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. # 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 [Lanza 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.