace. AWS Las licencias se emiten sin costo adicional para los clientes actuales de Posit Workbench Enterprise. Para usar una RStudio licencia con Amazon SageMaker AI, primero debe tener registrada una RStudio licencia válida AWS License Manager. En el caso de las licencias adquiridas directamente a través de Rstudio PBC, debe crear una concesión de licencias para su AWS cuenta. Póngase en contacto con nosotros RStudio para comprar licencias directamente o para activar las licencias existentes. AWS License Manager Para obtener más información sobre cómo registrar una licencia con AWS License Manager, consulte [Licencias emitidas por el vendedor en AWS License Manager](https://docs.aws.amazon.com/license-manager/latest/userguide/seller-issued-licenses.html).
Los siguientes temas muestran cómo adquirir y validar una licencia otorgada por RStudio PBC.
**Obtenga una licencia RStudio **
1. Si no tiene una RStudio licencia, puede comprar una en AWS Marketplace o directamente en RStudio PBC.
+ Para comprar una suscripción en AWS Marketplace, complete los pasos para [suscribirse con un contrato de SaaS](https://docs.aws.amazon.com/marketplace/latest/buyerguide/buyer-saas-products.html) buscando **Posit** Team. Para cumplir con la licencia, se le redirigirá a un formulario externo externo al AWS Marketplace. Debe proporcionar información adicional, incluidos el nombre de la empresa y la dirección de correo electrónico. Si no puede acceder a ese formulario para proporcionar el nombre de la empresa y un correo electrónico de contacto, cree un ticket con Posit Support en [https://support.posit. co/hc/en-us/requests/new](https://support.posit.co/hc/en-us/requests/new)con los detalles de su compra.
+ Para comprar directamente en RStudio PBC, dirígete a [RStudio Precios](https://www.rstudio.com/pricing/) o [ponte en contacto con sales@rstudio.com.](mailto:sales@rstudio.com) Al comprar o actualizar una RStudio licencia, debes proporcionar la AWS cuenta que alojará tu dominio de Amazon SageMaker AI.
Si ya tiene una RStudio licencia, póngase RStudio en contacto con su representante de RStudio ventas o [envíe un correo electrónico a sales@rstudio.com](mailto:sales@rstudio.com) para añadir Amazon SageMaker AI a su licencia Posit Workbench Enterprise o para convertir su licencia Posit Workbench Standard. El representante RStudio de ventas le enviará el formulario de pedido electrónico correspondiente.
1. RStudio otorga una licencia de Posit Workbench a su AWS cuenta AWS License Manager en la región EE.UU. Este (Norte de Virginia). Aunque la RStudio licencia se concede en la región EE.UU. Este (Virginia del Norte), la licencia se puede utilizar en cualquier AWS región compatible con Amazon SageMaker AI. RStudio Puede esperar que el proceso de concesión de la licencia se complete en un plazo de tres días laborables después de compartir con usted el ID de su AWS cuenta RStudio.
1. Cuando se conceda esta licencia, recibirá un correo electrónico de su representante de RStudio ventas con instrucciones para aceptar la concesión de la licencia.
**Valide su RStudio licencia para utilizarla con Amazon SageMaker AI**
1. Inicia sesión en la AWS License Manager consola en la misma región que tu dominio de Amazon SageMaker AI. Si es la primera vez que lo utiliza AWS License Manager , AWS License Manager le solicitará que conceda permiso de uso AWS License Manager.
1. Seleccione **Comenzar a usar el administrador AWS de licencias**.
1. Seleccione `I grant AWS License Manager the required permissions` y, a continuación, **Conceder permisos**.
1. Navegue hasta **Licencias concedidas** en el panel izquierdo.
1. Seleccione la licencia concedida con `RSW-SageMaker` como `Product name` y seleccione **Ver**.
1. En la página de detalles de la licencia, seleccione **Aceptar y activar la licencia**.
**RStudio panel administrativo**
Puede utilizar el panel de RStudio administración para ver el número de usuarios de la licencia siguiendo los pasos que se indican[Utilice el panel RStudio administrativo](rstudio-admin.md).
# RStudio Control de versiones
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
En esta guía se proporciona información sobre la actualización de la `2025.05.1+513.pro3` versión para RStudio SageMaker IA. A partir del 31 de octubre de 2025, se crearán nuevos dominios RStudio compatibles con Posit Workbench la versión`2025.05.1+513.pro3`. Esto es válido para las aplicaciones `RStudioServerPro` y las aplicaciones `RSessionGateway` predeterminadas.
En las siguientes secciones se proporciona información sobre la `2025.05.1+513.pro3` versión.
## Actualización a la versión más reciente
La última RStudio versión es`2025.05.1+513.pro3`.
+ Versiones de R compatibles:
+ 4.5.1
+ 4.4.3
+ 4.4.0
+ 4.3.3
+ 4.2.3
+ 4.2.1
+ 4.1.3
+ 4.0.2
Para obtener más información sobre los cambios en esta versión, consulte [https://docs.posit.co/ide/news/](https://docs.posit.co/ide/news/).
**nota**
Para garantizar la compatibilidad, le recomendamos que utilice un prefijo que coincida RSessions con la versión actualPosit Workbench.
Si ves la siguiente advertencia, significa que hay una discordancia entre la versión utilizada en `RSession` AI y la Posit Workbench versión utilizada RStudio en SageMaker AI. Para resolver este problema, actualiza la RStudio versión del dominio. Para obtener información sobre la actualización de la RStudio versión, consulte[Actualizar a la nueva versión](rstudio-version-upgrade.md).
```
Session version 2024.04.2+764.pro1 does not match server version 2025.05.1+513.pro3 - this is an unsupported configuration, and you may experience unexpected issues as a result.
```
## Control de versiones
Actualmente hay dos versiones Posit Workbench compatibles con SageMaker AI.
+ Última versión: `2025.05.1+513.pro3`
Fecha de caducidad: 5 de diciembre de 2026
+ Versión anterior: `2024.04.2+764.pro1`
Fecha de caducidad: 30 de abril de 2026
**nota**
Si bien puede seguir creando nuevos dominios con la versión anterior `2024.04.2+764.pro1` hasta el 30 de abril de 2026 fijando explícitamente la versión al crear el dominio mediante CLI, recomendamos encarecidamente a los clientes que comiencen a usar la `2025.05` versión en todos los dominios. POSIT ha dejado de proporcionar correcciones de vulnerabilidades para. `2024.04.2+764.pro1`
Las versiones A `2023.03.2-547.pro5` y `2022.02.2-485.pro2` están en desuso y ya no se admiten. Le recomendamos que actualice a la versión más reciente.
La Posit Workbench versión predeterminada que selecciona SageMaker AI depende de la fecha de creación del dominio.
+ Para los dominios creados después del 31 de octubre de 2025, la versión `2025.05.1+513.pro3` es la versión seleccionada por defecto.
+ Para los dominios creados después del 4 de septiembre de 2024 y antes del 31 de octubre de 2025, la versión `2024.04.2+764.pro1` es la versión seleccionada por defecto. Puede actualizar sus dominios a la versión más reiente (`2025.05.1+513.pro3`) estableciéndola como la versión predeterminada del dominio. Para obtener más información, consulte [Actualizar a la nueva versión](rstudio-version-upgrade.md).
**nota**
La versión predeterminada de la aplicación `RSessionGateway` coincide con la versión actual de la aplicación `RStudioServerPro`.
En la siguiente tabla se muestra la imagen de ambas versiones ARNs para cada una de ellas Región de AWS. ARNs Se pasan como parte de un `update-domain` comando para establecer la versión deseada.
| Region | ARN de imagen `2024.04.2+764.pro1` | ARN de imagen `2025.05.1+513.pro3` |
| --- | --- | --- |
| us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-east-1:081325390199:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-east-2:429704687514:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-west-1:742091327244:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:us-west-2:236514542706:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:af-south-1:559312083959:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-east-1:493642496378:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-south-1:394103062818:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:ca-central-1:310906938811:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-central-1:936697816551:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-1:470317259841:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-2:712779665605:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-west-3:615547856133:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-north-1:243637512696:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:eu-south-1:592751261982:image/rstudio-workbench-2025.05-sagemaker-1.0 |
| sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/rstudio-workbench-2024.04-sagemaker-1.1 | arn:aws:sagemaker:sa-east-1:782484402741:image/rstudio-workbench-2025.05-sagemaker-1.0 |
### Cambios en las imágenes BYOI
Si utilizas una imagen de BYOI RStudio y la actualizas a `RStudioServerPro` ella`2025.05.1+513.pro3`, debes actualizar tus imágenes personalizadas para poder usar la `2025.05.1+513.pro3` versión y volver a implementar las existentes. RSessions Si intentas cargar una imagen no compatible en un dominio que utilice RSession la `2025.05.1+513.pro3` versión, se producirá un RSession error porque no podrá analizar los parámetros que recibe. Para evitar errores, actualice todas las imágenes personalizadas implementadas en su aplicación `RStudioServerPro` existente.
El `RSW_VERSION` en Dockerfile debe ser coherente con la Posit Workbench versión utilizada RStudio en la SageMaker IA. Puede validar la versión actual en Posit Workbench. Para ello, utilice el nombre de la versión que se encuentra en la esquina inferior izquierda de la página de inicio de Posit Workbench.
```
ARG RSW_VERSION=2025.05.1+513.pro3
ENV RSTUDIO_FORCE_NON_ZERO_EXIT_CODE="1"
ARG RSW_NAME=rstudio-workbench
ARG OS_CODE_NAME=jammy
ARG RSW_DOWNLOAD_URL=https://s3.amazonaws.com/rstudio-ide-build/server/${OS_CODE_NAME}/amd64
RUN RSW_VERSION_URL=`echo -n "${RSW_VERSION}" | sed 's/+/-/g'` \
&& curl -o rstudio-workbench.deb ${RSW_DOWNLOAD_URL}/${RSW_NAME}-${RSW_VERSION_URL}-amd64.deb \
&& gdebi -n ./rstudio-workbench.deb
```
# Actualizar a la nueva versión
Los dominios existentes que utilizan la versión `2024.04.2+764.pro1` pueden actualizarse a la versión `2025.05.1+513.pro3` de dos maneras:
+ Cree un nuevo dominio a partir de la RStudio opción AWS CLI habilitada.
+ Actualice un dominio existente para utilizar la versión `2025.05.1+513.pro3`.
El siguiente procedimiento muestra cómo eliminar la RStudio aplicación de un dominio existente, establecer la versión predeterminada en y`2025.05.1+513.pro3`, a continuación, crear una RStudio aplicación.
1. Elimine la aplicación `RStudioServerPro` y todas las aplicaciones `RSessionGateway` asociadas a su dominio actual. Para obtener información sobre cómo buscar su ID de dominio, consulte [Visualización de dominios](domain-view.md). Para obtener más información sobre cómo eliminar aplicaciones, consulte [Apagar RStudio](rstudio-shutdown.md).
```
aws sagemaker delete-app \
--region region \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
1. Si su dominio usa la RStudio versión`2024.04.2+764.pro1`, actualice el dominio para `2025.05.1+513.pro3` establecerlo como la Posit Workbench versión predeterminada. El `SageMakerImageArn` valor del siguiente `update-domain` comando especifica la RStudio `2025.05.1+513.pro3` versión como predeterminada. Este ARN debe coincidir con la Region en la que se encuentra su dominio. Para obtener una lista de todas las disponibles ARNs, consulte[Control de versiones](rstudio-version.md#rstudio-version-new).
Pase un ARN de rol de ejecución para el dominio que proporcione permisos para actualizar el dominio.
```
aws sagemaker update-domain \
--region region \
--domain-id domainId \
--domain-settings-for-update "{\"RStudioServerProDomainSettingsForUpdate\":{\"DefaultResourceSpec\": {\"SageMakerImageArn\": \"arn-for-2025.05.1+513.pro3-version\", \"InstanceType\": \"system\"}, \"DomainExecutionRoleArn\": \"execution-role-arn\"}}"
```
1. Cree una nueva aplicación `RStudioServerPro` en el dominio existente.
```
aws sagemaker create-app \
--region region
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
La aplicación `RStudioServerPro` se actualiza ahora a la versión `2025.05.1+513.pro3`. Ahora puede volver a iniciar sus aplicaciones `RSessionGateway`.
# Bajar a una versión anterior
Puede degradar manualmente la versión de su RStudio aplicación existente a la `2024.04.2+764.pro1` versión.
**Para cambiar a una versión anterior**
1. Elimine la aplicación `RStudioServerPro` asociada a su dominio existente. Para obtener información sobre cómo buscar su ID de dominio, consulte [Visualización de dominios](domain-view.md).
```
aws sagemaker delete-app \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
1. Pase el ARN `2024.04.2+764.pro1` correspondiente a su Region como parte del comando `update-domain`. Para obtener una lista de todas las disponibles ARNs, consulte[Control de versiones](rstudio-version.md#rstudio-version-new). También debe pasar un ARN de rol de ejecución para el dominio que proporcione permisos para actualizar el dominio.
```
aws sagemaker update-domain \
--region region \
--domain-id domainId \
--domain-settings-for-update "{\"RStudioServerProDomainSettingsForUpdate\":{\"DefaultResourceSpec\": {\"SageMakerImageArn\": \"arn-for-2024.04.2+764.pro1-version\", \"InstanceType\": \"system\"}, \"DomainExecutionRoleArn\": \"execution-role-arn\"}}"
```
1. Cree una nueva aplicación `RStudioServerPro` en el dominio existente. La RStudio versión predeterminada es. `2024.04.2+764.pro1`
```
aws sagemaker create-app \
--domain-id domainId \
--user-profile-name domain-shared \
--app-type RStudioServerPro \
--app-name default
```
La aplicación `RStudioServerPro` se actualiza ahora a la versión `2024.04.2+764.pro1`.
# Red y almacenamiento
En el siguiente tema, se describen las consideraciones sobre el acceso a la red y el almacenamiento de datos para la RStudio instancia. Para obtener información general sobre el acceso a la red y el almacenamiento de datos cuando se utiliza Amazon SageMaker AI, consulte[Protección de datos en Amazon SageMaker AI](data-protection.md).
**Volumen de Amazon EFS**
RStudio en Amazon SageMaker AI comparte un volumen de Amazon EFS con la aplicación Amazon SageMaker Studio Classic del dominio. Cuando la RStudio aplicación se añade a un dominio, SageMaker AI crea una carpeta con el nombre `shared` en el directorio Amazon EFS. Si esta `shared` carpeta se elimina o se modifica manualmente, es posible que la RStudio aplicación deje de funcionar. Para obtener más información sobre el volumen de Amazon EFS, consulte [Administre su volumen de almacenamiento de Amazon EFS en Amazon SageMaker Studio Classic](studio-tasks-manage-storage.md).
**Paquetes y scripts instalados**
Los paquetes que se instalan desde dentro RStudio se refieren al nivel del perfil de usuario. Esto significa que el paquete instalado persiste durante el RSession cierre, el reinicio y en todos los perfiles RSessions de usuario en los que esté instalado. Los scripts R que se guardan en RSessions se comportan de la misma manera. Tanto los paquetes como los scripts de R se guardan en el volumen de Amazon EFS del usuario.
**Cifrado**
RStudio en Amazon SageMaker AI admite el cifrado en reposo.
**Uso RStudio en modo solo VPC**
RStudio en Amazon, la SageMaker IA admite [AWS PrivateLink](https://docs.aws.amazon.com/vpc/latest/userguide/endpoint-services-overview.html)la integración. Con esta integración, puede utilizar RStudio la SageMaker IA en modo solo VPC sin acceso directo a Internet. Cuando utiliza el RStudio modo solo VPC, el servicio administra automáticamente sus grupos de seguridad. Esto incluye la conectividad entre usted RServer y su. RSessions
Se requiere lo siguiente para su uso RStudio en el modo solo VPC. Para obtener más información sobre la selección de una VPC, consulte [Elección de una Amazon VPC](onboard-vpc.md).
+ Una subred privada con acceso a Internet para realizar una llamada a Amazon SageMaker AI & License Manager o a los puntos de conexión de Amazon Virtual Private Cloud (Amazon VPC) para SageMaker Amazon AI y License Manager.
+ El dominio no puede tener más de dos grupos de seguridad asociados.
+ Un ID de grupo de seguridad para su uso con el dominio en la configuración del dominio. Esto debe permitir todos los accesos salientes.
+ Un ID de grupo de seguridad para su uso con el punto de conexión de Amazon VPC. Este grupo de seguridad debe permitir el tráfico entrante desde el ID del grupo de seguridad del dominio.
+ Amazon VPC Endpoint para `sagemaker.api` y. AWS License Manager Debe estar en la misma Amazon VPC que la subred privada.
# RStudioServerPro tipo de instancia
A la hora de decidir qué tipo de instancia de Amazon EC2 utilizar para la RStudio ServerPro aplicación, el factor principal a tener en cuenta es el ancho de banda. El ancho de banda es importante porque la RStudio ServerPro instancia es responsable de ofrecer la RStudio interfaz de usuario a todos los usuarios. Esto incluye flujos de trabajo intensivos para la interfaz de usuario, como la generación de ilustraciones y animaciones y la visualización de muchas filas de datos. Por tanto, es posible que se produzca una cierta degradación del rendimiento de la interfaz de usuario en función de la carga de trabajo de todos los usuarios. Los siguientes son los tipos de instancias disponibles que puede usar en su caso RStudioServerPro. Para obtener información sobre los precios de estas instancias, consulta [Amazon SageMaker Pricing](https://aws.amazon.com/sagemaker/pricing/).
+ `system`: se recomienda este tipo de instancia para dominios con poco uso de la interfaz de usuario.
**nota**
El valor `system` se traduce a `ml.t3.medium`.
+ `ml.c5.4xlarge`: este tipo de instancia se recomienda para dominios con uso moderado de la interfaz de usuario.
+ `ml.c5.9xlarge`: se recomienda este tipo de instancia para dominios con uso intenso de la interfaz de usuario.
**Cambiar el tipo de RStudio instancia**
Para cambiar su tipo de instancia RStudioServerPro, pase el nuevo tipo de instancia como parte de una llamada al comando `update-domain` CLI. A continuación, debe eliminar la RStudio ServerPro aplicación existente mediante el comando `delete-app` CLI y crear una nueva RStudio ServerPro aplicación mediante el comando `create-app` CLI.
# Añadir una URL de RStudio Connect
RStudio Connect es una plataforma de publicación para aplicaciones Shiny, informes de R Markdown, paneles, gráficos y más. RStudio Connect facilita la obtención de información sobre aprendizaje automático y ciencia de datos al hacer que el alojamiento de contenido sea simple y escalable. Si tiene un servidor RStudio Connect, puede configurar el servidor como el lugar predeterminado donde se publican las aplicaciones. Para obtener más información sobre RStudio Connect, consulte [RStudio Connect](https://www.rstudio.com/products/connect/).
Cuando te incorporas a un dominio de RStudio on Amazon SageMaker AI, no se crea un servidor RStudio Connect. Puede crear un servidor RStudio Connect en una instancia de Amazon EC2 para usar el dominio Connect with SageMaker Amazon AI. Para obtener información sobre cómo configurar el servidor RStudio Connect, consulte [Host RStudio Connect y Package Manager for ML development RStudio en Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/host-rstudio-connect-and-package-manager-for-ml-development-in-rstudio-on-amazon-sagemaker/).
**Añadir una URL de RStudio Connect**
Si tienes una URL de RStudio Connect, puedes actualizar la URL predeterminada para que tus RStudio usuarios puedan publicar en ella.
1. Vaya a la página **Dominios**.
1. Seleccione el dominio que desee.
1. Seleccione **Configuración del dominio**.
1. En **Configuración general**, seleccione **Editar**.
1. En la nueva página, selecciona **RStudio Configuración** en la parte izquierda.
1. En **RStudio Connect URL**, introduzca la URL de RStudio Connect que desee añadir.
1. Seleccione **Enviar**.
**CLI**
Puedes establecer una URL de RStudio Connect predeterminada al crear tu dominio. La única forma de actualizar tu URL de RStudio Connect desde el AWS CLI es eliminar tu dominio y crear uno nuevo con la URL de RStudio Connect actualizada.
# Actualizar la URL RStudio del Package Manager
RStudio Package Manager es un servidor de administración de repositorios que se utiliza para organizar y centralizar los paquetes en toda la organización. Para obtener más información sobre RStudio Package Manager, consulte [RStudio Package Manager](https://www.rstudio.com/products/package-manager/). Si no proporciona su propia URL de Package Manager, el dominio Amazon SageMaker AI utilizará el repositorio predeterminado de Package Manager al incorporarlo RStudio siguiendo los pasos que se indican[Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md). Para obtener más información, consulte [Host RStudio Connect y Package Manager para el desarrollo de ML RStudio en Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/host-rstudio-connect-and-package-manager-for-ml-development-in-rstudio-on-amazon-sagemaker/). En el siguiente procedimiento se muestra cómo actualizar la URL del Administrador de paquetes.
**Actualizar la URL de Package Manager**
Puede actualizar la URL de Package Manager utilizada para su dominio RStudio habilitado de la siguiente manera.
1. Vaya a la página **Dominios**.
1. Seleccione el dominio que desee.
1. Seleccione **Configuración del dominio**.
1. En **Configuración general**, seleccione **Editar**.
1. En la nueva página, selecciona **RStudio Configuración** en el lado izquierdo.
1. En **RStudio Package Manager**, introduce la URL de tu RStudio Package Manager.
1. Seleccione **Enviar**.
**CLI**
La única forma de actualizar la URL de Package Manager desde el AWS CLI es eliminar el dominio y crear uno nuevo con la URL actualizada del Package Manager.
# Cree un dominio Amazon SageMaker AI RStudio con el AWS CLI
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
En el siguiente tema se muestra cómo incorporarse a un dominio de Amazon SageMaker AI con la RStudio opción habilitada mediante AWS CLI. Para realizar la incorporación mediante el Consola de administración de AWS, consulte[Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Requisitos previos
+ Instalar y configurar [AWS CLI versión 2](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv2.html)
+ Configurar [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-quickstart.html#cli-configure-quickstart-config) con las credenciales de IAM
## Crear el rol `DomainExecution`
Para iniciar la RStudio aplicación, debe proporcionar un `DomainExecution` rol. Esta función se utiliza para determinar si es RStudio necesario lanzarlo como parte de la creación de dominios de Amazon SageMaker AI. Amazon SageMaker AI también utiliza esta función para acceder a la RStudio licencia y enviar RStudio registros.
**nota**
El `DomainExecution` rol debe tener al menos AWS License Manager permisos para acceder a la RStudio licencia y CloudWatch permisos para insertar registros en su cuenta.
El siguiente procedimiento muestra cómo crear el rol `DomainExecution` con AWS CLI.
1. Cree un archivo llamado `assume-role-policy.json` con el siguiente contenido.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Action": "sts:AssumeRole",
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com"
]
}
}
]
}
```
------
1. Cree el rol `DomainExecution`. `` debería ser la región de AWS en la que se inicia el dominio.
```
aws iam create-role --region --role-name DomainExecution --assume-role-policy-document file://assume-role-policy.json
```
1. Cree un archivo llamado `domain-setting-policy.json` con el siguiente contenido. Esta política permite que la RStudio ServerPro aplicación acceda a los recursos necesarios y que Amazon SageMaker AI lance automáticamente una RStudio ServerPro aplicación cuando la RStudio ServerPro aplicación existente esté en `Failed` estado `Deleted` o.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "VisualEditor0",
"Effect": "Allow",
"Action": [
"license-manager:ExtendLicenseConsumption",
"license-manager:ListReceivedLicenses",
"license-manager:GetLicense",
"license-manager:CheckoutLicense",
"license-manager:CheckInLicense",
"logs:CreateLogDelivery",
"logs:CreateLogGroup",
"logs:CreateLogStream",
"logs:DeleteLogDelivery",
"logs:Describe*",
"logs:GetLogDelivery",
"logs:GetLogEvents",
"logs:ListLogDeliveries",
"logs:PutLogEvents",
"logs:PutResourcePolicy",
"logs:UpdateLogDelivery",
"sagemaker:CreateApp"
],
"Resource": "*"
}
]
}
```
------
1. Cree la política de configuración de dominio asociada al rol `DomainExecution`. Tenga en cuenta el `PolicyArn` de la respuesta. Deberá introducir ese ARN en los siguientes pasos.
```
aws iam create-policy --region --policy-name domain-setting-policy --policy-document file://domain-setting-policy.json
```
1. Asocie `domain-setting-policy` al rol `DomainExecution`. Utilice el `PolicyArn` devuelto en el paso anterior.
```
aws iam attach-role-policy --role-name DomainExecution --policy-arn
```
## Crea un dominio Amazon SageMaker AI con RStudio la aplicación
La RStudio ServerPro aplicación se inicia automáticamente al crear un dominio de Amazon SageMaker AI mediante el comando `create-domain` CLI con el `RStudioServerProDomainSettings` parámetro especificado. Al iniciar la RStudio ServerPro aplicación, Amazon SageMaker AI comprueba si hay una RStudio licencia válida en la cuenta y no crea el dominio si no se encuentra la licencia.
La creación de un dominio Amazon SageMaker AI varía según el método de autenticación y el tipo de red. Estas opciones deben utilizarse juntas, con un método de autenticación y una tipo de conexión de red seleccionados. Para obtener más información sobre los requisitos para crear un dominio nuevo, consulte [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html).
Se admiten los siguientes métodos de autenticación:
+ `IAM Auth`
+ `SSO Auth`
Se admiten los siguientes tipos de conexión de red:
+ `PublicInternet`
+ `VPCOnly`
### Métodos de autenticación
**Modo de autenticación IAM**
A continuación, se muestra cómo crear un dominio de Amazon SageMaker AI con RStudio activado y un tipo de `IAM Auth` red. Para obtener más información AWS Identity and Access Management, consulte [¿Qué es la IAM?](https://docs.aws.amazon.com/IAM/latest/UserGuide/introduction.html) .
+ `DomainExecutionRoleArn` debe ser el ARN del rol creado en el paso anterior.
+ `ExecutionRole`es el ARN del rol asignado a los usuarios en el dominio Amazon SageMaker AI.
+ `vpc-id`debe ser el ID de su Amazon Virtual Private Cloud. `subnet-ids`debe ser una lista de subredes separadas por espacios. IDs [Para obtener información acerca de las subredes `vpc-id` y`subnet-ids`, consulte VPCs las subredes y.](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `RStudioPackageManagerUrl`y `RStudioConnectUrl` son opcionales y deben configurarse en URLs los servidores RStudio Package Manager y RStudio Connect, respectivamente.
+ `app-network-access-type` debe ser `PublicInternetOnly` o `VPCOnly`.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode IAM \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type
```
**Autenticación mediante el Centro de identidades de IAM**
A continuación, se muestra cómo crear un dominio de Amazon SageMaker AI con RStudio activado y un tipo de `SSO Auth` red. AWS IAM Identity Center debe estar habilitado en la región en la que se lanza el dominio. Para obtener más información sobre el Centro de identidad de IAM, consulte [¿Qué es? AWS IAM Identity Center](https://docs.aws.amazon.com/singlesignon/latest/userguide/what-is.html) .
+ `DomainExecutionRoleArn` debe ser el ARN del rol creado en el paso anterior.
+ `ExecutionRole`es el ARN del rol asignado a los usuarios en el dominio Amazon SageMaker AI.
+ `vpc-id`debe ser el ID de su Amazon Virtual Private Cloud. `subnet-ids`debe ser una lista de subredes separadas por espacios. IDs [Para obtener información acerca de las subredes `vpc-id` y`subnet-ids`, consulte VPCs las subredes y.](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `RStudioPackageManagerUrl`y `RStudioConnectUrl` son opcionales y deben configurarse en URLs los servidores RStudio Package Manager y RStudio Connect, respectivamente.
+ `app-network-access-type` debe ser `PublicInternetOnly` o `VPCOnly`.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode SSO \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type
```
### Tipos de conexión
**PublicInternet/Tipo de red de Internet directo**
A continuación, se muestra cómo crear un dominio de Amazon SageMaker AI con RStudio activado y un tipo de `PublicInternet` red.
+ `DomainExecutionRoleArn` debe ser el ARN del rol creado en el paso anterior.
+ `ExecutionRole`es el ARN del rol asignado a los usuarios en el dominio Amazon SageMaker AI.
+ `vpc-id`debe ser el ID de su Amazon Virtual Private Cloud. `subnet-ids`debe ser una lista de subredes separadas por espacios. IDs [Para obtener información acerca de las subredes `vpc-id` y`subnet-ids`, consulte VPCs las subredes y.](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `RStudioPackageManagerUrl`y `RStudioConnectUrl` son opcionales y deben configurarse en URLs los servidores RStudio Package Manager y RStudio Connect, respectivamente.
+ `auth-mode` debe ser `SSO` o `IAM`.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode \
--default-user-settings ExecutionRole= \
--domain-settings RStudioServerProDomainSettings={RStudioPackageManagerUrl=<,RStudioConnectUrl=<,DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids \
--app-network-access-type PublicInternetOnly
```
**VPCOnly mode**
A continuación, se muestra cómo lanzar un dominio de Amazon SageMaker AI con RStudio activado y un tipo de `VPCOnly` red. Para obtener más información sobre el uso del tipo de acceso de red `VPCOnly`, consulte [Conexión de cuadernos de Studio en una VPC a recursos externos](studio-notebooks-and-internet-access.md).
+ `DomainExecutionRoleArn` debe ser el ARN del rol creado en el paso anterior.
+ `ExecutionRole`es el ARN del rol asignado a los usuarios en el dominio Amazon SageMaker AI.
+ `vpc-id`debe ser el ID de su Amazon Virtual Private Cloud. `subnet-ids`debe ser una lista de subredes separadas por espacios. IDs Su subred privada debe poder acceder a Internet para realizar una llamada a Amazon SageMaker AI AWS License Manager o tener puntos de enlace de Amazon VPC para Amazon SageMaker AI y. AWS License Manager[Para obtener información sobre los puntos de enlace de Amazon VPC, consulte Interface Los puntos de enlace de [Amazon VPC. Para obtener información sobre `vpc-id` las subredes](https://docs.aws.amazon.com/vpc/latest/privatelink/vpce-interface.html) y, consulte, y. `subnet-ids` VPCs ](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_Subnets.html)
+ `SecurityGroups`debe permitir el acceso saliente a Amazon SageMaker AI y a los puntos AWS License Manager finales.
+ `auth-mode` debe ser `SSO` o `IAM`.
**nota**
Cuando utilice puntos de conexión de Amazon Virtual Private Cloud, el grupo de seguridad asociado a sus puntos de conexión de Amazon Virtual Private Cloud debe permitir el tráfico entrante desde el grupo de seguridad que pase como parte del parámetro `domain-setting` de la llamada de `create-domain` CLI.
Con RStudio Amazon SageMaker AI gestiona los grupos de seguridad por ti. Esto significa que Amazon SageMaker AI gestiona las reglas de los grupos de seguridad para garantizar RSessions el acceso a RStudio ServerPro las aplicaciones. Amazon SageMaker AI crea una regla de grupo de seguridad por perfil de usuario.
```
aws sagemaker create-domain --region --domain-name \
--auth-mode \
--default-user-settings SecurityGroups=,ExecutionRole= \
--domain-settings SecurityGroupIds=,RStudioServerProDomainSettings={DomainExecutionRoleArn=} \
--vpc-id \
--subnet-ids "" \
--app-network-access-type VPCOnly --app-security-group-management Service
```
Nota: La RStudio ServerPro aplicación se inicia mediante un perfil de usuario especial denominado`domain-shared`. Por ello, ningún otro perfil de usuario devuelve esta aplicación como parte de las llamadas de la API `list-app`.
Puede que tenga que aumentar la cuota de VPC de Amazon en su cuenta para incrementar el número de usuarios. Para obtener más información, consulte [Cuotas de VPC de Amazon](https://docs.aws.amazon.com/vpc/latest/userguide/amazon-vpc-limits.html#vpc-limits-security-groups).
## Comprobación de la creación del dominio
Utilice el siguiente comando para comprobar que el dominio se haya creado con un `Status` de `InService`. El `domain-id` se añade al ARN del dominio. Por ejemplo, `arn:aws:sagemaker:::domain/`.
```
aws sagemaker describe-domain --domain-id --region
```
# Agrega RStudio soporte a un dominio existente
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Si has añadido una RStudio licencia mediante AWS License Manager, puedes crear un nuevo dominio de Amazon SageMaker AI compatible con SageMaker IA. RStudio Si ya tienes un dominio que no es compatible RStudio, puedes añadir RStudio soporte a ese dominio sin tener que eliminarlo ni volver a crearlo.
En el siguiente tema se explica cómo añadir esta compatibilidad.
## Requisitos previos
Debes completar los siguientes pasos antes de actualizar tu dominio actual para añadir compatibilidad con SageMaker IA. RStudio
+ Instalar y configurar [AWS CLI versión 2](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv2.html)
+ Configurar [AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-quickstart.html#cli-configure-quickstart-config) con las credenciales de IAM
+ Cree una función de ejecución de dominio siguiendo los pasos de [Crear un dominio de SageMaker IA RStudio con el AWS CLI](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-create-cli.html#rstudio-create-cli-domainexecution). La aplicación requiere este rol de IAM a nivel de dominio. RStudio ServerPro El rol requiere acceso a AWS License Manager para verificar una licencia válida de Posit Workbench y a Amazon CloudWatch Logs para publicar los registros del servidor.
+ [Utilice su RStudio licencia para AWS License Manager seguir los pasos que se indican en la licencia. RStudio](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-license.html)
+ (Opcional) Si quieres usarlo RStudio en `VPCOnly` modo, completa los pasos que se indican solo [RStudio en VPC](https://docs.aws.amazon.com/sagemaker/latest/dg/rstudio-network.html).
+ Asegúrese de que los grupos de seguridad que ha configurado para cada uno [UserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)de sus dominios cumplan con las cuotas a nivel de cuenta. Al configurar el perfil de usuario predeterminado durante la creación del dominio, puede utilizar el `DefaultUserSettings` parámetro de la [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)API para añadir los `SecurityGroups` que hereden todos los perfiles de usuario creados en el dominio. También puede proporcionar grupos de seguridad adicionales para un usuario específico como parte del `UserSettings` parámetro de la [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)API. Si ha añadido grupos de seguridad de esta manera, debe asegurarse de que el número total de grupos de seguridad por perfil de usuario no supera la cuota máxima de 2 en modo `VPCOnly` y 4 en modo `PublicInternetOnly`. Si el número total resultante de grupos de seguridad para cualquier perfil de usuario supera la cuota, puede combinar las reglas de varios grupos de seguridad en un solo grupo de seguridad.
## Agregue RStudio soporte a un dominio existente
Una vez que hayas completado los requisitos previos, puedes añadir RStudio soporte a tu dominio actual. En los siguientes pasos se describe cómo actualizar tu dominio existente para añadirlo a él. RStudio
### Paso 1: eliminar todas las aplicaciones del dominio
Para añadir compatibilidad a tu dominio, SageMaker AI debe actualizar los grupos de seguridad subyacentes de todos los perfiles de usuario existentes. RStudio Para ello, tendrá que eliminar y volver a crear todas las aplicaciones existentes en el dominio. El siguiente procedimiento muestra cómo eliminar todas las aplicaciones.
1. Enumere todas las aplicaciones del dominio.
```
aws sagemaker \
list-apps \
--domain-id-equals
```
1. Elimine todas las aplicaciones de todos los perfiles de usuario del dominio.
```
// JupyterServer apps
aws sagemaker \
delete-app \
--domain-id \
--user-profile-name \
--app-type JupyterServer \
--app-name
// KernelGateway apps
aws sagemaker \
delete-app \
--domain-id \
--user-profile-name \
--app-type KernelGateway \
--app-name
```
### Paso 2: Actualice todos los perfiles de usuario con la nueva lista de grupos de seguridad
Se trata de una acción única que debe realizar para todos los perfiles de usuario existentes en el dominio una vez que se hayan refactorizado los grupos de seguridad existentes. Esto evita llegar a la cuota del número máximo de grupos de seguridad. La llamada a la `UpdateUserProfile` API falla si el usuario tiene alguna aplicación en [InService](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeApp.html#sagemaker-DescribeApp-response-Status)estado. Elimine todas las aplicaciones y, a continuación, llame a la API `UpdateUserProfile` para actualizar los grupos de seguridad.
**nota**
El siguiente requisito para el `VPCOnly` modo descrito en [Connect Amazon SageMaker Studio Classic Notebooks in a VPC to External](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-and-internet-access.html#studio-notebooks-and-internet-access-vpc-only) Resources ya no es necesario al RStudio añadir soporte`AppSecurityGroupManagement`, ya que lo gestiona SageMaker el servicio de IA:
"[Tráfico TCP en el grupo de seguridad](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/security-group-rules-reference.html#sg-rules-other-instances). Esto es necesario para la conectividad entre la JupyterServer aplicación y las KernelGateway aplicaciones. Debe permitir el acceso al menos a los puertos del rango `8192-65535`”.
```
aws sagemaker \
update-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
### Paso 3: Actívala RStudio llamando a la UpdateDomain API
1. Llama a la [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)API para añadir compatibilidad RStudio con la SageMaker IA. El parámetro `defaultusersettings` solo es necesario si han refactorizado los grupos de seguridad predeterminados para los perfiles de usuario.
+ Para el modo `VPCOnly`:
```
aws sagemaker \
update-domain \
--domain-id \
--app-security-group-management Service \
--domain-settings-for-update RStudioServerProDomainSettingsForUpdate={DomainExecutionRoleArn=} \
--default-user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
+ Para el modo `PublicInternetOnly`:
```
aws sagemaker \
update-domain \
--domain-id \
--domain-settings-for-update RStudioServerProDomainSettingsForUpdate={DomainExecutionRoleArn=} \
--default-user-settings "{\"SecurityGroups\": [\"\", \"\"]}"
```
1. Compruebe que el estado del dominio sea `InService`. Cuando el estado del dominio sea`InService`, se añadirá RStudio la compatibilidad con SageMaker IA.
```
aws sagemaker \
describe-domain \
--domain-id
```
1. Comprueba que el estado de la RStudio ServerPro aplicación esté `InService` utilizando el siguiente comando.
```
aws sagemaker list-apps --user-profile-name domain-shared
```
### Paso 4: Añadir RStudio acceso para los usuarios existentes
Como parte de la actualización del paso 3, la SageMaker IA marca todos los perfiles RStudio [AccessStatus](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_RStudioServerProAppSettings.html#sagemaker-Type-RStudioServerProAppSettings-AccessStatus)de usuario existentes en el dominio como `DISABLED` predeterminados. Esto evita superar el número de usuarios que permite su licencia actual. Para añadir acceso a usuarios existentes deberá seguir un paso de suscripción único. Para realizar la suscripción, llama a la [UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html)API con lo siguiente: [RStudioServerProAppSettings](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UserSettings.html#sagemaker-Type-UserSettings-RStudioServerProAppSettings)
+ `AccessStatus` = `ENABLED`
+ *Opcional* - `UserGroup` = `R_STUDIO_USER` o `R_STUDIO_ADMIN`
```
aws sagemaker \
update-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"RStudioServerProAppSettings\": {\"AccessStatus\": \"ENABLED\"}}"
```
**nota**
De forma predeterminada, el número de usuarios a los que se puede acceder RStudio es de 60.
### Paso 5: Desactivar el RStudio acceso para los nuevos usuarios
A menos que se especifique lo contrario al llamar`UpdateDomain`, la RStudio asistencia se añade de forma predeterminada a todos los nuevos perfiles de usuario que se creen después de añadir la compatibilidad RStudio con SageMaker IA. Para desactivar el acceso en un perfil de usuario nuevo debe establecer explícitamente el parámetro `AccessStatus` en `DISABLED` como parte de la llamada a la API `CreateUserProfile`. Si no se especifica el parámetro `AccessStatus` como parte de la API `CreateUserProfile`, el estado de acceso predeterminado es `ENABLED`.
```
aws sagemaker \
create-user-profile \
--domain-id \
--user-profile-name \
--user-settings "{\"RStudioServerProAppSettings\": {\"AccessStatus\": \"DISABLED\"}}"
```
# Imágenes personalizadas RStudio sin SageMaker IA
Una SageMaker imagen es un archivo que identifica los paquetes de idiomas y otras dependencias que se requieren para ejecutarse RStudio en Amazon SageMaker AI. SageMaker La IA utiliza estas imágenes para crear un entorno en el que puedas correr RStudio. Amazon SageMaker AI proporciona una RStudio imagen integrada para que la utilices. Si necesita una funcionalidad diferente, puede llevar sus propias imágenes personalizadas. Esta página proporciona información sobre los conceptos clave para usar imágenes personalizadas con RStudio SageMaker IA. El proceso para crear tu propia imagen y utilizarla con RStudio la SageMaker IA consta de tres pasos:
1. Cree una imagen personalizada a partir de un Dockerfile y envíela a un repositorio de Amazon Elastic Container Registry (Amazon ECR).
1. Cree una SageMaker imagen que apunte a una imagen de contenedor en Amazon ECR y adjúntela a su dominio de Amazon SageMaker AI.
1. Inicie una nueva sesión RStudio con su imagen personalizada.
Puedes crear imágenes y versiones de imágenes y adjuntar versiones de imágenes a tu dominio mediante el panel de control de SageMaker IA [AWS SDK para Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html), el y el [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/). También puedes crear imágenes y versiones de imágenes con la consola de SageMaker IA, incluso si no te has incorporado a ningún dominio.
En los siguientes temas se muestra cómo incorporar tu propia imagen a RStudio la SageMaker IA creando, adjuntando y lanzando una imagen personalizada.
## Terminología clave
En la siguiente sección, se definen los términos clave para usar tu propia imagen con RStudio la SageMaker IA.
+ **Dockerfile:** un Dockerfile es un archivo que identifica los paquetes de idioma y otras dependencias de la imagen de Docker.
+ **Imagen de Docker:** la imagen de Docker es un Dockerfile compilado. Esta imagen está registrada en Amazon ECR y sirve de base para la imagen de SageMaker IA.
+ **SageMaker imagen:** una SageMaker imagen es el soporte para un conjunto de versiones de SageMaker imágenes basadas en imágenes de Docker.
+ **Versión de imagen:** una versión de imagen de una SageMaker imagen representa una imagen de Docker que es compatible RStudio y está almacenada en un repositorio de Amazon ECR. Cada versión de imagen es inmutable. Estas versiones de imágenes se pueden adjuntar a un dominio y utilizar con IA RStudio . SageMaker
# Cómo completar los requisitos previos de
Debes cumplir los siguientes requisitos previos antes de usar tu propia imagen RStudio en Amazon SageMaker AI.
+ Si ya tienes un dominio RStudio que se creó antes del 7 de abril de 2022, debes eliminar tu RStudio ServerPro aplicación y volver a crearla. Para obtener información sobre cómo eliminar una aplicación, consulte [Cierre y actualice Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
+ Instale la aplicación Docker. Para obtener información sobre cómo configurar Docker, consulte [Orientación y configuración](https://docs.docker.com/get-started/).
+ Crea una copia local de un Dockerfile RStudio compatible que funcione con IA. SageMaker Para obtener información sobre cómo crear un RStudio dockerfile de muestra, consulte [Usar una imagen personalizada para incorporar su propio entorno de desarrollo a RStudio Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/use-a-custom-image-to-bring-your-own-development-environment-to-rstudio-on-amazon-sagemaker/).
+ Utilice un rol AWS Identity and Access Management de ejecución que tenga la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política adjunta. Si te has incorporado a un dominio, puedes obtener el rol en la sección de **resumen del dominio** del panel de control de la SageMaker IA.
Añada los siguientes permisos para que el servicio Amazon Elastic Container Registry (Amazon ECR) acceda al rol de ejecución.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement":[
{
"Sid": "VisualEditor0",
"Effect":"Allow",
"Action":[
"ecr:CreateRepository",
"ecr:BatchGetImage",
"ecr:CompleteLayerUpload",
"ecr:DescribeImages",
"ecr:DescribeRepositories",
"ecr:UploadLayerPart",
"ecr:ListImages",
"ecr:InitiateLayerUpload",
"ecr:BatchCheckLayerAvailability",
"ecr:PutImage"
],
"Resource": "*"
}
]
}
```
------
+ Instálalo y configura AWS CLI con la siguiente versión (o una versión superior). Para obtener información sobre la instalación de AWS CLI, consulte [Instalación o actualización de la versión más reciente de AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
```
AWS CLI v1 >= 1.23.6
AWS CLI v2 >= 2.6.2
```
# Especificaciones RStudio de imagen personalizadas
En esta guía, aprenderás las especificaciones de RStudio imagen personalizadas para usarlas cuando traigas tu propia imagen. Hay dos conjuntos de requisitos que debes cumplir con tu RStudio imagen personalizada para utilizarla con Amazon SageMaker AI. Estos requisitos los imponen RStudio PBC y la plataforma Amazon SageMaker Studio Classic. Si no se cumple uno de estos conjuntos de requisitos, la imagen personalizada no funcionará correctamente.
## RStudio Requisitos de PBC
RStudio Los requisitos de PBC se describen en el artículo [Uso de imágenes de Docker con RStudio Workbench RStudio /Server Pro, Launcher](https://support.rstudio.com/hc/en-us/articles/360019253393-Using-Docker-images-with-RStudio-Server-Pro-Launcher-and-Kubernetes) y Kubernetes. Sigue las instrucciones de este artículo para crear la base de tu imagen personalizada. RStudio
Para obtener instrucciones sobre cómo instalar varias versiones de R en la imagen personalizada, consulte [Instalación de varias versiones de R en Linux](https://support.rstudio.com/hc/en-us/articles/215488098).
## Requisitos de Amazon SageMaker Studio Classic
Amazon SageMaker Studio Classic impone el siguiente conjunto de requisitos de instalación para la RStudio imagen.
+ Debe utilizar una imagen RStudio base de al menos`2025.05.1+513.pro3`. Para obtener más información, consulte [RStudio Control de versiones](rstudio-version.md).
+ Debe instalar los siguientes paquetes:
```
yum install -y sudo \
openjdk-11-jdk \
libpng-dev \
&& yum clean all \
&& /opt/R/${R_VERSION}/bin/R -e "install.packages('reticulate', repos='https://packagemanager.rstudio.com/cran/__linux__/centos7/latest')" \
&& /opt/python/${PYTHON_VERSION}/bin/pip install --upgrade \
'boto3>1.0<2.0' \
'awscli>1.0<2.0' \
'sagemaker[local]<3'
```
+ Debe proporcionar valores predeterminados para los valores de entorno `RSTUDIO_CONNECT_URL` y `RSTUDIO_PACKAGE_MANAGER_URL`.
```
ENV RSTUDIO_CONNECT_URL "YOUR_CONNECT_URL"
ENV RSTUDIO_PACKAGE_MANAGER_URL "YOUR_PACKAGE_MANAGER_URL"
ENV RSTUDIO_FORCE_NON_ZERO_EXIT_CODE 1
```
Las siguientes especificaciones generales se aplican a la imagen que se representa mediante una versión de RStudio imagen.
**Ejecutar la imagen**
`ENTRYPOINT`y `CMD` las instrucciones se anulan para que la imagen se ejecute como una RSession aplicación.
**Detener la imagen**
La API `DeleteApp` emite el equivalente de un comando `docker stop`. Los demás procesos del contenedor no recibirán las SIGKILL/SIGTERM señales.
**Sistema de archivos**
Los directorios `/opt/.sagemakerinternal` y `/opt/ml` están reservados. Es posible que los datos de estos directorios no estén visibles en tiempo de ejecución.
**Datos de usuario**
Cada usuario de un dominio de SageMaker IA obtiene un directorio de usuarios en un volumen compartido de Amazon Elastic File System en la imagen. La ubicación del directorio del usuario actual en el volumen de Amazon EFS es `/home/sagemaker-user`.
**Metadatos**
Hay un archivo de metadatos en `/opt/ml/metadata/resource-metadata.json`. No se añaden variables de entorno adicionales a las variables definidas en la imagen. Para obtener más información, consulte [Obtener metadatos de aplicaciones](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app).
**GPU**
En una instancia de GPU, la imagen se ejecuta con la opción `--gpus`. Solo debe incluirse el kit de herramientas CUDA en la imagen, no en los controladores NVIDIA. Para obtener más información, consulte la [Guía del usuario de NVIDIA](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/user-guide.html).
**Métricas y registro**
Los registros del RSession proceso se envían a Amazon CloudWatch en la cuenta del cliente. El nombre del grupo de registro es `/aws/sagemaker/studio`. El nombre del flujo de registro. es `$domainID/$userProfileName/RSession/$appName`.
**Tamaño de imagen**
El tamaño de la imagen está limitado a 25 GB. Para ver el tamaño de la imagen, ejecute `docker image ls`.
# Crea una RStudio imagen personalizada
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
En este tema se describe cómo se puede crear una RStudio imagen personalizada mediante la consola de SageMaker IA y el AWS CLI. Si usa el AWS CLI, debe ejecutar los pasos desde su máquina local. Los siguientes pasos no funcionan desde Amazon SageMaker Studio Classic.
Al crear una imagen, la SageMaker IA también crea una versión inicial de la imagen. La versión de la imagen representa una imagen de contenedor en [Amazon Elastic Container Registry (ECR)](https://console.aws.amazon.com/ecr/). La imagen del contenedor debe cumplir los requisitos para ser utilizada RStudio. Para obtener más información, consulte [Especificaciones RStudio de imagen personalizadas](rstudio-byoi-specs.md).
Para obtener información sobre cómo probar la imagen localmente y resolver problemas comunes, consulta el [repositorio de muestras de imágenes personalizadas de SageMaker Studio](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md).
**Topics**
+ [Añadir una imagen de contenedor RStudio Docker SageMaker compatible con IA a Amazon ECR](#rstudio-byoi-sdk-add-container-image)
+ [Cree una SageMaker imagen desde la consola](#rstudio-byoi-create-console)
+ [Crea una imagen a partir del AWS CLI](#rstudio-byoi-create-cli)
## Añadir una imagen de contenedor RStudio Docker SageMaker compatible con IA a Amazon ECR
Siga estos pasos para agregar una imagen de contenedor de Docker a Amazon ECR:
+ Cree un repositorio de Amazon ECR.
+ Autentíquese en Amazon ECR.
+ Cree una imagen de Docker compatible con la IA SageMaker . RStudio
+ Cargue la imagen en el repositorio de Amazon ECR.
**nota**
El repositorio de Amazon ECR debe estar en el mismo lugar Región de AWS que su dominio.
**Para crear y añadir una imagen de Docker a Amazon ECR**
1. Cree un repositorio de Amazon ECR usando AWS CLI. Para crear el repositorio mediante la consola de Amazon ECR, consulte [Crear un repositorio](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--repository-name rstudio-custom \
--image-scanning-configuration scanOnPush=true
```
Respuesta:
```
{
"repository": {
"repositoryArn": "arn:aws:ecr:us-east-2:acct-id:repository/rstudio-custom",
"registryId": "acct-id",
"repositoryName": "rstudio-custom",
"repositoryUri": "acct-id.dkr.ecr.us-east-2.amazonaws.com/rstudio-custom",
...
}
}
```
1. Autentíquese en Amazon ECR mediante el URI del repositorio devuelto como respuesta del comando `create-repository`. Asegúrese de que la aplicación Docker se está ejecutando. Para obtener más información, consulte [Autenticación del registro](https://docs.aws.amazon.com/AmazonECR/latest/userguide/Registries.html#registry_auth).
```
aws ecr get-login-password | \
docker login --username AWS --password-stdin
```
Respuesta:
```
Login Succeeded
```
1. Cree la imagen de Docker. Ejecute el siguiente comando desde el directorio que incluye el Dockerfile.
```
docker build .
```
1. Etiquete la imagen creada con una etiqueta única.
```
docker tag ":"
```
1. Cargue la imagen de contenedor en el repositorio de Amazon ECR. Para obtener más información, consulte [ImagePush](https://docs.docker.com/engine/api/v1.40/#operation/ImagePush)[Empujar una imagen](https://docs.aws.amazon.com/AmazonECR/latest/userguide/docker-push-ecr-image.html).
```
docker push :
```
Respuesta:
```
The push refers to repository [.dkr.ecr.us-east-2.amazonaws.com/rstudio-custom]
r: digest: size: 3066
```
## Cree una SageMaker imagen desde la consola
**Para crear una imagen**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administrador**, elija **Imágenes**.
1. En la página **Imágenes personalizadas**, elija **Crear imagen**.
1. Para **Fuente de imagen**, introduzca la ruta de registro de la imagen de contenedor en Amazon ECR. La ruta tiene el siguiente formato:
` acct-id.dkr.ecr.region.amazonaws.com/repo-name[:tag] or [@digest] `
1. Seleccione **Siguiente**.
1. En **Propiedades de imagen**, introduzca lo siguiente:
+ Nombre de imagen: el nombre debe ser exclusivo de su cuenta en la Región de AWS actual.
+ (Opcional) Nombre para mostrar de la imagen: nombre que se muestra en la interfaz de usuario del dominio. Cuando no se proporciona, se muestra `Image name`.
+ (Opcional) Descripción: descripción de la imagen.
+ Función de IAM: la función debe tener la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política adjunta. Utilice el menú desplegable para elegir una de las opciones siguientes:
+ Crear un nuevo rol: especifique cualquier bucket adicional de Amazon Simple Storage Service (Amazon S3) al que desee que accedan los usuarios de blocs de notas. Si no desea permitir el acceso a buckets adicionales, elija **Ninguno**.
SageMaker La IA vincula la `AmazonSageMakerFullAccess` política a la función. El rol permite a los usuarios de blocs de notas acceder a los buckets de Amazon S3 que aparecen junto a las marcas de verificación.
+ Introduzca un ARN de rol de IAM personalizado: introduzca el nombre de recurso de Amazon (ARN) de su rol de IAM.
+ Usar rol existente: elija uno de los roles existentes de la lista.
+ (Opcional) Etiquetas de imagen: elija **Añadir nueva etiqueta**. Puede añadir hasta 50 etiquetas. Las etiquetas se pueden buscar mediante la consola de SageMaker IA o la `Search` API de SageMaker IA.
1. En **Tipo de imagen**, selecciona RStudio imagen.
1. Elija **Enviar**.
La nueva imagen se muestra en la lista **Imágenes personalizadas** y se resalta brevemente. Una vez creada correctamente la imagen, puede elegir el nombre de la imagen para ver sus propiedades o elegir **Crear versión** para crear otra versión.
**Para crear otra versión de la imagen**
1. Elija **Crear versión** en la misma fila que la imagen.
1. Para **Fuente de imagen**, introduzca la ruta de registro de la imagen de Amazon ECR. La imagen no debe ser la misma que se usó en una versión anterior de la imagen de SageMaker IA.
Para usar la imagen personalizada RStudio, debes adjuntarla a tu dominio. Para obtener más información, consulte [Adjunta una SageMaker imagen personalizada](rstudio-byoi-attach.md).
## Crea una imagen a partir del AWS CLI
En esta sección se muestra cómo crear una SageMaker imagen de Amazon personalizada con AWS CLI.
Siga los siguientes pasos para crear una SageMaker imagen:
+ Cree una `Image`.
+ Cree una `ImageVersion`.
+ Cree un archivo de configuración.
+ Cree una `AppImageConfig`.
**Para crear las entidades SageMaker de imagen**
1. Cree una SageMaker imagen. El ARN del rol debe tener asociada como mínimo la política `AmazonSageMakerFullAccessPolicy`.
```
aws sagemaker create-image \
--image-name rstudio-custom-image \
--role-arn arn:aws:iam:::role/service-role/
```
Respuesta:
```
{
"ImageArn": "arn:aws:sagemaker:us-east-2:acct-id:image/rstudio-custom-image"
}
```
1. Cree una versión SageMaker de imagen a partir de la imagen. Pase el valor de etiqueta exclusivo que eligió al insertar la imagen en Amazon ECR.
```
aws sagemaker create-image-version \
--image-name rstudio-custom-image \
--base-image :
```
Respuesta:
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/rstudio-image/1"
}
```
1. Compruebe que la versión de la imagen se ha creado correctamente.
```
aws sagemaker describe-image-version \
--image-name rstudio-custom-image \
--version 1
```
Respuesta:
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/rstudio-custom-image/1",
"ImageVersionStatus": "CREATED"
}
```
**nota**
Si la respuesta es `"ImageVersionStatus": "CREATED_FAILED"`, también incluye el motivo del error. Un problema de permisos es una causa común de error. También puedes consultar tus Amazon CloudWatch Logs. El nombre del grupo de registro es `/aws/sagemaker/studio`. El nombre del flujo de registro es `$domainID/$userProfileName/KernelGateway/$appName`.
1. Cree un archivo de configuración llamado `app-image-config-input.json`. La configuración de la imagen de la aplicación se utiliza para configurar la ejecución de una SageMaker imagen como una aplicación de Kernel Gateway.
```
{
"AppImageConfigName": "rstudio-custom-config"
}
```
1. Cree la AppImageConfig misma con el archivo que creó en el paso anterior.
```
aws sagemaker create-app-image-config \
--cli-input-json file://app-image-config-input.json
```
Respuesta:
```
{
"AppImageConfigArn": "arn:aws:sagemaker:us-east-2:acct-id:app-image-config/r-image-config"
}
```
# Adjunta una SageMaker imagen personalizada
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
En esta guía se muestra cómo adjuntar una RStudio imagen personalizada a tu dominio de Amazon SageMaker AI mediante la consola SageMaker AI o el AWS Command Line Interface (AWS CLI).
Para usar una SageMaker imagen personalizada, debes adjuntar una RStudio imagen personalizada a tu dominio. Al adjuntar una versión de imagen, aparece en el RStudio lanzador y está disponible en la lista desplegable **Seleccionar imagen**. Utiliza el menú desplegable para cambiar la imagen utilizada por. RStudio
Hay un límite en el número de versiones de la imagen que se pueden asociar. Una vez alcanzado el límite, debe eliminar una versión para asociar otra versión de la imagen.
**Topics**
+ [Asociación de una versión de la imagen a un dominio mediante la consola](#rstudio-byoi-attach-console)
+ [Adjunta una versión de imagen existente a tu dominio mediante la AWS CLI](#rstudio-byoi-attach-cli)
## Asociación de una versión de la imagen a un dominio mediante la consola
Puedes adjuntar una versión de SageMaker imagen personalizada a tu dominio mediante el panel de control de la consola de SageMaker IA. También puedes crear una SageMaker imagen personalizada y una versión de imagen y, a continuación, adjuntar esa versión a tu dominio.
**Para asociar una imagen existente**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. Seleccione el dominio que desee.
1. Seleccione **Entorno**.
1. En **Imágenes de Custom SageMaker Studio Classic adjuntas al dominio**, selecciona **Adjuntar imagen**.
1. Para **Fuente de imagen**, elija **Imagen existente** o **Nueva imagen**.
Si seleccionas **Imagen existente**, elige una imagen de la tienda de SageMaker imágenes de Amazon.
Si selecciona **Nueva imagen**, proporcione la ruta de registro de Amazon ECR para la imagen de Docker. La ruta debe estar en la misma Región de AWS que el dominio. El repositorio de Amazon ECR debe estar en la misma cuenta que su dominio, o bien deben estar habilitados los permisos multicuenta para la SageMaker IA.
1. Elija en la lista una imagen existente.
1. Elija una versión de la imagen en la lista.
1. Elija **Siguiente**.
1. Introduzca valores para **Nombre de la imagen**, **Nombre para mostrar de la imagen** y **descripción**.
1. Elija el rol de IAM. Para obtener más información, consulte [Crea una RStudio imagen personalizada](rstudio-byoi-create.md).
1. (Opcional) Agregue etiquetas para la imagen.
1. (Opcional) Elija **Añadir nueva etiqueta** y, a continuación, agregue una etiqueta de configuración.
1. **En **Tipo de imagen, selecciona Imagen**. RStudio**
1. Elija **Enviar**.
Espere a que la versión de la imagen se asocie al dominio. Cuando se asocie la versión, aparecerá en la lista **Imágenes personalizadas** y se resaltará brevemente.
## Adjunta una versión de imagen existente a tu dominio mediante la AWS CLI
Hay dos métodos para asociar la versión de la imagen al dominio mediante la AWS CLI. En el primer método, creará un nuevo dominio con la versión asociada. Este método es más sencillo, pero debe especificar la información y el rol de ejecución de Amazon Virtual Private Cloud (Amazon VPC) necesarios para crear el dominio.
Si ya se ha incorporado al dominio, puede emplear el segundo método para asociar la versión de la imagen al dominio actual. En este caso, no es necesario especificar la información y el rol de ejecución de Amazon VPC. Después de adjuntar la versión, elimina todas las aplicaciones de tu dominio y vuelve a RStudio iniciarlas.
### Adjunta la SageMaker imagen a un dominio nuevo
Para usar este método, debe especificar una función de ejecución que tenga la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)política adjunta.
Siga los siguientes pasos para crear el dominio y adjuntar la imagen de SageMaker IA personalizada:
+ Obtenga su ID de VPC y su subred predeterminados. IDs
+ Cree el archivo de configuración para el dominio, que especifica la imagen.
+ Creación del dominio con el archivo de configuración.
**Para añadir la SageMaker imagen personalizada a tu dominio**
1. Obtenga su ID de VPC predeterminado.
```
aws ec2 describe-vpcs \
--filters Name=isDefault,Values=true \
--query "Vpcs[0].VpcId" --output text
```
Respuesta:
```
vpc-xxxxxxxx
```
1. Obtenga su subred predeterminada IDs con el ID de VPC del paso anterior.
```
aws ec2 describe-subnets \
--filters Name=vpc-id,Values= \
--query "Subnets[*].SubnetId" --output json
```
Respuesta:
```
[
"subnet-b55171dd",
"subnet-8a5f99c6",
"subnet-e88d1392"
]
```
1. Cree un archivo de configuración llamado `create-domain-input.json`. Inserte el ID de VPC, la subred y IDs uno `ImageName` `AppImageConfigName` de los pasos anteriores. Dado que no se especifica `ImageVersionNumber`, se utiliza la versión más reciente de la imagen, que es la única versión en este caso. El rol de ejecución debe cumplir los requisitos de [Cómo completar los requisitos previos de](rstudio-byoi-prerequisites.md).
```
{
"DomainName": "domain-with-custom-r-image",
"VpcId": "",
"SubnetIds": [
""
],
"DomainSettings": {
"RStudioServerProDomainSettings": {
"DomainExecutionRoleArn": ""
}
},
"DefaultUserSettings": {
"ExecutionRole": "",
"RSessionAppSettings": {
"CustomImages": [
{
"AppImageConfigName": "rstudio-custom-config",
"ImageName": "rstudio-custom-image"
}
]
}
},
"AuthMode": "IAM"
}
```
1. Cree el dominio con la imagen personalizada SageMaker adjunta.
```
aws sagemaker create-domain \
--cli-input-json file://create-domain-input.json
```
Respuesta:
```
{
"DomainArn": "arn:aws:sagemaker:region:acct-id:domain/domain-id",
"Url": "https://domain-id.studio.region.sagemaker.aws/..."
}
```
### Adjunta la SageMaker imagen a un dominio existente
En este método se da por sentado que ya se ha incorporado al dominio. Para obtener más información, consulte [Descripción general del dominio Amazon SageMaker AI](gs-studio-onboard.md).
**nota**
Debe eliminar todas las aplicaciones del dominio antes de actualizarlo con la nueva versión de la imagen. Para obtener información acerca de cómo eliminar estas aplicaciones, consulte[Eliminar un dominio de Amazon SageMaker AI](gs-studio-delete-domain.md).
Sigue los siguientes pasos para añadir la SageMaker imagen a tu dominio actual.
+ Consíguelo `DomainID` desde la consola de SageMaker IA.
+ Utilice el `DomainID` para obtener el `DefaultUserSettings` para el dominio.
+ Agregue el `ImageName` y la `AppImageConfig` como una `CustomImage` a la `DefaultUserSettings`.
+ Actualice el dominio para incluir la imagen personalizada.
**Para añadir la SageMaker imagen personalizada a tu dominio**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. Seleccione el dominio que desee.
1. Seleccione **Configuración del dominio**.
1. En **Configuración general**, busque el **ID del dominio**. El ID tendrá el siguiente formato: `d-xxxxxxxxxxxx`.
1. Utilice el ID de dominio para obtener la descripción del dominio.
```
aws sagemaker describe-domain \
--domain-id
```
Respuesta:
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Guardar la sección `DefaultUserSettings` de la respuesta en un archivo denominado `update-domain-input.json`.
1. Inserte el `ImageName` y la `AppImageConfigName` de los pasos anteriores como imagen personalizada. Dado que no se especifica `ImageVersionNumber`, se utiliza la versión más reciente de la imagen, que es la única versión en este caso.
```
{
"DefaultUserSettings": {
"RSessionAppSettings": {
"CustomImages": [
{
"ImageName": "rstudio-custom-image",
"AppImageConfigName": "rstudio-custom-config"
}
]
}
}
}
```
1. Utilice el ID de dominio y el archivo de configuración de usuario predeterminado para actualizar el dominio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://update-domain-input.json
```
Respuesta:
```
{
"DomainArn": "arn:aws:sagemaker:region:acct-id:domain/domain-id"
}
```
1. Elimine la aplicación `RStudioServerPro`. Debe reiniciar la aplicación de `RStudioServerPro` dominio compartido para que la interfaz de usuario del RStudio Launcher recoja los cambios más recientes.
```
aws sagemaker delete-app \
--domain-id --user-profile-name domain-shared \
--app-type RStudioServerPro --app-name default
```
1. Cree una nueva aplicación `RStudioServerPro`. Debe crear esta aplicación mediante AWS CLI.
```
aws sagemaker create-app \
--domain-id --user-profile-name domain-shared \
--app-type RStudioServerPro --app-name default
```
# Lanza una imagen personalizada en SageMaker RStudio
Puedes usar tu imagen personalizada al lanzar una RStudio aplicación desde la consola. Tras crear la SageMaker imagen personalizada y adjuntarla a tu dominio, la imagen aparecerá en el cuadro de diálogo del selector de imágenes del RStudio lanzador. Para iniciar una nueva RStudio aplicación, sigue los pasos que se indican [RSessions Lánzalo desde el RStudio lanzador](rstudio-launcher.md) y selecciona tu imagen personalizada, tal y como se muestra en la siguiente imagen.
![\[Captura de pantalla del RStudio lanzador con un menú desplegable de imágenes.\]](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/images/rstudio-launcher-custom.png)
# Limpiar recursos de imagen
Esta guía muestra cómo limpiar los recursos de RStudio imagen que creó en las secciones anteriores. Para eliminar una imagen, complete los siguientes pasos utilizando la consola SageMaker AI o la AWS CLI, como se muestra en esta guía.
+ Separa la imagen y las versiones de las imágenes de tu dominio de Amazon SageMaker AI.
+ Elimine la imagen, la versión de la imagen y la configuración de imágenes de la aplicación.
Cuando complete estos pasos puede eliminar la imagen de contenedor y el repositorio de Amazon ECR. Para obtener más información sobre cómo eliminar la imagen de contenedor y el repositorio, consulte [Eliminar un repositorio](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-delete.html).
## Limpie los recursos de la consola de SageMaker IA
Al desasociar una imagen de un dominio, se desasocian todas las versiones de la imagen. Cuando se desasocia una imagen, todos los usuarios del dominio pierden el acceso a las versiones de imagen.
**Para eliminar una imagen**
1. Abre la consola Amazon SageMaker AI en [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. En el panel de navegación izquierdo, seleccione **Configuraciones de administración**.
1. En **Configuraciones de administración**, elija **Dominios**.
1. Seleccione el dominio que desee.
1. Seleccione **Entorno**.
1. En **Imágenes personalizadas asociadas al dominio**, elija la imagen y, a continuación, elija **Desasociar**.
1. (Opcional) Para eliminar la imagen y todas las versiones de SageMaker AI, selecciona **Eliminar también las imágenes seleccionadas...** . Esto no elimina las imágenes asociadas de Amazon ECR.
1. Elija **Desasociar**.
## Limpie los recursos del AWS CLI
**Cómo limpiar los recursos**
1. Desasocie la imagen y las versiones de imagen del dominio pasando una lista de imágenes personalizadas vacía al dominio. Abra el archivo `update-domain-input.json` que creó en [Adjunta la SageMaker imagen a tu dominio actual](studio-byoi-attach.md#studio-byoi-sdk-attach-current-domain).
1. Elimine las imágenes personalizadas de `RSessionAppSettings` y, a continuación, guarde el archivo. No modifique las imágenes personalizadas de `KernelGatewayAppSettings`.
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
},
"RSessionAppSettings": {
"CustomImages": [
],
"DefaultResourceSpec": {
}
...
}
}
}
```
1. Utilice el ID de dominio y el archivo de configuración de usuario predeterminado para actualizar el dominio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://update-domain-input.json
```
Respuesta:
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
1. Elimine la configuración de imágenes de la aplicación.
```
aws sagemaker delete-app-image-config \
--app-image-config-name rstudio-image-config
```
1. Elimine la SageMaker imagen, lo que también eliminará todas las versiones de la imagen. Las imágenes de contenedor de Amazon ECR representadas por las versiones de imagen no se eliminan.
```
aws sagemaker delete-image \
--image-name rstudio-image
```
# Crea un usuario para usarlo RStudio
**importante**
Las políticas de IAM personalizadas que permiten a Amazon SageMaker Studio o Amazon SageMaker Studio Classic crear SageMaker recursos de Amazon también deben conceder permisos para añadir etiquetas a esos recursos. El permiso para añadir etiquetas a los recursos es necesario porque Studio y Studio Classic etiquetan automáticamente todos los recursos que crean. Si una política de IAM permite a Studio y Studio Classic crear recursos, pero no permite el etiquetado, se pueden producir errores de tipo AccessDenied «» al intentar crear recursos. Para obtener más información, consulte [Proporcione permisos para etiquetar los recursos de SageMaker IA](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS políticas gestionadas para Amazon SageMaker AI](security-iam-awsmanpol.md)que otorgan permisos para crear SageMaker recursos ya incluyen permisos para añadir etiquetas al crear esos recursos.
Una vez que se ejecute tu dominio Amazon SageMaker AI RStudio habilitado, puedes añadir perfiles de usuario (UserProfiles) al dominio. En los temas siguientes se muestra cómo crear perfiles de usuario que estén autorizados a usar RStudio, así como cómo actualizar un perfil de usuario existente. Para obtener información sobre cómo eliminar una RStudio aplicación o un dominio, sigue los pasos de [Eliminar un dominio de Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-delete-domain.html). UserProfile
**nota**
El límite del número total de dominios UserProfiles de Amazon SageMaker AI es de 60.
Existen dos tipos de usuarios:
+ No autorizado: este usuario no puede acceder a la RStudio aplicación.
+ Autorizado: este usuario puede acceder a la RStudio aplicación y utilizar uno de los puestos de RStudio licencia. De forma predeterminada, un usuario nuevo es `Authorized` si el dominio está habilitado para RStudio.
Solo se puede cambiar el estado de autorización de un usuario de `Unauthorized` a`Authorized`. Si un usuario está autorizado, se le puede conceder uno de los siguientes niveles de acceso RStudio.
+ RStudio Usuario: se trata de un RStudio usuario estándar al que puede acceder RStudio.
+ RStudio Administrador: el administrador de tu dominio de Amazon SageMaker AI tiene la capacidad de crear usuarios, añadir usuarios existentes y actualizar los permisos de los usuarios existentes. Los administradores también pueden acceder al panel RStudio administrativo. Sin embargo, este administrador no puede actualizar los parámetros gestionados por Amazon SageMaker AI.
## Métodos para crear un usuario
En los siguientes temas se muestra cómo crear un usuario en tu dominio de Amazon SageMaker AI RStudio habilitado.
**Cree una consola de usuario**
Para crear un usuario en su dominio Amazon SageMaker AI RStudio habilitado desde la consola, complete los pasos que se indican a continuación. [Adición de perfiles de usuario](domain-user-profile-add.md)
**Crear CLI de usuario**
El siguiente comando muestra cómo añadir usuarios a un dominio de Amazon SageMaker AI con autenticación de IAM. Un usuario puede pertenecer al grupo de usuarios `R_STUDIO_USER` o al grupo de `R_STUDIO_ADMIN` usuarios.
```
aws sagemaker create-user-profile --region \
--domain-id \
--user-profile-name \
--user-settings RStudioServerProAppSettings={UserGroup=}
```
El siguiente comando muestra cómo añadir usuarios a un dominio de Amazon SageMaker AI con autenticación mediante IAM Identity Center. Un usuario puede pertenecer al grupo de usuarios `R_STUDIO_USER` o al grupo de `R_STUDIO_ADMIN` usuarios.
```
aws sagemaker create-user-profile --region \
--domain-id \
--user-profile-name \
--user-settings RStudioServerProAppSettings={UserGroup=} \
--single-sign-on-user-identifier UserName \
--single-sign-on-user-value
```
# Inicie sesión RStudio como otro usuario