Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# SageMaker Emplois sur ordinateur portable
Vous pouvez utiliser Amazon SageMaker AI pour créer, former et déployer de manière interactive des modèles d'apprentissage automatique à partir de votre bloc-notes Jupyter dans n'importe quel environnement. JupyterLab Toutefois, il existe différents scénarios dans lesquels vous pouvez exécuter votre bloc-notes en tant que tâche planifiée non interactive. Par exemple, vous pouvez peut-être créer des rapports d’audit réguliers qui analysent toutes les tâches d’entraînement exécutées sur une certaine période et analysent la valeur commerciale du déploiement de ces modèles en production. Ou vous pouvez peut-être augmenter une tâche d'ingénierie des fonctionnalités après avoir testé la logique de transformation des données sur un petit sous-ensemble de données. Autres cas d'utilisation courants :
+ Planification des tâches pour la surveillance de la dérive des modèles
+ Exploration de l’espace des paramètres pour de meilleurs modèles
Dans ces scénarios, vous pouvez utiliser SageMaker Notebook Jobs pour créer une tâche non interactive (que l' SageMaker IA exécute en tant que tâche de formation sous-jacente) à exécuter à la demande ou selon un calendrier. SageMaker Notebook Jobs fournit une interface utilisateur intuitive qui vous permet de planifier vos tâches directement JupyterLab en choisissant le widget Notebook Jobs (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/icons/notebook-schedule.png)) dans votre bloc-notes. Vous pouvez également planifier vos tâches à l'aide du SDK SageMaker AI Python, qui offre la flexibilité de planifier plusieurs tâches de bloc-notes dans un flux de travail en pipeline. Vous pouvez exécuter plusieurs blocs-notes en parallèle et paramétrer les cellules de vos blocs-notes afin de personnaliser les paramètres d’entrée.
Cette fonctionnalité tire parti des services Amazon EventBridge, SageMaker Training et Pipelines et peut être utilisée dans votre bloc-notes Jupyter dans l'un des environnements suivants :
+ Instances Studio, Studio Lab, Studio Classic ou de bloc-notes
+ Configuration locale, telle que votre machine locale, sur laquelle vous exécutez JupyterLab
**Conditions préalables**
Pour planifier une tâche de bloc-notes, vérifiez que vous respectez les critères suivants :
+ Assurez-vous que votre bloc-notes Jupyter et tous les scripts d’initialisation ou de démarrage sont autonomes en ce qui concerne le code et les packages logiciels. Dans le cas contraire, votre tâche non interactive risque de générer des erreurs.
+ Vérifiez [Contraintes et considérations](notebook-auto-run-constraints.md) pour vous assurer que vous avez correctement configuré votre bloc-notes Jupyter, les paramètres réseau et les paramètres du conteneur.
+ Assurez-vous que votre bloc-notes peut accéder aux ressources externes nécessaires, telles que les clusters Amazon EMR.
+ Si vous configurez la fonctionnalité Tâches de bloc-notes dans un bloc-notes Jupyter local, terminez l'installation. Pour obtenir des instructions, consultez [Guide d’installation](scheduled-notebook-installation.md).
+ Si vous vous connectez à un cluster Amazon EMR dans votre bloc-notes et que vous souhaitez paramétrer votre commande de connexion Amazon EMR, vous devez appliquer une solution de contournement en utilisant des variables d’environnement pour transmettre des paramètres. Pour en savoir plus, consultez [Connexion à un cluster Amazon EMR à partir de votre bloc-notes](scheduled-notebook-connect-emr.md).
+ Si vous vous connectez à un cluster Amazon EMR à l'aide de l'authentification Kerberos, LDAP ou HTTP Basic Auth, vous devez utiliser le AWS Secrets Manager pour transmettre vos informations de sécurité à votre commande de connexion Amazon EMR. Pour en savoir plus, consultez [Connexion à un cluster Amazon EMR à partir de votre bloc-notes](scheduled-notebook-connect-emr.md).
+ (Facultatif) Si vous souhaitez que l'interface utilisateur précharge un script à exécuter au démarrage du bloc-notes, votre administrateur doit l'installer à l'aide d'une configuration de cycle de vie (LCC). Pour obtenir des informations sur l’utilisation d’un script LCC, consultez [Personnalisation d’une instance de bloc-notes à l’aide d’un script de configuration de cycle de vie](https://docs.aws.amazon.com/sagemaker/latest/dg/notebook-lifecycle-config.html).
# Guide d’installation
Vous trouverez ci-dessous des informations sur ce que vous devez installer pour utiliser Notebook Jobs dans votre JupyterLab environnement.
**Pour Amazon SageMaker Studio et Amazon SageMaker Studio Lab**
Si votre bloc-notes se trouve dans Amazon SageMaker Studio ou Amazon SageMaker Studio Lab, vous n'avez pas besoin d'effectuer d'installation supplémentaire : SageMaker Notebook Jobs est intégré à la plateforme. Pour configurer les autorisations requises pour Studio, consultez [Configuration de politiques et d’autorisations pour Studio](scheduled-notebook-policies-studio.md).
**Pour les bloc-notes Jupyter locaux**
Si vous souhaitez utiliser SageMaker Notebook Jobs pour votre JupyterLab environnement local, vous devez effectuer une installation supplémentaire.
Pour installer SageMaker Notebook Jobs, procédez comme suit :
1. Installez Python 3. Pour plus d’informations, consultez [Installation de Python 3 et des packages Python](https://www.codecademy.com/article/install-python3).
1. Installez JupyterLab la version 4 ou supérieure. Pour plus de détails, consultez la [documentation du JupyterLab SDK](https://jupyterlab.readthedocs.io/en/stable/getting_started/installation.html).
1. Installez le AWS CLI. Pour plus d'informations, consultez [Installation ou mise à jour de la dernière version d' AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
1. Installez deux ensembles d’autorisations. L'utilisateur IAM a besoin d'autorisations pour soumettre des tâches à l' SageMaker IA, et une fois soumises, la tâche du bloc-notes elle-même assume un rôle IAM qui nécessite des autorisations pour accéder aux ressources en fonction des tâches de la tâche.
1. Si vous n’avez pas encore créé d’utilisateur IAM, consultez [Créer un utilisateur IAM dans votre compte AWS](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_users_create.html).
1. Si vous n'avez pas encore créé votre rôle de tâche de bloc-notes, consultez [Création d'un rôle pour la délégation d'autorisations à un utilisateur IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_create_for-user.html).
1. Attachez les autorisations et la politique d'approbation nécessaires à attacher à votre utilisateur et à votre rôle. Pour step-by-step obtenir des instructions et des informations sur les autorisations, consultez[Installation de politiques et d'autorisations pour les environnements Jupyter locaux](scheduled-notebook-policies-other.md).
1. Générez des AWS informations d'identification pour votre nouvel utilisateur IAM et enregistrez-les dans le fichier d'informations d'identification (\$1/.aws/credentials) de votre environnement. JupyterLab Vous pouvez faire cela dans l'interface de ligne de commande à l'aide de la commande `aws configure`. Pour obtenir des instructions, consultez la section *Définition et affichage des paramètres de configuration à l’aide de commandes* dans [Paramètres des fichiers de configuration et d’informations d’identification](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-files.html).
1. (facultatif) Par défaut, l'extension du planificateur utilise une image SageMaker AI Docker prédéfinie avec Python 2.0. Tout noyau autre que le noyau par défaut utilisé dans le bloc-notes doit être installé dans le conteneur. Si vous souhaitez exécuter votre bloc-notes dans un conteneur ou une image Docker, vous devez créer une image Amazon Elastic Container Registry (Amazon ECR). Pour en savoir plus sur la façon de transférer (push) une image Docker vers un référentiel Amazon ECR, consultez [Pousser une image Docker](https://docs.aws.amazon.com/AmazonECR/latest/userguide/docker-push-ecr-image.html).
1. Ajoutez l' JupyterLab extension pour SageMaker Notebook Jobs. Vous pouvez l'ajouter à votre JupyterLab environnement à l'aide de la commande :`pip install amazon_sagemaker_jupyter_scheduler`. Vous devrez peut-être redémarrer votre serveur Jupyter avec la commande : `sudo systemctl restart jupyter-server`.
1. JupyterLab Commencez par la commande : `jupyter lab`
1. Vérifiez que le widget Tâches de bloc-notes (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/icons/notebook-schedule.png)) apparaît dans la barre des tâches de votre bloc-notes Jupyter.
# Configuration de politiques et d’autorisations pour Studio
Vous devez installer les politiques et les autorisations appropriées avant de planifier votre première exécution de bloc-notes. Vous trouverez ci-dessous des instructions sur la configuration des autorisations suivantes :
+ Relations de confiance entre le rôle et l’exécution de la tâche
+ Autorisations IAM supplémentaires associées au rôle d'exécution des tâches
+ (facultatif) La politique AWS KMS d'autorisation pour utiliser une clé KMS personnalisée
**Important**
Si votre AWS compte appartient à une organisation ayant mis en place des politiques de contrôle des services (SCP), vos autorisations effectives constituent l'intersection logique entre ce qui est autorisé par votre rôle IAM et les politiques utilisateur. SCPs Par exemple, si la politique SCP de votre organisation indique que vous ne pouvez accéder aux ressources que dans `us-east-1` et `us-west-1`, et que vos politiques vous autorisent uniquement à accéder aux ressources dans `us-west-1` et `us-west-2`, en fin de compte, vous pouvez accéder aux ressources uniquement dans `us-west-1`. Si vous souhaitez exercer toutes les autorisations autorisées dans votre rôle et vos politiques utilisateur, celles de votre organisation SCPs doivent accorder le même ensemble d'autorisations que vos propres politiques relatives aux utilisateurs et aux rôles IAM. Pour en savoir plus sur la manière de déterminer vos demandes autorisées, consultez [Identification d'une demande autorisée ou refusée dans un compte](https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_evaluation-logic.html#policy-eval-denyallow).
**Relations d'approbation**
Pour modifier les relations d'approbation, procédez comme suit :
1. Ouvrez la [console IAM](https://console.aws.amazon.com/iam/).
1. Sélectionnez **Roles** (Rôles) dans le panneau de gauche.
1. Recherchez le rôle d'exécution de la tâche pour votre tâche de bloc-notes et choisissez le nom du rôle.
1. Choisissez l’onglet **Relations de confiance**.
1. Choisissez **Modifier la politique d’approbation**.
1. Copiez-collez la politique suivante :
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": "sagemaker.amazonaws.com"
},
"Action": "sts:AssumeRole"
},
{
"Effect": "Allow",
"Principal": {
"Service": "events.amazonaws.com"
},
"Action": "sts:AssumeRole"
}
]
}
```
------
1. Choisissez **Update Policy** (Mettre à jour la politique).
## Autorisations IAM supplémentaires
Il se peut que vous deviez inclure des autorisations IAM supplémentaires dans les situations suivantes :
+ Les rôles de vos tâches de bloc-notes et d'exécution Studio sont différents
+ Vous devez accéder aux ressources Amazon S3 via le point de terminaison d'un VPC S3
+ Vous souhaitez utiliser une clé KMS personnalisée pour chiffrer vos compartiments Amazon S3 d'entrée et de sortie
La discussion suivante fournit les politiques dont vous avez besoin pour chaque cas.
### Autorisations requises si les rôles de vos tâches de bloc-notes et d'exécution Studio sont différents
L’extrait JSON suivant est un exemple de politique que vous devez ajouter aux rôles d’exécution Studio et de tâche de bloc-notes si vous n’utilisez pas le rôle d’exécution Studio comme rôle de tâche de bloc-notes. Passez en revue cette politique et modifiez-la si vous devez restreindre davantage les privilèges.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement":[
{
"Effect":"Allow",
"Action":"iam:PassRole",
"Resource":"arn:aws:iam::*:role/*",
"Condition":{
"StringLike":{
"iam:PassedToService":[
"sagemaker.amazonaws.com",
"events.amazonaws.com"
]
}
}
},
{
"Effect":"Allow",
"Action":[
"events:TagResource",
"events:DeleteRule",
"events:PutTargets",
"events:DescribeRule",
"events:PutRule",
"events:RemoveTargets",
"events:DisableRule",
"events:EnableRule"
],
"Resource":"*",
"Condition":{
"StringEquals":{
"aws:ResourceTag/sagemaker:is-scheduling-notebook-job":"true"
}
}
},
{
"Effect":"Allow",
"Action":[
"s3:CreateBucket",
"s3:PutBucketVersioning",
"s3:PutEncryptionConfiguration"
],
"Resource":"arn:aws:s3:::sagemaker-automated-execution-*"
},
{
"Sid": "S3DriverAccess",
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:GetObject",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::sagemakerheadlessexecution-*"
]
},
{
"Effect":"Allow",
"Action":[
"sagemaker:ListTags"
],
"Resource":[
"arn:aws:sagemaker:*:*:user-profile/*",
"arn:aws:sagemaker:*:*:space/*",
"arn:aws:sagemaker:*:*:training-job/*",
"arn:aws:sagemaker:*:*:pipeline/*"
]
},
{
"Effect":"Allow",
"Action":[
"sagemaker:AddTags"
],
"Resource":[
"arn:aws:sagemaker:*:*:training-job/*",
"arn:aws:sagemaker:*:*:pipeline/*"
]
},
{
"Effect":"Allow",
"Action":[
"ec2:DescribeDhcpOptions",
"ec2:DescribeNetworkInterfaces",
"ec2:DescribeRouteTables",
"ec2:DescribeSecurityGroups",
"ec2:DescribeSubnets",
"ec2:DescribeVpcEndpoints",
"ec2:DescribeVpcs",
"ecr:BatchCheckLayerAvailability",
"ecr:BatchGetImage",
"ecr:GetDownloadUrlForLayer",
"ecr:GetAuthorizationToken",
"s3:ListBucket",
"s3:GetBucketLocation",
"s3:GetEncryptionConfiguration",
"s3:PutObject",
"s3:DeleteObject",
"s3:GetObject",
"sagemaker:DescribeApp",
"sagemaker:DescribeDomain",
"sagemaker:DescribeUserProfile",
"sagemaker:DescribeSpace",
"sagemaker:DescribeStudioLifecycleConfig",
"sagemaker:DescribeImageVersion",
"sagemaker:DescribeAppImageConfig",
"sagemaker:CreateTrainingJob",
"sagemaker:DescribeTrainingJob",
"sagemaker:StopTrainingJob",
"sagemaker:Search",
"sagemaker:CreatePipeline",
"sagemaker:DescribePipeline",
"sagemaker:DeletePipeline",
"sagemaker:StartPipelineExecution"
],
"Resource":"*"
}
]
}
```
------
### Autorisations requises pour accéder aux ressources Amazon S3 via le point de terminaison d'un VPC S3
Si vous exécutez SageMaker Studio en mode VPC privé et que vous accédez à S3 via le point de terminaison VPC S3, vous pouvez ajouter des autorisations à la politique de point de terminaison VPC afin de contrôler quelles ressources S3 sont accessibles via le point de terminaison VPC. Ajoutez les autorisations suivantes à votre politique de point de terminaison de VPC. Vous pouvez modifier la politique si vous devez restreindre davantage les autorisations : par exemple, vous pouvez fournir une spécification plus précise pour le champ `Principal`.
```
{
"Sid": "S3DriverAccess",
"Effect": "Allow",
"Principal": "*",
"Action": [
"s3:GetBucketLocation",
"s3:GetObject",
"s3:ListBucket"
],
"Resource": "arn:aws:s3:::sagemakerheadlessexecution-*"
}
```
Pour plus de détails sur la façon de configurer une politique de point de terminaison de VPC S3, consultez [Pour modifier la politique de point de terminaison de VPC](https://docs.aws.amazon.com/vpc/latest/privatelink/vpc-endpoints-s3.html#edit-vpc-endpoint-policy-s3).
### Autorisations nécessaires pour utiliser une clé KMS personnalisée (facultatif)
Par défaut, les compartiments Amazon S3 d'entrée et de sortie sont chiffrés à l'aide d'un chiffrement côté serveur, mais vous pouvez spécifier une clé KMS personnalisée pour chiffrer vos données dans le compartiment Amazon S3 de sortie et le volume de stockage attaché à la tâche de bloc-notes.
Si vous souhaitez utiliser une clé KMS personnalisée, joignez la politique suivante et fournissez votre propre ARN de clé KMS.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect":"Allow",
"Action":[
"kms:Encrypt",
"kms:Decrypt",
"kms:ReEncrypt*",
"kms:GenerateDataKey*",
"kms:DescribeKey",
"kms:CreateGrant"
],
"Resource":"arn:aws:kms:us-east-1:111122223333:key/key-id"
}
]
}
```
------
# Installation de politiques et d'autorisations pour les environnements Jupyter locaux
Vous devez configurer les autorisations et les politiques nécessaires pour planifier des tâches de bloc-notes dans un environnement Jupyter local. L'utilisateur IAM a besoin d'autorisations pour soumettre des tâches à l' SageMaker IA et le rôle IAM assumé par la tâche de bloc-notes elle-même nécessite des autorisations pour accéder aux ressources, en fonction des tâches de la tâche. Vous trouverez ci-dessous des instructions sur la configuration des autorisations et des politiques nécessaires.
Vous devez installer deux ensembles d’autorisations. Le schéma suivant montre la structure d’autorisation qui vous permet de planifier des tâches de bloc-notes dans un environnement Jupyter local. L'utilisateur IAM doit configurer les autorisations IAM afin de soumettre des tâches à SageMaker AI. Une fois que l’utilisateur a soumis la tâche de bloc-notes, la tâche elle-même endosse un rôle IAM qui nécessite des autorisations pour accéder aux ressources en fonction des tâches de la tâche.
![\[\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/notebook-jobs-permissions.png)
Les sections suivantes vous aident à installer les politiques et les autorisations nécessaires à la fois pour l’utilisateur IAM et pour le rôle d’exécution de tâche.
## Autorisations des utilisateurs IAM
**Autorisations pour soumettre des offres d'emploi à l' SageMaker IA**
Pour ajouter des autorisations pour soumettre des tâches, procédez comme suit :
1. Ouvrez la [console IAM](https://console.aws.amazon.com/iam/).
1. Sélectionnez **Utilisateurs** dans le panneau de gauche.
1. Trouvez l'utilisateur IAM pour votre tâche de bloc-notes et choisissez le nom d'utilisateur.
1. Choisissez **Ajouter des autorisations**, puis **Créer une politique en ligne** dans le menu déroulant.
1. Choisissez l’onglet **JSON**.
1. Copiez-collez la politique suivante :
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "EventBridgeSchedule",
"Effect": "Allow",
"Action": [
"events:TagResource",
"events:DeleteRule",
"events:PutTargets",
"events:DescribeRule",
"events:EnableRule",
"events:PutRule",
"events:RemoveTargets",
"events:DisableRule"
],
"Resource": "*",
"Condition": {
"StringEquals": {
"aws:ResourceTag/sagemaker:is-scheduling-notebook-job": "true"
}
}
},
{
"Sid": "IAMPassrole",
"Effect": "Allow",
"Action": "iam:PassRole",
"Resource": "arn:aws:iam::*:role/*",
"Condition": {
"StringLike": {
"iam:PassedToService": [
"sagemaker.amazonaws.com",
"events.amazonaws.com"
]
}
}
},
{
"Sid": "IAMListRoles",
"Effect": "Allow",
"Action": "iam:ListRoles",
"Resource": "*"
},
{
"Sid": "S3ArtifactsAccess",
"Effect": "Allow",
"Action": [
"s3:PutEncryptionConfiguration",
"s3:CreateBucket",
"s3:PutBucketVersioning",
"s3:ListBucket",
"s3:PutObject",
"s3:GetObject",
"s3:GetEncryptionConfiguration",
"s3:DeleteObject",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::sagemaker-automated-execution-*"
]
},
{
"Sid": "S3DriverAccess",
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:GetObject",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::sagemakerheadlessexecution-*"
]
},
{
"Sid": "SagemakerJobs",
"Effect": "Allow",
"Action": [
"sagemaker:DescribeTrainingJob",
"sagemaker:StopTrainingJob",
"sagemaker:DescribePipeline",
"sagemaker:CreateTrainingJob",
"sagemaker:DeletePipeline",
"sagemaker:CreatePipeline"
],
"Resource": "*",
"Condition": {
"StringEquals": {
"aws:ResourceTag/sagemaker:is-scheduling-notebook-job": "true"
}
}
},
{
"Sid": "AllowSearch",
"Effect": "Allow",
"Action": "sagemaker:Search",
"Resource": "*"
},
{
"Sid": "SagemakerTags",
"Effect": "Allow",
"Action": [
"sagemaker:ListTags",
"sagemaker:AddTags"
],
"Resource": [
"arn:aws:sagemaker:*:*:pipeline/*",
"arn:aws:sagemaker:*:*:space/*",
"arn:aws:sagemaker:*:*:training-job/*",
"arn:aws:sagemaker:*:*:user-profile/*"
]
},
{
"Sid": "ECRImage",
"Effect": "Allow",
"Action": [
"ecr:GetAuthorizationToken",
"ecr:BatchGetImage"
],
"Resource": "*"
}
]
}
```
------
**AWS KMS politique d'autorisation (facultatif)**
Par défaut, les compartiments Amazon S3 d'entrée et de sortie sont chiffrés à l'aide d'un chiffrement côté serveur, mais vous pouvez spécifier une clé KMS personnalisée pour chiffrer vos données dans le compartiment Amazon S3 de sortie et le volume de stockage attaché à la tâche de bloc-notes.
Si vous souhaitez utiliser une clé KMS personnalisée, répétez les instructions précédentes, attachez la politique suivante et fournissez votre propre ARN de clé KMS.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect":"Allow",
"Action":[
"kms:Encrypt",
"kms:Decrypt",
"kms:ReEncrypt*",
"kms:GenerateDataKey*",
"kms:DescribeKey",
"kms:CreateGrant"
],
"Resource":"arn:aws:kms:us-east-1:111122223333:key/key-id"
}
]
}
```
------
## Autorisations du rôle d'exécution de tâche
**Relations d'approbation**
Pour modifier les relations d'approbation du rôle d'exécution de tâche, procédez comme suit :
1. Ouvrez la [console IAM](https://console.aws.amazon.com/iam/).
1. Sélectionnez **Roles** (Rôles) dans le panneau de gauche.
1. Recherchez le rôle d'exécution de la tâche pour votre tâche de bloc-notes et choisissez le nom du rôle.
1. Choisissez l’onglet **Relations de confiance**.
1. Choisissez **Modifier la politique d’approbation**.
1. Copiez-collez la politique suivante :
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com",
"events.amazonaws.com"
]
},
"Action": "sts:AssumeRole"
}
]
}
```
------
**Autorisations supplémentaires**
Une fois soumise, la tâche de bloc-notes a besoin d'autorisations pour accéder aux ressources. Les instructions suivantes vous montrent comment ajouter un ensemble minimal d'autorisations. Si nécessaire, ajoutez des autorisations supplémentaires en fonction des besoins de votre tâche de bloc-notes. Pour ajouter des autorisations à votre rôle d'exécution de tâche, procédez comme suit :
1. Ouvrez la [console IAM](https://console.aws.amazon.com/iam/).
1. Sélectionnez **Roles** (Rôles) dans le panneau de gauche.
1. Recherchez le rôle d’exécution de la tâche pour votre tâche de bloc-notes et choisissez le nom du rôle.
1. Choisissez **Ajouter des autorisations**, puis **Créer une politique en ligne** dans le menu déroulant.
1. Choisissez l’onglet **JSON**.
1. Copiez-collez la politique suivante :
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "PassroleForJobCreation",
"Effect": "Allow",
"Action": "iam:PassRole",
"Resource": "arn:aws:iam::*:role/*",
"Condition": {
"StringLike": {
"iam:PassedToService": "sagemaker.amazonaws.com"
}
}
},
{
"Sid": "S3ForStoringArtifacts",
"Effect": "Allow",
"Action": [
"s3:PutObject",
"s3:GetObject",
"s3:ListBucket",
"s3:GetBucketLocation"
],
"Resource": "arn:aws:s3:::sagemaker-automated-execution-*"
},
{
"Sid": "S3DriverAccess",
"Effect": "Allow",
"Action": [
"s3:ListBucket",
"s3:GetObject",
"s3:GetBucketLocation"
],
"Resource": [
"arn:aws:s3:::sagemakerheadlessexecution-*"
]
},
{
"Sid": "SagemakerJobs",
"Effect": "Allow",
"Action": [
"sagemaker:StartPipelineExecution",
"sagemaker:CreateTrainingJob"
],
"Resource": "*"
},
{
"Sid": "ECRImage",
"Effect": "Allow",
"Action": [
"ecr:GetDownloadUrlForLayer",
"ecr:BatchGetImage",
"ecr:GetAuthorizationToken",
"ecr:BatchCheckLayerAvailability"
],
"Resource": "*"
}
]
}
```
------
1. Ajoutez des autorisations aux autres ressources auxquelles votre tâche de bloc-notes accède.
1. Choisissez **Examiner une politique**.
1. Entrez un nom pour votre politique.
1. Choisissez **Create Policy** (Créer une politique).
# Emplacements possibles de création d’une tâche de bloc-notes
Si vous souhaitez créer une tâche de bloc-notes, plusieurs options s’offrent à vous. Vous trouverez ci-dessous les options d' SageMaker IA qui vous permettent de créer une tâche de bloc-notes.
Vous pouvez créer une tâche dans votre JupyterLab bloc-notes dans l'interface utilisateur de Studio, ou vous pouvez créer une tâche par programmation avec le SDK SageMaker Python :
+ Si vous créez votre tâche de bloc-notes dans l’interface utilisateur de Studio, vous fournissez des informations sur l’image et le noyau, les configurations de sécurité et les variables ou scripts personnalisés, et votre tâche est planifiée. Pour plus d'informations sur la planification de votre travail à l'aide de SageMaker Notebook Jobs, consultez[Création d’une tâche de bloc-notes dans Studio](create-notebook-auto-run-studio.md).
+ Pour créer une tâche de bloc-notes avec le SDK SageMaker Python, vous devez créer un pipeline avec une étape Notebook Job et lancer une exécution à la demande ou éventuellement utiliser la fonctionnalité de planification de pipeline pour planifier les futures exécutions. Le SageMaker SDK vous donne la flexibilité de personnaliser votre pipeline : vous pouvez l'étendre à un flux de travail comportant plusieurs étapes de travail dans un bloc-notes. Comme vous créez à la fois une étape SageMaker Notebook Job et un pipeline, vous pouvez suivre l'état d'exécution de votre pipeline dans le tableau de bord des tâches SageMaker Notebook Jobs et également consulter le graphique de votre pipeline dans Studio. Pour plus de détails sur la planification de votre travail avec le SDK SageMaker Python et pour obtenir des liens vers des exemples de blocs-notes, consultez. [Exemple de création d'un carnet de notes avec le SDK SageMaker AI Python](create-notebook-auto-run-sdk.md)
# Exemple de création d'un carnet de notes avec le SDK SageMaker AI Python
Pour exécuter un bloc-notes autonome à l'aide du SDK SageMaker Python, vous devez créer une étape Notebook Job, l'associer à un pipeline et utiliser les utilitaires fournis par Pipelines pour exécuter votre tâche à la demande ou éventuellement planifier une ou plusieurs tâches futures. Les sections suivantes décrivent les étapes de base pour créer une tâche de bloc-notes planifiée ou à la demande et suivre son exécution. En outre, reportez-vous à la discussion suivante si vous devez transmettre des paramètres à votre tâche de bloc-notes ou vous connecter à Amazon EMR dans votre bloc-notes. Dans ces cas, une préparation supplémentaire de votre bloc-notes Jupyter est requise. Vous pouvez également appliquer des valeurs par défaut à un sous-ensemble des arguments de `NotebookJobStep` afin de ne pas avoir à les spécifier chaque fois que vous créez une étape de tâche de bloc-notes.
Pour consulter des exemples de blocs-notes illustrant comment planifier des tâches de bloc-notes à l'aide du SDK SageMaker AI Python, consultez la section [Exemples de carnets de notes de blocs-notes](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-pipelines/notebook-job-step).
**Topics**
+ [Étapes de création d’une tâche de bloc-notes](#create-notebook-auto-run-overall)
+ [Visualisation de vos tâches de bloc-notes dans le tableau de bord de l’interface utilisateur de Studio](#create-notebook-auto-run-dash)
+ [Affichage de votre graphe de pipeline dans Studio](#create-notebook-auto-run-graph)
+ [Transmission de paramètres à votre bloc-notes](#create-notebook-auto-run-passparam)
+ [Connexion à cluster Amazon EMR dans votre bloc-notes d’entrée.](#create-notebook-auto-run-emr)
+ [Configuration des options par défaut](#create-notebook-auto-run-intdefaults)
## Étapes de création d’une tâche de bloc-notes
Vous pouvez créer une tâche de bloc-notes qui s’exécute immédiatement ou selon une planification. Les instructions suivantes décrivent les deux méthodes.
**Pour planifier une tâche de bloc-notes, effectuez les étapes élémentaires suivantes :**
1. Créez une instance `NotebookJobStep`. Pour plus de détails sur les `NotebookJobStep` paramètres, consultez [sagemaker.workflow.steps. NotebookJobStep](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html#sagemaker.workflow.notebook_job_step.NotebookJobStep). Au minimum, vous pouvez fournir les arguments suivants comme indiqué dans l’extrait de code suivant :
**Important**
Si vous planifiez votre tâche de bloc-notes à l'aide du SDK SageMaker Python, vous ne pouvez spécifier que certaines images pour exécuter votre tâche de bloc-notes. Pour de plus amples informations, veuillez consulter [Contraintes d'image pour les SageMaker tâches de bloc-notes du SDK AI Python](notebook-auto-run-constraints.md#notebook-auto-run-constraints-image-sdk).
```
notebook_job_step = NotebookJobStep(
input_notebook=input-notebook,
image_uri=image-uri,
kernel_name=kernel-name
)
```
1. Créez un pipeline avec votre étape `NotebookJobStep` comme étape unique, comme illustré dans l’extrait de code suivant :
```
pipeline = Pipeline(
name=pipeline-name,
steps=[notebook_job_step],
sagemaker_session=sagemaker-session,
)
```
1. Exécutez le pipeline à la demande ou planifiez éventuellement les futures exécutions du pipeline. Pour lancer une exécution immédiate, utilisez la commande suivante :
```
execution = pipeline.start(
parameters={...}
)
```
Vous pouvez éventuellement planifier une seule future exécution de pipeline ou plusieurs exécutions à un intervalle prédéterminé. Vous spécifiez votre planification dans `PipelineSchedule`, puis transmettez l’objet de planification à votre pipeline avec `put_triggers`. Pour plus d’informations sur la planification d’un pipeline, consultez [Planifier un pipeline avec le SDK SageMaker Python](pipeline-eventbridge.md#build-and-manage-scheduling).
L’exemple suivant planifie l’exécution de votre pipeline une seule fois le 12 décembre 2023 à 10:31:32 UTC.
```
my_schedule = PipelineSchedule(
name="my-schedule“,
at=datetime(year=2023, month=12, date=25, hour=10, minute=31, second=32)
)
pipeline.put_triggers(triggers=[my_schedule])
```
L’exemple suivant planifie l’exécution de votre pipeline à 10 h 15 UTC le dernier vendredi de chaque mois, pendant les années 2022 et 2023. Pour plus de détails sur la planification basée sur Cron, consultez [Planifications basées sur Cron](https://docs.aws.amazon.com/scheduler/latest/UserGuide/schedule-types.html#cron-based).
```
my_schedule = PipelineSchedule(
name="my-schedule“,
cron="15 10 ? * 6L 2022-2023"
)
pipeline.put_triggers(triggers=[my_schedule])
```
1. (Facultatif) Consultez les tâches de votre bloc-notes dans le tableau de bord des tâches du SageMaker bloc-notes. Les valeurs que vous fournissez pour l’argument `tags` de votre étape de tâche de bloc-notes contrôlent la manière dont l’interface utilisateur de Studio capture et affiche la tâche. Pour de plus amples informations, veuillez consulter [Visualisation de vos tâches de bloc-notes dans le tableau de bord de l’interface utilisateur de Studio](#create-notebook-auto-run-dash).
## Visualisation de vos tâches de bloc-notes dans le tableau de bord de l’interface utilisateur de Studio
Les tâches de bloc-notes que vous créez sous forme d’étapes de pipeline apparaissent dans le tableau de bord des tâches de bloc-notes de Studio si vous spécifiez certaines balises.
**Note**
Seules les tâches de bloc-notes créées dans Studio ou dans des JupyterLab environnements locaux créent des définitions de tâches. Par conséquent, si vous créez votre tâche de bloc-notes avec le SDK SageMaker Python, les définitions de tâches ne s'affichent pas dans le tableau de bord des tâches de bloc-notes. Vous pouvez toutefois visualiser vos tâches de bloc-notes comme décrit dans [Afficher les tâches de bloc-notes](view-notebook-jobs.md).
Vous pouvez contrôler quels membres de l’équipe peuvent visualiser vos tâches de bloc-notes à l’aide des balises suivantes :
+ Pour afficher le bloc-notes sur tous les profils utilisateur ou [espaces](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-jl-user-guide.html) d’un domaine, ajoutez la balise de domaine avec votre nom de domaine. Voici un exemple :
+ clé : `sagemaker:domain-name`, valeur : `d-abcdefghij5k`
+ Pour afficher la tâche de bloc-notes sur un certain profil utilisateur d’un domaine, ajoutez à la fois le profil utilisateur et les balises de domaine. Voici un exemple de balise de profil utilisateur :
+ clé : `sagemaker:user-profile-name`, valeur : `studio-user`
+ Pour afficher la tâche de bloc-notes dans un [espace](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-jl-user-guide.html), ajoutez à la fois les balises d’espace et de domaine. Voici un exemple de balise d’espace :
+ clé : `sagemaker:shared-space-name`, valeur : `my-space-name`
+ Si vous n’attachez aucune balise de domaine, de profil utilisateur ni d’espace, l’interface utilisateur de Studio n’affiche pas la tâche de bloc-notes créée par l’étape du pipeline. Dans ce cas, vous pouvez visualiser la tâche d’entraînement sous-jacente dans la console des tâches d’entraînement ou vous pouvez visualiser le statut dans la [liste des exécutions de pipeline](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-studio-view-execution.html).
Une fois que vous avez configuré les balises nécessaires pour visualiser vos tâches dans le tableau de bord, consultez [Afficher les tâches de bloc-notes](view-notebook-jobs.md) pour obtenir des instructions de visualisation de vos tâches et de téléchargement des sorties.
## Affichage de votre graphe de pipeline dans Studio
Comme l’étape de votre tâche de bloc-notes fait partie d’un pipeline, vous pouvez visualiser le graphe (DAG) du pipeline dans Studio. Dans le graphe du pipeline, vous pouvez afficher le statut de l’exécution du pipeline et suivre sa traçabilité. Pour en savoir plus, consultez [Affichage des détails d’une exécution de pipeline](pipelines-studio-view-execution.md).
## Transmission de paramètres à votre bloc-notes
Si vous souhaitez transmettre des paramètres à votre tâche de bloc-notes (en utilisant l’argument `parameters` de `NotebookJobStep`), vous devez préparer votre bloc-notes d’entrée pour recevoir les paramètres.
L’exécuteur de tâches de bloc-notes basé sur Papermill recherche une cellule Jupyter balisée avec la balise `parameters` et applique les nouveaux paramètres ou les remplacements de paramètres immédiatement après cette cellule. Pour en savoir plus, consultez [Paramétrer votre bloc-notes](notebook-auto-run-troubleshoot-override.md).
Une fois cette étape terminée, transmettez vos paramètres à votre `NotebookJobStep`, comme indiqué dans l’exemple suivant :
```
notebook_job_parameters = {
"company": "Amazon"
}
notebook_job_step = NotebookJobStep(
image_uri=image-uri,
kernel_name=kernel-name,
role=role-name,
input_notebook=input-notebook,
parameters=notebook_job_parameters,
...
)
```
## Connexion à cluster Amazon EMR dans votre bloc-notes d’entrée.
Si vous vous connectez à un cluster Amazon EMR à partir de votre bloc-notes Jupyter dans Studio, vous devrez peut-être modifier davantage votre bloc-notes Jupyter. Consultez [Connexion à un cluster Amazon EMR à partir de votre bloc-notes](scheduled-notebook-connect-emr.md) si vous devez effectuer l’une des tâches suivantes dans votre bloc-notes :
+ **Transmission de paramètres dans votre commande de connexion Amazon EMR.** Studio utilise Papermill pour exécuter des blocs-notes. Dans SparkMagic les noyaux, les paramètres que vous transmettez à votre commande de connexion Amazon EMR peuvent ne pas fonctionner comme prévu en raison de la manière dont Papermill transmet les informations. SparkMagic
+ **Transmission des informations d’identification utilisateur aux clusters Amazon EMR authentifiés par Kerberos, LDAP ou HTTP Basic Auth**. Vous devez transmettre les informations d’identification de l’utilisateur via AWS Secrets Manager.
## Configuration des options par défaut
Le SageMaker SDK vous permet de définir des valeurs par défaut pour un sous-ensemble de paramètres afin que vous n'ayez pas à les spécifier à chaque fois que vous créez une instance. `NotebookJobStep` Ces paramètres sont `role`, `s3_root_uri`, `s3_kms_key`, `volume_kms_key`, `subnets` et `security_group_ids`. Utilisez le fichier de configuration SageMaker AI pour définir les valeurs par défaut de l'étape. Pour plus d'informations sur le fichier de configuration SageMaker AI, consultez [Configuration et utilisation des valeurs par défaut avec le SDK SageMaker Python](https://sagemaker.readthedocs.io/en/stable/overview.html#configuring-and-using-defaults-with-the-sagemaker-python-sdk). .
Pour configurer les valeurs par défaut des tâches de bloc-notes, appliquez vos nouvelles valeurs par défaut à la section des tâches de bloc-notes du fichier de configuration, comme indiqué dans l’extrait de code suivant :
```
SageMaker:
PythonSDK:
Modules:
NotebookJob:
RoleArn: 'arn:aws:iam::555555555555:role/IMRole'
S3RootUri: 's3://amzn-s3-demo-bucket/my-project'
S3KmsKeyId: 's3kmskeyid'
VolumeKmsKeyId: 'volumekmskeyid1'
VpcConfig:
SecurityGroupIds:
- 'sg123'
Subnets:
- 'subnet-1234'
```
# Création d’une tâche de bloc-notes dans Studio
**Note**
Le planificateur de blocs-notes est conçu à partir des services Amazon EventBridge, SageMaker Training et Pipelines. Si vos tâches de bloc-notes échouent, des erreurs liées à ces services peuvent s’afficher. Vous trouverez ci-après des informations sur la manière de créer une tâche de bloc-notes dans l’interface utilisateur de Studio.
SageMaker Notebook Jobs vous fournit les outils nécessaires pour créer et gérer vos tâches de bloc-notes non interactives à l'aide du widget Notebook Jobs. Vous pouvez créer des tâches, consulter celles que vous avez créées et suspendre, arrêter ou reprendre des tâches existantes. Vous pouvez également modifier les planifications de bloc-notes.
Lorsque vous créez votre tâche de bloc-notes planifiée avec le widget, le planificateur tente de déduire une sélection d’options par défaut et remplit automatiquement le formulaire pour vous aider à démarrer rapidement. Si vous utilisez Studio, vous pouvez au moins soumettre une tâche à la demande sans définir d’options. Vous pouvez également soumettre une définition de tâche de bloc-notes (planifiée) en fournissant uniquement les informations de planification spécifiques à l'heure. Vous pouvez toutefois personnaliser d’autres champs si votre tâche planifiée nécessite des paramètres spécialisés. Si vous exécutez un bloc-notes Jupyter local, l’extension du planificateur fournit une fonctionnalité vous permettant de spécifier vos propres valeurs par défaut (pour un sous-ensemble d’options) pour ne pas avoir à insérer manuellement les mêmes valeurs à chaque fois.
Lorsque vous créez une tâche de bloc-notes, vous pouvez inclure des fichiers supplémentaires tels que des jeux de données, des images et des scripts locaux. Pour ce faire, choisissez **Exécuter la tâche avec le dossier d’entrée**. La tâche de bloc-notes aura désormais accès à tous les fichiers situés dans le dossier du fichier d’entrée. Pendant que la tâche de bloc-notes s’exécute, la structure des fichiers du répertoire reste inchangée.
Pour planifier une tâche de bloc-notes, procédez comme suit.
1. Ouvrez le formulaire **Créer une tâche**.
Dans JupyterLab les environnements locaux, cliquez sur l'icône **Créer une tâche de bloc-notes** (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/icons/notebook-schedule.png)) dans la barre des tâches. Si vous ne voyez pas cette icône, suivez les instructions fournies dans [Guide d’installation](scheduled-notebook-installation.md) pour l'installer.
Dans Studio, ouvrez le formulaire de l'une des deux façons suivantes :
+ Utilisation du **File Browser** (Navigateur de fichiers)
1. Dans le **File Browser** (Navigateur de fichiers) du panneau de gauche, cliquez avec le bouton droit sur le bloc-notes que vous souhaitez exécuter en tant que tâche planifiée.
1. Choisissez **Create Notebook Job** (Créer une tâche de bloc-notes).
+ Dans le bloc-notes Studio
+ Dans le bloc-notes Studio que vous souhaitez exécuter en tant que tâche planifiée, choisissez l'icône **Créer une tâche de bloc-notes** (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/icons/notebook-schedule.png)) dans la barre d'outils Studio.
1. Remplissez le formulaire contextuel. Le formulaire contient les champs suivants :
+ **Job name** (Nom de la tâche) : nom descriptif que vous spécifiez pour votre tâche.
+ **Fichier d'entrée** : nom du bloc-notes dont vous planifiez l'exécution en mode non interactif.
+ **Type de calcul** : type d’instance Amazon EC2 dans laquelle vous souhaitez exécuter votre bloc-notes.
+ **Paramètres** : paramètres personnalisés que vous pouvez éventuellement spécifier en tant qu’entrées dans votre bloc-notes. Pour utiliser cette fonctionnalité, vous pouvez éventuellement baliser une cellule spécifique de votre bloc-notes Jupyter avec la balise **parameters** pour contrôler où vos paramètres sont appliqués. Pour en savoir plus, consultez [Paramétrer votre bloc-notes](notebook-auto-run-troubleshoot-override.md).
+ (Facultatif) **Exécuter la tâche avec le dossier d’entrée** : si cette option est sélectionnée, la tâche planifiée aura accès à tous les fichiers présents dans le même dossier que le **fichier d’entrée**.
+ **Options supplémentaires** : vous pouvez spécifier des personnalisations supplémentaires pour votre tâche. Par exemple, vous pouvez spécifier une image ou un noyau, des dossiers d'entrée et de sortie, des options de relance de tâche et de délai d'expiration, des détails de chiffrement et des scripts d'initialisation personnalisés. Pour obtenir la liste complète des personnalisations que vous pouvez appliquer, consultez [Options disponibles](create-notebook-auto-execution-advanced.md).
1. Planifiez votre travail. Vous pouvez exécuter votre bloc-notes à la demande ou selon une planification fixe.
+ Pour exécuter le bloc-notes à la demande, effectuez les étapes suivantes :
+ Sélectionnez **Run Now** (Exécuter maintenant).
+ Choisissez **Créer**.
+ L'onglet **Notebook Jobs** (Tâches de bloc-notes) apparaît. Sélectionnez **Reload** (Recharger) pour charger votre tâche dans le tableau de bord.
+ Pour exécuter le bloc-notes selon un calendrier fixe, effectuez les étapes suivantes :
+ Sélectionnez **Run on a schedule** (Exécuter selon un calendrier).
+ Sélectionnez la liste déroulante **Interval** (Intervalle) et sélectionnez un intervalle. Les intervalles vont de toutes les minutes à une fois par mois. Vous pouvez également sélectionner **Custom schedule** (Planification personnalisée).
+ En fonction de l'intervalle que vous choisissez, des champs supplémentaires s'affichent pour vous aider à préciser le jour et l'heure souhaités pour l'exécution. Par exemple, si vous sélectionnez **Day** (Jour) pour une exécution quotidienne, un champ supplémentaire s'affiche pour vous permettre de spécifier l'heure souhaitée. Notez que toutes les heures que vous spécifiez sont au format UTC. Notez également que si vous choisissez un intervalle court, par exemple une minute, vos tâches se chevauchent si la tâche précédente n'est pas terminée lorsque la tâche suivante commence.
Si vous sélectionnez un calendrier personnalisé, vous utilisez la syntaxe cron dans la zone d'expression pour spécifier la date et l'heure exactes de votre exécution. La syntaxe cron est une liste de chiffres séparés par des espaces, chacun représentant une unité de temps comprise entre les secondes et les années. Pour obtenir de l'aide concernant la syntaxe cron, vous pouvez sélectionner **Get help with cron syntax** (Obtenir de l'aide sur la syntaxe cron) dans la zone d'expression.
+ Choisissez **Créer**.
+ L'onglet **Notebook Jobs Definitions** (Définitions de tâches de bloc-notes) apparaît. Sélectionnez **Reload** (Recharger) pour charger votre définition tâche dans le tableau de bord.
# Configurer les options par défaut pour les blocs-notes locaux
**Important**
Depuis le 30 novembre 2023, l'expérience Amazon SageMaker Studio précédente s'appelle désormais Amazon SageMaker Studio Classic. La section suivante est spécifique à l’utilisation de l’application Studio Classic. Pour en savoir plus sur l’utilisation de l’expérience Studio mise à jour, consultez [Amazon SageMaker Studio](studio-updated.md).
Studio Classic est toujours maintenu pour les charges de travail existantes, mais n'est plus disponible pour l'intégration. Vous pouvez uniquement arrêter ou supprimer des applications Studio Classic existantes et vous ne pouvez pas en créer de nouvelles. Nous vous recommandons de [migrer votre charge de travail vers la nouvelle expérience Studio](studio-updated-migrate.md).
Vous pouvez configurer les options par défaut lorsque vous créez une tâche de bloc-notes. Cela peut vous faire gagner du temps si vous envisagez de créer plusieurs tâches de bloc-notes avec des options différentes de celles proposées par défaut. Vous trouverez ci-dessous des informations sur la façon de configurer les options par défaut pour les blocs-notes locaux.
Si vous devez saisir (ou coller) manuellement des valeurs personnalisées dans le formulaire **Créer une tâche**, vous pouvez stocker de nouvelles valeurs par défaut et l’extension du planificateur insère vos nouvelles valeurs chaque fois que vous créez une nouvelle définition de tâche. Cette fonctionnalité est disponible pour les options suivantes :
+ **Role ARN** (ARN de rôle)
+ **Dossier d'entrée S3**
+ **Dossier de sortie S3**
+ **Clé KMS de chiffrement de sortie** (si vous activez **Configurer le chiffrement des tâches**)
+ **Clé KMS de chiffrement du volume de l’instance de tâche** (si vous activez **Configurer le chiffrement des tâches**)
Cette fonctionnalité vous permet de gagner du temps si vous insérez des valeurs différentes des valeurs par défaut fournies et que vous continuez à utiliser ces valeurs pour les futures exécutions de tâches. Les paramètres utilisateur que vous avez choisis sont stockés sur la machine qui exécute votre JupyterLab serveur et sont récupérés à l'aide de l'API native. Si vous fournissez de nouvelles valeurs par défaut pour une ou plusieurs options, mais pas pour les cinq, les valeurs par défaut précédentes sont utilisées pour celles que vous ne personnalisez pas.
Les instructions suivantes vous montrent comment prévisualiser les valeurs par défaut existantes, définir de nouvelles valeurs par défaut et réinitialiser vos valeurs par défaut pour vos tâches de bloc-notes.
**Pour prévisualiser les valeurs par défaut existantes pour vos tâches de bloc-notes, procédez comme suit :**
1. Ouvrez la console Amazon SageMaker Studio Classic en suivant les instructions fournies dans[Lancez Amazon SageMaker Studio Classic](studio-launch.md).
1. Dans le **File Browser** (Navigateur de fichiers) du panneau de gauche, cliquez avec le bouton droit sur le bloc-notes que vous souhaitez exécuter en tant que tâche planifiée.
1. Choisissez **Create Notebook Job** (Créer une tâche de bloc-notes).
1. Choisissez **Options supplémentaires** pour développer l’onglet des paramètres des tâches de bloc-notes. Vous pouvez visualiser ici les paramètres par défaut.
**Pour définir de nouvelles valeurs par défaut pour vos futures tâches de bloc-notes, procédez comme suit :**
1. Ouvrez la console Amazon SageMaker Studio Classic en suivant les instructions fournies dans[Lancez Amazon SageMaker Studio Classic](studio-launch.md).
1. Dans le menu supérieur de Studio Classic, choisissez **Paramètres**, puis choisissez **Éditeur de paramètres avancés**.
1. **Choisissez **Amazon SageMaker Scheduler** dans la liste ci-dessous Paramètres.** Il est possible qu’il soit déjà ouvert par défaut.
1. Vous pouvez mettre à jour les paramètres par défaut directement dans cette page d’interface utilisateur ou à l’aide de l’éditeur JSON.
+ Dans l’interface utilisateur, vous pouvez insérer de nouvelles valeurs pour **ARN de rôle**, **Dossier d’entrée S3**, **Dossier de sortie S3**, **Clé KMS de chiffrement de sortie** ou **Clé KMS de chiffrement du volume de l’instance de tâche**. Si vous modifiez ces valeurs, vous verrez les nouvelles valeurs par défaut pour ces champs lors de la création de votre prochaine tâche de bloc-notes sous **Options supplémentaires**.
+ (Facultatif) Pour mettre à jour les paramètres par défaut de l’utilisateur à l’aide de l’**Éditeur de paramètres JSON**, procédez comme suit :
1. Dans le coin supérieur droit, choisissez **Éditeur de paramètres JSON**.
1. Dans la barre latérale gauche des **paramètres**, choisissez **Amazon SageMaker AI Scheduler**. Il est possible qu’il soit déjà ouvert par défaut.
Vous pouvez consulter vos valeurs par défaut actuelles dans le panneau **Préférences utilisateur**.
Vous pouvez consulter vos valeurs par défaut du système dans le panneau **Paramètres par défaut du système**.
1. Pour mettre à jour vos valeurs par défaut, copiez et collez l’extrait JSON à partir du panneau **Paramètres par défaut du système** vers le panneau **Préférences utilisateur**, puis mettez à jour les champs.
1. Si vous avez mis à jour les valeurs par défaut, choisissez l’icône **Enregistrer les paramètres utilisateur** (![\[Icon of a cloud with an arrow pointing upward, representing cloud upload functionality.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/icons/Notebook_save.png)) dans le coin supérieur droit. La fermeture de l’éditeur n’enregistre pas les modifications.
**Si vous avez précédemment modifié les valeurs par défaut définies par l’utilisateur et que vous souhaitez maintenant les réinitialiser, procédez comme suit :**
1. Dans le menu supérieur de Studio Classic, choisissez **Paramètres**, puis choisissez **Éditeur de paramètres avancés**.
1. **Choisissez **Amazon SageMaker Scheduler** dans la liste ci-dessous Paramètres.** Il est possible qu’il soit déjà ouvert par défaut.
1. Vous pouvez restaurer les valeurs par défaut en utilisant directement cette page d’interface utilisateur ou en utilisant l’éditeur JSON.
+ Dans l’interface utilisateur, vous pouvez choisir **Restaurer les valeurs par défaut** dans le coin supérieur droit. Vos valeurs par défaut sont restaurées en chaînes vides. Cette option ne s’affiche que si vous avez déjà modifié vos valeurs par défaut.
+ (Facultatif) Pour restaurer les paramètres par défaut à l’aide de l’**Éditeur de paramètres JSON**, procédez comme suit :
1. Dans le coin supérieur droit, choisissez **Éditeur de paramètres JSON**.
1. Dans la barre latérale gauche des **paramètres**, choisissez **Amazon SageMaker AI Scheduler**. Il est possible qu’il soit déjà ouvert par défaut.
Vous pouvez consulter vos valeurs par défaut actuelles dans le panneau **Préférences utilisateur**.
Vous pouvez consulter vos valeurs par défaut du système dans le panneau **Paramètres par défaut du système**.
1. Pour restaurer vos paramètres par défaut actuels, copiez le contenu du panneau **Paramètres par défaut du système** vers le panneau **Préférences utilisateur**.
1. Choisissez l’icône **Enregistrer les paramètres utilisateur** (![\[Icon of a cloud with an arrow pointing upward, representing cloud upload functionality.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/icons/Notebook_save.png)) dans le coin supérieur droit. La fermeture de l’éditeur n’enregistre pas les modifications.
# Flux de travail des tâches de bloc-notes
Étant donné qu’une tâche de bloc-notes exécute votre code personnalisé, vous pouvez créer un pipeline incluant une ou plusieurs étapes de tâche de bloc-notes. Les flux de travail ML contiennent souvent plusieurs étapes, telles qu’une étape de traitement pour prétraiter les données, une étape d’entraînement pour générer votre modèle et une étape d’évaluation des modèles, entre autres. L’une des utilisations possibles des tâches de bloc-notes est de gérer le prétraitement. Vous pouvez avoir un bloc-notes qui effectue la transformation ou l’ingestion des données, une étape EMR qui effectue le nettoyage des données et une autre tâche de bloc-notes qui effectue la caractérisation de vos entrées avant de lancer une étape d’entraînement. Une tâche de bloc-notes peut nécessiter des informations issues des étapes précédentes du pipeline ou de la personnalisation spécifiée par l’utilisateur sous la forme de paramètres dans le bloc-notes d’entrée. Pour des exemples illustrant comment transmettre des variables et des paramètres d’environnement à votre bloc-notes et comment récupérer des informations à partir des étapes précédentes, consultez [Transmission d’informations vers et depuis votre étape de bloc-notes](create-notebook-auto-run-dag-seq.md).
Dans un autre cas d’utilisation, l’une de vos tâches de bloc-notes peut appeler un autre bloc-notes pour effectuer certaines tâches pendant l’exécution de votre bloc-notes. Dans ce scénario, vous devez spécifier ces blocs-notes sources en tant que dépendances avec votre étape de tâche de bloc-notes. Pour en savoir plus sur la manière d’appeler un autre bloc-notes, consultez [Invocation d’un autre bloc-notes dans votre tâche de bloc-notes](create-notebook-auto-run-dag-call.md).
Pour consulter des exemples de blocs-notes illustrant comment planifier des tâches de bloc-notes à l'aide du SDK SageMaker AI Python, consultez la section [Exemples de carnets de notes de blocs-notes](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-pipelines/notebook-job-step).
# Transmission d’informations vers et depuis votre étape de bloc-notes
Les sections suivantes décrivent les méthodes permettant de transmettre des informations à votre bloc-notes sous forme de variables et de paramètres d’environnement.
## Transmission de variables d’environnement
Transmettez des variables d’environnement sous forme de dictionnaire à l’argument `environment_variable` de votre `NotebookJobStep`, comme indiqué dans l’exemple suivant :
```
environment_variables = {"RATE": 0.0001, "BATCH_SIZE": 1000}
notebook_job_step = NotebookJobStep(
...
environment_variables=environment_variables,
...
)
```
Vous pouvez utiliser les variables d’environnement dans le bloc-notes en utilisant `os.getenv()`, comme illustré dans l’exemple suivant :
```
# inside your notebook
import os
print(f"ParentNotebook: env_key={os.getenv('env_key')}")
```
## Transmission de paramètres
Lorsque vous transmettez des paramètres à la première étape de tâche de bloc-notes dans votre instance `NotebookJobStep`, vous pouvez éventuellement vouloir baliser une cellule dans votre bloc-notes Jupyter pour indiquer où appliquer les nouveaux paramètres ou les remplacements de paramètres. Pour obtenir des instructions de balisage d’une cellule dans votre bloc-notes Jupyter, consultez [Paramétrer votre bloc-notes](notebook-auto-run-troubleshoot-override.md).
Vous transmettez les paramètres via le paramètre `parameters` de l’étape de tâche de bloc-notes, comme illustré dans l’extrait de code suivant :
```
notebook_job_parameters = {
"company": "Amazon",
}
notebook_job_step = NotebookJobStep(
...
parameters=notebook_job_parameters,
...
)
```
Dans votre bloc-notes d’entrée, vos paramètres sont appliqués après la cellule balisée par `parameters` ou au début du bloc-notes si aucune cellule n’est balisée.
```
# this cell is in your input notebook and is tagged with 'parameters'
# your parameters and parameter overrides are applied after this cell
company='default'
```
```
# in this cell, your parameters are applied
# prints "company is Amazon"
print(f'company is {company}')
```
## Extraction d’informations depuis une étape précédente
La discussion suivante explique comment extraire des données d’une étape précédente pour les transmettre à votre étape de tâche de bloc-notes.
**Utilisation de l’attribut `properties`**
Vous pouvez utiliser les propriétés suivantes avec l’attribut `properties` de l’étape précédente :
+ `ComputingJobName` : nom de la tâche d’entraînement
+ `ComputingJobStatus` : statut de la tâche d’entraînement
+ `NotebookJobInputLocation` : emplacement Amazon S3 d’entrée
+ `NotebookJobOutputLocationPrefix` : chemin vers les résultats de votre tâche d’entraînement, plus précisément vers `{NotebookJobOutputLocationPrefix}/{training-job-name}/output/output.tar.gz`, contenant les résultats
+ `InputNotebookName` : nom de fichier du bloc-notes en entrée
+ `OutputNotebookName` : nom de fichier du bloc-notes de sortie (qui n’existe peut-être pas dans le dossier de sortie de la tâche d’entraînement en cas d’échec de la tâche)
L’extrait de code suivant montre comment extraire des paramètres de l’attribut properties.
```
notebook_job_step2 = NotebookJobStep(
....
parameters={
"step1_JobName": notebook_job_step1.properties.ComputingJobName,
"step1_JobStatus": notebook_job_step1.properties.ComputingJobStatus,
"step1_NotebookJobInput": notebook_job_step1.properties.NotebookJobInputLocation,
"step1_NotebookJobOutput": notebook_job_step1.properties.NotebookJobOutputLocationPrefix,
}
```
**Utilisez JsonGet**
Si vous souhaitez transmettre des paramètres autres que ceux mentionnés précédemment et que les sorties JSON de votre étape précédente se trouvent dans Amazon S3, utilisez `JsonGet`. `JsonGet` est un mécanisme général capable d’extraire directement des données de fichiers JSON dans Amazon S3.
Pour extraire des fichiers JSON dans Amazon S3 avec `JsonGet`, procédez comme suit :
1. Chargez votre fichier JSON sur Amazon S3. Si vos données sont déjà chargées sur Amazon S3, ignorez cette étape. L’exemple suivant montre le chargement d’un fichier JSON sur Amazon S3.
```
import json
from sagemaker.s3 import S3Uploader
output = {
"key1": "value1",
"key2": [0,5,10]
}
json_output = json.dumps(output)
with open("notebook_job_params.json", "w") as file:
file.write(json_output)
S3Uploader.upload(
local_path="notebook_job_params.json",
desired_s3_uri="s3://path/to/bucket"
)
```
1. Indiquez votre URI S3 et le chemin JSON vers la valeur que vous souhaitez extraire. Dans l’exemple suivant, `JsonGet` renvoie un objet représentant l’index 2 de la valeur associée à la clé `key2` (`10`).
```
NotebookJobStep(
....
parameters={
# the key job_key1 returns an object representing the value 10
"job_key1": JsonGet(
s3_uri=Join(on="/", values=["s3:/", ..]),
json_path="key2[2]" # value to reference in that json file
),
"job_key2": "Amazon"
}
)
```
# Invocation d’un autre bloc-notes dans votre tâche de bloc-notes
Vous pouvez configurer un pipeline dans lequel une tâche de bloc-notes appelle un autre bloc-notes. Voici un exemple de pipeline comportant une étape de tâche de bloc-notes dans laquelle le bloc-notes appelle deux autres blocs-notes. Le bloc-notes d’entrée contient les lignes suivantes :
```
%run 'subfolder/notebook_to_call_in_subfolder.ipynb'
%run 'notebook_to_call.ipynb'
```
Transmettez ces blocs-notes dans vos instances `NotebookJobStep` avec `additional_dependencies`, comme indiqué dans l’extrait de code suivant. Notez que les chemins fournis pour les blocs-notes dans `additional_dependencies` sont fournis à partir de l’emplacement racine. Pour plus d'informations sur la manière dont l' SageMaker IA télécharge vos fichiers et dossiers dépendants sur Amazon S3 afin que vous puissiez fournir correctement les chemins d'accès à vos dépendances, consultez la description `additional_dependencies` dans [NotebookJobStep](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html#sagemaker.workflow.notebook_job_step.NotebookJobStep).
```
input_notebook = "inputs/input_notebook.ipynb"
simple_notebook_path = "inputs/notebook_to_call.ipynb"
folder_with_sub_notebook = "inputs/subfolder"
notebook_job_step = NotebookJobStep(
image_uri=image-uri,
kernel_name=kernel-name,
role=role-name,
input_notebook=input_notebook,
additional_dependencies=[simple_notebook_path, folder_with_sub_notebook],
tags=tags,
)
```
# Options disponibles
Le tableau suivant présente toutes les options disponibles que vous pouvez utiliser pour personnaliser votre tâche de bloc-notes, que vous exécutiez votre tâche de bloc-notes dans Studio, dans un environnement Jupyter local ou que vous utilisiez le SDK SageMaker Python. Le tableau inclut le type d'option personnalisée, une description, des instructions supplémentaires sur la façon d'utiliser l'option, un nom de champ pour l'option dans Studio (si disponible) et le nom du paramètre pour l'étape de travail du bloc-notes dans le SDK SageMaker Python (si disponible).
Pour certaines options, vous pouvez également prédéfinir des valeurs par défaut personnalisées afin de ne pas avoir à les spécifier chaque fois que vous configurez une tâche de bloc-notes. Pour Studio, ces options sont **Rôle**, **Dossier d’entrée**, **Dossier de sortie** et **ID de clé KMS**, et sont spécifiées dans le tableau suivant. Si vous prédéfinissez des valeurs par défaut personnalisées pour ces options, ces champs sont préremplis dans le formulaire **Créer une tâche** lorsque vous créez votre tâche de bloc-notes. Pour plus de détails sur la création de paramètres par défaut personnalisés dans Studio et les environnements Jupyter locaux, consultez [Configurer les options par défaut pour les blocs-notes locaux](create-notebook-auto-execution-advanced-default.md).
Le SageMaker SDK vous donne également la possibilité de définir des valeurs par défaut intelligentes afin que vous n'ayez pas à spécifier ces paramètres lorsque vous créez un. `NotebookJobStep` Ces paramètres sont `role`, `s3_root_uri`, `s3_kms_key`, `volume_kms_key`, `subnets` et `security_group_ids`, et ils sont spécifiés dans le tableau suivant. Pour en savoir plus sur la façon de définir des valeurs par défaut intelligentes, consultez [Configuration des options par défaut](create-notebook-auto-run-sdk.md#create-notebook-auto-run-intdefaults).
| Option personnalisée | Description | Directive spécifique à Studio | Directive environnementale locale de Jupyter | SageMaker Directive du SDK Python |
| --- | --- | --- | --- | --- |
| Nom du job | Le nom de votre tâche, tel qu’il doit apparaître dans le tableau de bord des tâches de bloc-notes. | Champ Nom de la tâche. | Identique à Studio. | Paramètre notebook\$1job\$1name. La valeur par défaut est None . |
| Image | Image de conteneur utilisée pour exécuter le bloc-notes de manière non interactive sur le type de calcul choisi. | Champ Image. Ce champ contient par défaut l’image actuelle de votre bloc-notes. Remplacez la valeur par défaut de ce champ par une valeur personnalisée, si nécessaire. Si Studio ne peut pas déduire cette valeur, le formulaire affiche une erreur de validation vous demandant de la spécifier. Il peut s'agir d'une image personnalisée, [bring-your-own d'une image](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-byoi.html) ou d'une SageMaker image Amazon disponible. Pour obtenir la liste des SageMaker images disponibles prises en charge par le planificateur de bloc-notes, consultez. [Amazon SageMaker Images disponibles pour une utilisation avec les blocs-notes Studio Classic](notebooks-available-images.md) | Champ Image. Ce champ nécessite un URI ECR d’une image Docker capable d’exécuter le bloc-notes fourni sur le type de calcul sélectionné. Par défaut, l'extension du planificateur utilise une image SageMaker AI Docker prédéfinie, basée sur Python 2.0. Il s'agit de l'image officielle de Python 3.8 provenant de DockerHub boto3 et du noyau Python 3. AWS CLI Vous pouvez également fournir un URI ECR quelconque conforme à la spécification d'image personnalisée du bloc-notes. Pour en savoir plus, consultez [Spécifications SageMaker d'image personnalisées pour Amazon SageMaker Studio Classic](studio-byoi-specs.md). Cette image doit contenir tous les noyaux et bibliothèques nécessaires à l’exécution du bloc-notes. | Obligatoire. Paramètre image\$1uri. Emplacement URI d’une image Docker sur ECR. Vous pouvez utiliser des images de SageMaker distribution spécifiques ou une image personnalisée basée sur ces images, ou votre propre image préinstallée avec des dépendances entre les tâches du bloc-notes répondant à des exigences supplémentaires. Pour en savoir plus, consultez [Contraintes d'image pour les SageMaker tâches de bloc-notes du SDK AI Python](notebook-auto-run-constraints.md#notebook-auto-run-constraints-image-sdk). |
| Type d’instance | Type d’instance EC2 à utiliser pour exécuter la tâche de bloc-notes. La tâche de bloc-notes utilise une tâche d' SageMaker entraînement comme couche informatique. Le type d'instance spécifié doit donc être un type d'instance compatible avec la SageMaker formation. | Champ Type de calcul. La valeur par défaut est ml.m5.large . | Identique à Studio. | Paramètre instance\$1type. La valeur par défaut est ml.m5.large . |
| Noyau | Le noyau Jupyter utilisé pour exécuter la tâche du bloc-notes. | Champ Noyau. Ce champ contient par défaut le noyau actuel de votre bloc-notes. Remplacez la valeur par défaut de ce champ par une valeur personnalisée, si nécessaire. Si Studio ne peut pas déduire cette valeur, le formulaire affiche une erreur de validation vous demandant de la spécifier. | Champ Noyau. Ce noyau doit être présent dans l’image et respecter les spécifications du noyau Jupyter. Ce champ correspond par défaut au noyau Python3 présent dans l'image de base de Python 2.0. SageMaker Modifiez ce champ en spécifiant une valeur personnalisée, si nécessaire. | Obligatoire. Paramètre kernel\$1name. Ce noyau doit être présent dans l’image et respecter les spécifications du noyau Jupyter. Pour voir les identifiants du noyau pour votre image, consultez (LIEN). |
| SageMaker Séance d'IA | La session SageMaker AI sous-jacente à laquelle les appels de service SageMaker AI sont délégués. | N/A | N/A | Paramètre sagemaker\$1session. Si elle n’est pas spécifiée, elle est créée à l’aide d’une chaîne de configuration par défaut. |
| Role ARN (ARN de rôle) | Amazon Resource Name (ARN) du rôle utilisé avec la tâche de bloc-notes. | Champ ARN du rôle. Ce champ utilise par défaut le rôle d’exécution Studio. Modifiez ce champ en spécifiant une valeur personnalisée, si nécessaire. Si Studio ne peut pas déduire cette valeur, le champ **ARN du rôle** est vide. Dans ce cas, insérez l’ARN que vous souhaitez utiliser. | Champ ARN du rôle. Ce champ contient par défaut n’importe quel rôle préfixé par SagemakerJupyterScheduler. Si vous avez plusieurs rôles avec le préfixe, l'extension en choisit un. Modifiez ce champ en spécifiant une valeur personnalisée, si nécessaire. Pour ce champ, vous pouvez définir votre propre valeur par défaut d'utilisateur qui est préremplie chaque fois que vous créez une nouvelle définition de tâche. Pour en savoir plus, consultez [Configurer les options par défaut pour les blocs-notes locaux](create-notebook-auto-execution-advanced-default.md). | Paramètre role. Par défaut, le rôle IAM par défaut de l' SageMaker IA est utilisé si le SDK est exécuté dans des ordinateurs portables ou des SageMaker blocs-notes Studio. SageMaker Sinon, il renvoie une erreur ValueError. Autorise les valeurs par défaut intelligentes. |
| Bloc-notes d’entrée | Nom du bloc-notes que vous prévoyez d’exécuter. | Obligatoire. Champ Fichier d’entrée. | Identique à Studio. | Requis. Paramètre input\$1notebook. |
| Input folder (Dossier d’entrée) | Dossier contenant vos entrées. Les entrées de tâche, y compris le bloc-notes d’entrée et tous les scripts de démarrage ou d’initialisation facultatifs, sont placées dans ce dossier. | Champ Dossier d’entrée. Si vous ne spécifiez pas de dossier, le planificateur crée un compartiment Amazon S3 par défaut pour vos entrées. | Identique à Studio. Pour ce champ, vous pouvez définir votre propre valeur par défaut d'utilisateur qui est préremplie chaque fois que vous créez une nouvelle définition de tâche. Pour en savoir plus, consultez [Configurer les options par défaut pour les blocs-notes locaux](create-notebook-auto-execution-advanced-default.md). | S/O. Le dossier d’entrée est placé dans l’emplacement spécifié par le paramètre s3\$1root\$1uri. |
| Output folder (Dossier de sortie) | Le dossier contenant vos sorties. Les sorties de tâche, y compris le bloc-notes de sortie et les journaux, sont placées dans ce dossier. | Champ Dossier de sortie. Si vous ne spécifiez pas de dossier, le planificateur crée un compartiment Amazon S3 par défaut pour vos sorties. | Identique à Studio. Pour ce champ, vous pouvez définir votre propre valeur par défaut d'utilisateur qui est préremplie chaque fois que vous créez une nouvelle définition de tâche. Pour en savoir plus, consultez [Configurer les options par défaut pour les blocs-notes locaux](create-notebook-auto-execution-advanced-default.md). | S/O. Le dossier de sortie est placé dans l’emplacement spécifié par le paramètre s3\$1root\$1uri. |
| Parameters | Dictionnaire de variables et de valeurs à transmettre à votre tâche de bloc-notes. | Champ Paramètres. Vous devez [paramétrer votre bloc-notes](https://docs.aws.amazon.com/sagemaker/latest/dg/notebook-auto-run-troubleshoot-override.html) pour accepter les paramètres. | Identique à Studio. | Paramètre parameters. Vous devez [paramétrer votre bloc-notes](https://docs.aws.amazon.com/sagemaker/latest/dg/notebook-auto-run-troubleshoot-override.html) pour accepter les paramètres. |
| Dépendances supplémentaires (fichier ou dossier) | La liste des dépendances de fichiers ou de dossiers que la tâche de bloc-notes charge dans le dossier s3 intermédiaire. | Non pris en charge. | Non pris en charge. | Paramètre additional\$1dependencies. La tâche de bloc-notes charge ces dépendances dans un dossier S3 intermédiaire afin qu’elles puissent être consommées pendant l’exécution. |
| URI racine S3 | Dossier contenant vos entrées. Les entrées de tâche, y compris le bloc-notes d’entrée et tous les scripts de démarrage ou d’initialisation facultatifs, sont placées dans ce dossier. Ce compartiment S3 doit se trouver dans le même Compte AWS que vous utilisez pour exécuter votre tâche de bloc-notes. | S/O. Utilisez le dossier d’entrée et le dossier de sortie. | Identique à Studio. | Paramètre s3\$1root\$1uri. Par défaut, il s’agit d’un compartiment S3 par défaut. Autorise les valeurs par défaut intelligentes. |
| Variables d’environnement | Toutes les variables d’environnement existantes que vous souhaitez remplacer ou les nouvelles variables d’environnement que vous souhaitez introduire et utiliser dans votre bloc-notes. | Champ Variables d’environnement. | Identique à Studio. | Paramètre environment\$1variables. La valeur par défaut est None . |
| Étiquettes | Liste des balises attachées à la tâche. | N/A | N/A | Paramètre tags. La valeur par défaut est None . Vos balises contrôlent la manière dont l’interface utilisateur de Studio capture et affiche la tâche créée par le pipeline. Pour en savoir plus, consultez [Visualisation de vos tâches de bloc-notes dans le tableau de bord de l’interface utilisateur de Studio](create-notebook-auto-run-sdk.md#create-notebook-auto-run-dash). |
| Start-up script (Script de démarrage) | Script préchargé dans le menu de démarrage du bloc-notes que vous pouvez choisir d’exécuter avant d’exécuter le bloc-notes. | Champ Script de démarrage. Sélectionnez un script de configuration de cycle de vie (LCC) qui s’exécute sur l’image au démarrage. Un script de démarrage s’exécute dans un shell en dehors de l’environnement Studio. Ce script ne peut donc pas dépendre du stockage local de Studio, des variables d'environnement ni des métadonnées de l'application (dans `/opt/ml/metadata`). De même, si vous utilisez un script de démarrage et un script d’initialisation, le script de démarrage s’exécute en premier. | Non pris en charge. | Non pris en charge. |
| Initialization script (Script d’initialisation) | Chemin d’accès à un script local que vous pouvez exécuter au démarrage de votre bloc-notes. | Champ Script d’initialisation. Entrez le chemin du fichier EFS où se trouve un script local ou un script de configuration de cycle de vie (LCC). Si vous utilisez un script de démarrage et un script d'initialisation, le script de démarrage s'exécute en premier. Un script d'initialisation provient du même shell que la tâche de bloc-notes. Ce n’est pas le cas pour un script de démarrage décrit précédemment. De même, si vous utilisez un script de démarrage et un script d’initialisation, le script de démarrage s’exécute en premier. | Champ Script d’initialisation. Entrez le chemin du fichier local où se trouve un script local ou un script de configuration de cycle de vie (LCC). | Paramètre initialization\$1script. La valeur par défaut est None . |
| Nombre maximal de nouvelles tentatives | Nombre de fois où Studio essaie de réexécuter une tâche qui a échoué. | Champ Nombre max. de nouvelles tentatives. La valeur par défaut est 1. | Identique à Studio. | Paramètre max\$1retry\$1attempts. La valeur par défaut est 1. |
| Durée d’exécution maximale (en secondes) | Durée maximale, en secondes, pendant laquelle une tâche de bloc-notes peut s'exécuter avant d'être arrêtée. Si vous configurez à la fois la durée d'exécution maximale et le nombre maximal de nouvelles tentatives, la durée d'exécution s'applique à chaque nouvelle tentative. Si une tâche ne se termine pas dans ce délai, son statut est défini sur Failed. | Champ Durée d’exécution maximale (en secondes). La valeur par défaut est 172800 seconds (2 days) . | Identique à Studio. | Paramètre max\$1runtime\$1in\$1seconds. La valeur par défaut est 172800 seconds (2 days) . |
| Politiques de nouvelles tentatives | Liste des politiques relatives aux nouvelles tentatives, qui régissent les actions à entreprendre en cas d’échec. | Non pris en charge. | Non pris en charge. | Paramètre retry\$1policies. La valeur par défaut est None . |
| Ajout de dépendances Step ou StepCollection | Liste de noms ou d’instances Step ou StepCollection dont dépend la tâche. | Non pris en charge. | Non pris en charge. | Paramètre depends\$1on. La valeur par défaut est None . Utilisez-le pour définir des dépendances explicites entre les étapes de votre graphe de pipeline. |
| Taille du volume | Taille en Go du volume de stockage des données d’entrée et de sortie pendant l’entraînement. | Non pris en charge. | Non pris en charge. | Paramètre volume\$1size. Correspond par défaut à 30 Go. |
| Chiffrer le trafic entre les conteneurs | Indicateur qui spécifie si le trafic entre les conteneurs d’entraînement est chiffré pour la tâche d’entraînement. | S/O. Activé par défaut. | S/O. Activé par défaut. | Paramètre encrypt\$1inter\$1container\$1traffic. La valeur par défaut est True . |
| Configure job encryption (Configurer le chiffrement des tâches) | Indicateur du fait que vous souhaitez chiffrer vos sorties de tâche de bloc-notes, votre volume d’instance de tâche, ou les deux. | Champ Configurer le chiffrement des tâches. Cochez cette case pour choisir le chiffrement. Si cette option n'est pas cochée, les sorties de tâche sont chiffrées avec la clé KMS par défaut du compte et le volume d'instance de tâche n'est pas chiffré. | Identique à Studio. | Non pris en charge. |
| Output encryption KMS key (Clé de chiffrement KMS de sortie) | Une clé KMS à utiliser si vous souhaitez personnaliser la clé de chiffrement utilisée pour les sorties de tâche de bloc-notes. Ce champ n’est applicable que si vous avez activé l’option Configurer le chiffrement des tâches. | Champ Clé KMS de chiffrement de sortie. Si vous ne spécifiez pas ce champ, les sorties de tâche de bloc-notes sont chiffrées avec SSE-KMS à l’aide de la clé KMS Amazon S3 par défaut. De même, si vous créez vous-même le compartiment Amazon S3 et utilisez le chiffrement, votre méthode de chiffrement est préservée. | Identique à Studio. Pour ce champ, vous pouvez définir votre propre valeur par défaut d'utilisateur qui est préremplie chaque fois que vous créez une nouvelle définition de tâche. Pour en savoir plus, consultez [Configurer les options par défaut pour les blocs-notes locaux](create-notebook-auto-execution-advanced-default.md). | Paramètre s3\$1kms\$1key. La valeur par défaut est None . Autorise les valeurs par défaut intelligentes. |
| Job instance volume encryption KMS key (Clé KMS de chiffrement du volume de l’instance de tâche) | Clé KMS à utiliser pour chiffrer votre volume d'instance de tâche. Ce champ n’est applicable que si vous avez activé l’option Configurer le chiffrement des tâches. | Champ Clé KMS de chiffrement du volume de l’instance de tâche. | Champ Clé KMS de chiffrement du volume de l’instance de tâche. Pour ce champ, vous pouvez définir votre propre valeur par défaut d’utilisateur qui est préremplie chaque fois que vous créez une nouvelle définition de tâche. Pour en savoir plus, consultez [Configurer les options par défaut pour les blocs-notes locaux](create-notebook-auto-execution-advanced-default.md). | Paramètre volume\$1kms\$1key. La valeur par défaut est None . Autorise les valeurs par défaut intelligentes. |
| Utiliser un cloud privé virtuel pour exécuter cette tâche (pour les utilisateurs de VPC) | Indicateur du fait que vous souhaitez exécuter cette tâche dans un cloud privé virtuel (VPC). Pour une meilleure sécurité, il est recommandé d’utiliser un VPC privé. | Champ Utiliser un cloud privé virtuel pour exécuter cette tâche. Cochez cette case si vous souhaitez utiliser un VPC. Créez au minimum les points de terminaison VPC suivants pour permettre à votre tâche de bloc-notes de se connecter de manière privée à ces ressources : AWS [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/create-notebook-auto-execution-advanced.html)Si vous choisissez d’utiliser un VPC, vous devez spécifier au moins un sous-réseau privé et au moins un groupe de sécurité dans les options suivantes. Si vous n'utilisez aucun sous-réseau privé, vous devez envisager d'autres options de configuration. Pour plus de détails, consultez Sous-réseaux VPC publics non pris en charge dans [Contraintes et considérations](notebook-auto-run-constraints.md). | Identique à Studio. | N/A |
| Sous-réseau(x) (pour les utilisateurs de VPC) | Vos sous-réseaux. Ce champ doit contenir au moins une entrée et cinq au maximum, et tous les sous-réseaux que vous fournissez doivent être privés. Pour plus de détails, consultez Sous-réseaux VPC publics non pris en charge dans [Contraintes et considérations](notebook-auto-run-constraints.md). | Champ Sous-réseau(x). Ce champ contient par défaut les sous-réseaux associés au domaine Studio, mais vous pouvez modifier ce champ si nécessaire. | Champ Sous-réseau(x). Le planificateur ne peut pas détecter vos sous-réseaux. Vous devez donc saisir tous les sous-réseaux que vous avez configurés pour votre VPC. | Paramètre subnets. La valeur par défaut est None . Autorise les valeurs par défaut intelligentes. |
| Groupe(s) de sécurité (pour les utilisateurs de VPC) | Vos groupes de sécurité. Ce champ doit contenir au moins une entrée et quinze au maximum. Pour plus de détails, consultez Sous-réseaux VPC publics non pris en charge dans [Contraintes et considérations](notebook-auto-run-constraints.md). | Champ Groupes de sécurité. Ce champ contient par défaut les groupes de sécurité associés au VPC du domaine, mais vous pouvez modifier ce champ si nécessaire. | Champ Groupes de sécurité. Le planificateur ne peut pas détecter vos groupes de sécurité. Vous devez donc saisir tous les groupes de sécurité que vous avez configurés pour votre VPC. | Paramètre security\$1group\$1ids. La valeur par défaut est None . Autorise les valeurs par défaut intelligentes. |
| Nom | Nom de l’étape de tâche de bloc-notes. | N/A | N/A | Paramètre name. S’il n’est pas spécifié, il est dérivé du nom du fichier de bloc-notes. |
| Nom d’affichage | Votre nom de tâche tel qu’il doit apparaître dans votre liste d’exécutions de pipeline. | N/A | N/A | Paramètre display\$1name. La valeur par défaut est None . |
| Description | Description de votre tâche. | N/A | N/A | Paramètre description. |
# Paramétrer votre bloc-notes
Pour transmettre de nouveaux paramètres ou des remplacements de paramètres à votre tâche de bloc-notes planifiée, vous pouvez éventuellement modifier votre bloc-notes Jupyter si vous souhaitez que vos nouvelles valeurs de paramètres soient appliquées après une cellule. Lorsque vous transmettez un paramètre, l’exécuteur de tâches de bloc-notes utilise la méthodologie appliquée par Papermill. L’exécuteur de tâches de bloc-notes recherche une cellule Jupyter balisée avec la balise `parameters` et applique les nouveaux paramètres ou les remplacements de paramètres immédiatement après cette cellule. Si aucune cellule n’est balisée avec `parameters`, les paramètres sont appliqués au début du bloc-notes. Si plusieurs cellules sont balisées avec `parameters`, les paramètres sont appliqués après la première cellule balisée avec `parameters`.
Pour baliser une cellule de votre bloc-notes avec la balise `parameters`, procédez comme suit :
1. Sélectionnez la cellule à paramétrer.
1. Dans la barre latérale droite, choisissez l’icône **Inspecteur des propriétés** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/studio/icons/gears.png)).
1. Tapez **parameters** dans la zone **Add Tag** (Ajouter une balise).
1. Choisissez le signe **\$1**.
1. La balise `parameters` apparaît sous **Cell Tags** (Étiquettes de cellule) avec une coche, ce qui signifie que la balise est appliquée à la cellule.
# Connexion à un cluster Amazon EMR à partir de votre bloc-notes
Si vous vous connectez à un cluster Amazon EMR à partir de votre bloc-notes Jupyter dans Studio, vous devrez peut-être effectuer une configuration supplémentaire. La discussion suivante aborde en particulier deux questions :
+ **Transmission de paramètres à votre commande de connexion EMR dans votre bloc-notes**. Dans SparkMagic les noyaux, les paramètres que vous transmettez à votre commande de connexion Amazon EMR peuvent ne pas fonctionner comme prévu en raison des différences entre la manière dont Papermill transmet les paramètres et SparkMagic reçoit les paramètres. La solution de contournement pour remédier à cette limitation consiste à transmettre des paramètres sous forme de variables d'environnement. Pour plus d’informations sur le problème et la solution de contournement, consultez [Transmettez des paramètres à votre commande de connexion EMR](#scheduled-notebook-connect-emr-pass-param).
+ **Transmission des informations d’identification utilisateur aux clusters Amazon EMR authentifiés par Kerberos, LDAP ou HTTP Basic Auth**. En mode interactif, Studio demande des informations d'identification dans un formulaire contextuel dans lequel vous pouvez saisir vos informations d'identification de connexion. Dans votre bloc-notes planifié non interactif, vous devez les transmettre via AWS Secrets Manager. Pour plus de détails sur la façon d'utiliser les tâches planifiées AWS Secrets Manager dans votre bloc-notes, consultez[Transmettre des informations d'identification utilisateur à votre cluster Amazon EMR authentifié par Kerberos, LDAP ou HTTP Basic Auth](#scheduled-notebook-connect-emr-credentials).
## Transmettez des paramètres à votre commande de connexion EMR
Si vous utilisez des images avec les noyaux SparkMagic PySpark et Spark et que vous souhaitez paramétrer votre commande de connexion EMR, entrez vos paramètres dans le champ **Variables d'environnement** plutôt que dans le champ Paramètres du formulaire Create Job (dans le menu déroulant Options **supplémentaires**). Assurez-vous que votre commande de connexion EMR dans le bloc-notes Jupyter transmet ces paramètres en tant que variables d'environnement. Supposons, par exemple, que vous transmettiez `cluster-id` en tant que variable d’environnement lorsque vous créez votre tâche. Votre commande de connexion EMR devrait ressembler à l'exemple suivant :
```
%%local
import os
```
```
%sm_analytics emr connect —cluster-id {os.getenv('cluster_id')} --auth-type None
```
Vous avez besoin de cette solution pour répondre aux exigences de Papermill SparkMagic et de Papermill. Pour le contexte d'arrière-plan, le SparkMagic noyau s'attend à ce que la commande `%%local` magique accompagne toutes les variables locales que vous définissez. Cependant, Papermill ne transmet pas la commande magique `%%local` avec vos remplacements. Pour contourner cette limitation de Papermill, vous devez fournir vos paramètres sous forme de variables d'environnement dans le champ **Environment variables** (Variables d'environnement).
## Transmettre des informations d'identification utilisateur à votre cluster Amazon EMR authentifié par Kerberos, LDAP ou HTTP Basic Auth
Pour établir une connexion sécurisée à un cluster Amazon EMR qui utilise l'authentification Kerberos, LDAP ou HTTP Basic Auth, vous utilisez la commande AWS Secrets Manager pour transmettre les informations d'identification utilisateur à votre commande de connexion. Pour plus d’informations sur la création d’un secret Secrets Manager, consultez [Création d’un secret AWS Secrets Manager](https://docs.aws.amazon.com/secretsmanager/latest/userguide/create_secret.html). Votre secret doit contenir votre nom d’utilisateur et votre mot de passe. Vous transmettez le secret avec l’argument `--secrets`, comme le montre l’exemple suivant :
```
%sm_analytics emr connect --cluster-id j_abcde12345
--auth Kerberos
--secret aws_secret_id_123
```
Votre administrateur peut définir une politique d'accès flexible à l'aide d'une méthode attribute-based-access-control (ABAC), qui attribue l'accès en fonction de balises spéciales. Vous pouvez configurer un accès flexible afin de créer un secret unique pour tous les utilisateurs du compte ou un secret pour chaque utilisateur. Les exemples de code suivants illustrent ces scénarios :
**Créer un secret unique pour tous les utilisateurs du compte**
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/service-role/AmazonSageMaker-ExecutionRole-20190101T012345"
},
"Action": "secretsmanager:GetSecretValue",
"Resource": [
"arn:aws:secretsmanager:us-west-2:111122223333:secret:aes123-1a2b3c",
"arn:aws:secretsmanager:us-west-2:111122223333:secret:aes456-4d5e6f",
"arn:aws:secretsmanager:us-west-2:111122223333:secret:aes789-7g8h9i"
]
}
]
}
```
------
**Créer un secret différent pour chaque utilisateur**
Vous pouvez créer un secret différent pour chaque utilisateur à l’aide de la balise `PrincipleTag`, comme illustré dans l’exemple suivant :
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"AWS": "arn:aws:iam::111122223333:role/service-role/AmazonSageMaker-ExecutionRole-20190101T012345"
},
"Condition": {
"StringEquals": {
"aws:ResourceTag/user-identity": "${aws:PrincipalTag/user-identity}"
}
},
"Action": "secretsmanager:GetSecretValue",
"Resource": [
"arn:aws:secretsmanager:us-west-2:111122223333:secret:aes123-1a2b3c",
"arn:aws:secretsmanager:us-west-2:111122223333:secret:aes456-4d5e6f",
"arn:aws:secretsmanager:us-west-2:111122223333:secret:aes789-7g8h9i"
]
}
]
}
```
------
# Informations détaillées sur les tâches liées aux blocs-notes dans Amazon SageMaker Studio
SageMaker Les tableaux de bord de Notebook Jobs permettent d'organiser les définitions de tâches que vous planifiez et de suivre les tâches réelles exécutées à partir de vos définitions de tâches. Lorsque vous planifiez des tâches de bloc-notes, vous devez comprendre deux concepts importants : les *définitions de tâches* et les *exécutions de tâches*. Les définitions des tâches sont des planifications que vous définissez pour exécuter des blocs-notes spécifiques. Par exemple, vous pouvez créer une définition de tâche qui exécute le bloc-notes XYZ.ipynb tous les mercredis. Cette définition de tâche lance les exécutions de tâches réelles qui auront lieu ce mercredi, mercredi prochain, le mercredi suivant, etc.
**Note**
L'étape de travail du bloc-notes du SDK SageMaker Python ne crée pas de définitions de tâches. Toutefois, vous pouvez visualiser vos tâches dans le tableau de bord des tâches de bloc-notes. Les tâches et les définitions de tâches sont disponibles si vous planifiez votre tâche dans un JupyterLab environnement.
L’interface propose deux onglets principaux qui vous permettent de suivre vos définitions et exécutions de tâches existantes :
+ Onglet **Notebook Jobs** (Tâches du bloc-notes) : cet onglet affiche la liste de toutes vos tâches exécutées parmi vos tâches à la demande et les définitions de tâches. À partir de cet onglet, vous pouvez accéder directement aux détails d'une seule exécution de tâche. Par exemple, vous pouvez consulter une seule exécution de tâche qui a eu lieu il y a deux mercredis.
+ Onglet **Notebook Job Definitions** (Définition de l'exécution du bloc-notes) : cet onglet affiche la liste de toutes vos définitions de tâches. À partir de cet onglet, vous pouvez accéder directement aux détails d'une seule définition de tâche. Par exemple, vous pouvez consulter le calendrier que vous avez créé pour exécuter XYZ.ipynb tous les mercredis.
Pour plus de détails sur l’onglet **Tâches de bloc-notes**, consultez [Afficher les tâches de bloc-notes](view-notebook-jobs.md).
Pour plus de détails sur l’onglet **Définitions de tâches de bloc-notes**, consultez [Afficher les définitions des tâches de bloc-notes](view-def-detail-notebook-auto-run.md).
# Afficher les tâches de bloc-notes
**Note**
Vous pouvez visualiser automatiquement vos tâches de bloc-notes si vous les avez planifiées à partir de l’interface utilisateur de Studio. Si vous avez utilisé le SDK SageMaker Python pour planifier votre tâche de bloc-notes, vous devez fournir des balises supplémentaires lorsque vous créez l'étape de tâche de bloc-notes. Pour en savoir plus, consultez [Visualisation de vos tâches de bloc-notes dans le tableau de bord de l’interface utilisateur de Studio](create-notebook-auto-run-sdk.md#create-notebook-auto-run-dash).
La rubrique suivante fournit des informations sur l’onglet **Tâches de bloc-notes** et explique comment visualiser les détails d’une tâche de bloc-notes individuelle. L’onglet **Tâches de bloc-notes** (auquel vous pouvez accéder en choisissant l’icône **Créer une tâche de bloc-notes** (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/icons/notebook-schedule.png)) dans la barre d’outils de Studio) affiche l’historique de vos tâches à la demande et de toutes les tâches exécutées à partir des définitions de tâches que vous avez créées. Cet onglet s’ouvre une fois que vous avez créé une tâche à la demande, ou vous pouvez simplement consulter cet onglet vous-même pour afficher l’historique des tâches passées et actuelles. Si vous sélectionnez **Job name** (Nom de tâche) pour n'importe quelle tâche, vous pouvez consulter les détails d'une seule tâche sur la page **Job Detail** (Détails de la tâche). Pour plus d’informations sur la page **Détails de la tâche**, consultez la section suivante [Afficher une seule tâche](#view-jobs-detail-notebook-auto-run).
L'onglet **Notebook Jobs** (Tâches de bloc-notes) contient les informations suivantes pour chaque tâche :
+ **Output files** (Fichiers de sortie) : affiche la disponibilité des fichiers de sortie. Cette colonne peut contenir l’un des éléments suivants :
+ Une icône de téléchargement (![\[Cloud icon with downward arrow, representing download or cloud storage functionality.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/icons/File_download.png)) : le bloc-notes et le journal de sortie peuvent être téléchargés ; choisissez ce bouton pour les télécharger. Notez qu’une tâche ayant échoué peut toujours générer des fichiers de sortie si l’échec s’est produit après la création des fichiers. Dans ce cas, il est utile de consulter le bloc-notes de sortie pour identifier le point de défaillance.
+ Liens vers le **bloc-notes** et le **journal de sortie** : Le bloc-notes et le journal de sortie sont téléchargés. Cliquez sur les liens pour afficher leur contenu.
+ (vide) : la tâche a été arrêtée par l'utilisateur, ou une défaillance s'est produite lors de l'exécution de la tâche, avant qu'elle ne puisse générer des fichiers de sortie. Par exemple, des défaillances du réseau ont pu empêcher le démarrage de la tâche.
Le bloc-notes de sortie est le résultat de l'exécution de toutes les cellules du bloc-notes et intègre également tous les paramètres ou variables d'environnement nouveaux ou de remplacement que vous avez inclus. Le journal de sortie capture les détails de la tâche exécutée pour vous aider à dépanner les tâches ayant échoué.
+ **Created at** (Créée à) : heure de création de la tâche à la demande ou planifiée.
+ **Status** (État) : état actuel de la tâche, à savoir l'une des valeurs suivantes :
+ **In progress** (En cours) : la tâche est en cours d'exécution
+ **Failed** (Échec) : la tâche a échoué en raison d'erreurs de configuration ou de logique du bloc-notes
+ **Stopped** (Arrêtée) : la tâche a été arrêtée par l'utilisateur
+ **Completed** (Terminée) : la tâche est terminée
+ **Actions** : cette colonne fournit des raccourcis pour vous aider à arrêter ou à supprimer une tâche directement dans l'interface.
## Afficher une seule tâche
Dans l'onglet **Notebook Jobs** (Tâches du bloc-notes), vous pouvez sélectionner le nom d'une tâche pour afficher la page **Job Detail** (Détails de la tâche) correspondant à une tâche spécifique. La page **Job Details** (Détails de la tâche) inclut tous les détails que vous avez fournis dans le formulaire **Create Job** (Créer une tâche). Utilisez cette page pour confirmer les paramètres que vous avez spécifiés lors de la création de la définition de tâche.
En outre, vous pouvez accéder à des raccourcis qui vous aideront à effectuer les actions suivantes sur la page elle-même :
+ **Delete Job** (Supprimer la tâche) : supprimez la tâche de l'onglet **Notebook Jobs** (Tâches de bloc-notes).
+ **Stop Job** (Arrêter la tâche) : arrêtez votre tâche en cours d'exécution.
# Afficher les définitions des tâches de bloc-notes
**Note**
Si vous avez planifié votre tâche de bloc-notes avec le SDK SageMaker Python, ignorez cette section. Seules les tâches de bloc-notes créées dans Studio ou dans des JupyterLab environnements locaux créent des définitions de tâches. Par conséquent, si vous avez créé votre tâche de bloc-notes avec le SDK SageMaker Python, les définitions de tâches ne s'afficheront pas dans le tableau de bord des tâches de bloc-notes. Vous pouvez toutefois visualiser vos tâches de bloc-notes comme décrit dans [Afficher les tâches de bloc-notes](view-notebook-jobs.md).
Lorsque vous créez une définition de tâche, vous créez une planification pour une tâche. L’onglet **Définitions de tâches de bloc-notes** répertorie ces planifications, ainsi que des informations sur les définitions de tâches de bloc-notes spécifiques. Par exemple, vous pouvez créer une définition de tâche qui exécute un bloc-notes spécifique toutes les minutes. Une fois que cette définition de tâche est active, une nouvelle tâche s’affiche chaque minute dans l’onglet **Notebook Jobs** (Tâches de bloc-notes). La page suivante fournit des informations sur l’onglet **Définitions de tâches de bloc-notes**, ainsi que sur la façon d’afficher une définition de tâche de bloc-notes.
L’onglet **Notebook Job Definitions** (Définitions de tâches de bloc-notes) affiche un tableau de bord contenant toutes vos définitions de tâches et inclut le bloc-notes d’entrée, l’heure de création, la planification et le statut de chaque définition de tâche. La valeur dans la colonne **Status** (Statut) contient l'une des valeurs suivantes :
+ **Paused** (Suspendue) : vous avez suspendu la définition de la tâche. Studio ne lance aucune tâche tant que vous n'avez pas repris la définition.
+ **Active** (Active) : la planification est activée et Studio peut exécuter le bloc-notes selon la planification que vous avez spécifiée.
En outre, la colonne **Actions** propose des raccourcis qui vous permettent d'effectuer les tâches suivantes directement dans l'interface :
+ Pause : met en pause la définition de la tâche. Studio ne lancera aucune tâche tant que vous n'aurez pas repris la définition.
+ Delete (Supprimer) : supprime la définition de tâche de l'onglet **Notebook Job Definitions** (Définitions de tâches de bloc-notes).
+ Resume (Reprendre) : poursuit une définition de tâche en pause afin de pouvoir démarrer des tâches.
Si vous avez créé une définition de tâche, mais qu’elle ne lance pas de tâches, consultez [La définition de la tâche ne crée pas de tâches](notebook-auto-run-troubleshoot.md#notebook-auto-run-troubleshoot-no-jobs) dans le [Guide de dépannage](notebook-auto-run-troubleshoot.md).
## Afficher une définition de tâche unique
Si vous sélectionnez le nom d'une définition de tâche dans l'onglet **Notebook Job Definitions** (Définitions de tâches de bloc-notes), la page **Job Definition** (Définition de tâche) s'affiche. Vous pouvez y consulter les détails spécifiques d'une définition de tâche. Utilisez cette page pour confirmer les paramètres que vous avez spécifiés lors de la création de la définition de tâche. Si vous ne voyez aucune tâche créée à partir de votre définition de tâche, consultez [La définition de la tâche ne crée pas de tâches](notebook-auto-run-troubleshoot.md#notebook-auto-run-troubleshoot-no-jobs) dans le [Guide de dépannage](notebook-auto-run-troubleshoot.md).
Cette page contient également une section répertoriant les tâches exécutées à partir de cette définition de tâche. L'affichage de vos tâches sur la page **Job Definition** (Définition des tâches) peut être un moyen plus productif de vous aider à organiser vos tâches au lieu de les consulter dans l'onglet **Notebook Jobs** (Tâches du bloc-notes), qui regroupe toutes les tâches issues de toutes vos définitions de tâches.
En outre, cette page fournit des raccourcis pour les actions suivantes :
+ **Pause/Resume** (Pause/Reprise) : suspendez la définition de votre tâche ou reprenez une définition en pause. Notez que si une tâche est en cours d'exécution pour cette définition, Studio ne l'arrête pas.
+ **Run** (Exécuter) : exécutez une seule tâche à la demande à partir de cette définition de tâche. Cette option vous permet également de spécifier différents paramètres d'entrée dans votre bloc-notes avant de démarrer la tâche.
+ **Edit Job Definition** (Modifier la définition de la tâche) : modifiez la planification de la définition de votre tâche. Vous pouvez sélectionner un intervalle de temps différent ou opter pour un calendrier personnalisé en utilisant la syntaxe cron.
+ **Delete Job Definition** (Supprimer la définition de la tâche) : supprimez la définition de tâche de l'onglet **Notebook Job Definitions** (Définitions de tâches de bloc-notes). Notez que si une tâche est en cours d'exécution pour cette définition, Studio ne l'arrête pas.
# Guide de dépannage
Reportez-vous à ce guide de dépannage pour résoudre les problèmes que vous pourriez rencontrer lors de l'exécution d'une tâche de bloc-notes planifiée.
## La définition de la tâche ne crée pas de tâches
**Si votre définition de tâche ne lance aucune tâche, il est possible que le carnet de notes ou le travail de formation ne s'affiche pas dans la section Tâches de la barre de navigation de gauche d'Amazon SageMaker Studio.** Si tel est le cas, vous pouvez rechercher des messages d’erreur dans la section **Pipelines** de la barre de navigation de gauche dans Studio. Chaque définition de bloc-notes ou de tâche d’entraînement appartient à un pipeline d’exécution. Voici les causes courantes de l’échec du lancement de tâches de bloc-notes.
**Missing permissions** (Autorisations manquantes)
+ Le rôle attribué à la définition du poste n'a aucune relation de confiance avec Amazon EventBridge. C'est-à-dire qu'il EventBridge ne peut pas assumer le rôle.
+ Le rôle attribué à la définition de la tâche n'est pas autorisé à appeler `SageMaker AI:StartPipelineExecution`.
+ Le rôle attribué à la définition de la tâche n'est pas autorisé à appeler `SageMaker AI:CreateTrainingJob`.
**EventBridge quota dépassé**
Si un `Put*` message d'erreur tel que l'exemple suivant s'affiche, cela signifie que vous avez dépassé un EventBridge quota. Pour résoudre ce problème, vous pouvez nettoyer les EventBridge séries non utilisées ou demander AWS Support à augmenter votre quota.
```
LimitExceededException) when calling the PutRule operation:
The requested resource exceeds the maximum number allowed
```
Pour plus d'informations sur les EventBridge quotas, consultez [Amazon EventBridge Quotas](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-quota.html).
**Pipeline quota limit exceeded** (Limite de quota de pipeline dépassée)
Si une erreur telle que l'exemple suivant s'affiche, cela signifie que vous avez dépassé le nombre de pipelines que vous pouvez exécuter. Pour résoudre ce problème, vous pouvez nettoyer les pipelines inutilisés de votre compte ou demander à AWS Support d’augmenter votre quota.
```
ResourceLimitExceeded: The account-level service limit
'Maximum number of pipelines allowed per account' is XXX Pipelines,
with current utilization of XXX Pipelines and a request delta of 1 Pipelines.
```
Pour plus d'informations sur les quotas de pipeline, consultez la section [Points de terminaison et quotas Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html).
**Training job limit exceeded** (Limite de tâches d’entraînement dépassée)
Si une erreur telle que l'exemple suivant s'affiche, cela signifie que vous avez dépassé le nombre de tâches d'entraînement que vous pouvez exécuter. Pour résoudre ce problème, réduisez le nombre d'offres de formation sur votre compte ou demandez AWS Support à augmenter votre quota.
```
ResourceLimitExceeded: The account-level service limit
'ml.m5.2xlarge for training job usage' is 0 Instances, with current
utilization of 0 Instances and a request delta of 1 Instances.
Please contact AWS support to request an increase for this limit.
```
Pour plus d'informations sur les quotas de postes de formation, consultez la section [Points de terminaison et quotas Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html).
## Visualisations automatiques désactivées dans SparkMagic les blocs-notes
Si votre bloc-notes utilise le SparkMagic PySpark noyau et que vous l'exécutez en tant que Notebook Job, il se peut que vos visualisations automatiques soient désactivées dans la sortie. L’activation de la visualisation automatique entraîne le blocage du noyau. L’exécuteur de tâches de bloc-notes désactive donc les visualisations automatiques comme solution de contournement.
# Contraintes et considérations
Passez en revue les contraintes suivantes pour vous assurer que vos tâches de bloc-notes se terminent correctement. Studio utilise Papermill pour exécuter des blocs-notes. Vous devrez peut-être mettre à jour les blocs-notes Jupyter pour les adapter aux exigences de Papermill. Il existe également des restrictions sur le contenu des scripts LCC et des détails importants à comprendre concernant la configuration du VPC.
## JupyterLab version
JupyterLab la version 4.0 est prise en charge.
## Installation de packages nécessitant le redémarrage du noyau
Papermill ne prend pas en charge l’appel de `pip install` pour installer des packages nécessitant un redémarrage du noyau. Dans ce cas, utilisez `pip install` dans un script d'initialisation. Pour l’installation d’un package qui ne nécessite pas de redémarrage du noyau, vous pouvez toujours inclure `pip install` dans le bloc-notes.
## Noms de noyau et de langage enregistrés auprès de Jupyter
Papermill enregistre un traducteur pour des noyaux et des langues spécifiques. Si vous apportez votre propre instance (BYOI), utilisez un nom de noyau standard, comme indiqué dans l’extrait suivant :
```
papermill_translators.register("python", PythonTranslator)
papermill_translators.register("R", RTranslator)
papermill_translators.register("scala", ScalaTranslator)
papermill_translators.register("julia", JuliaTranslator)
papermill_translators.register("matlab", MatlabTranslator)
papermill_translators.register(".net-csharp", CSharpTranslator)
papermill_translators.register(".net-fsharp", FSharpTranslator)
papermill_translators.register(".net-powershell", PowershellTranslator)
papermill_translators.register("pysparkkernel", PythonTranslator)
papermill_translators.register("sparkkernel", ScalaTranslator)
papermill_translators.register("sparkrkernel", RTranslator)
papermill_translators.register("bash", BashTranslator)
```
## Paramètres et limites des variables d’environnement
**Paramètres et limites des variables d’environnement.** Lorsque vous créez votre tâche de bloc-notes, elle reçoit les paramètres et les variables d'environnement que vous spécifiez. Vous pouvez transmettre jusqu'à 100 paramètres. Chaque nom de paramètre peut comporter jusqu'à 256 caractères et la valeur associée peut comporter jusqu'à 2 500 caractères. Si vous transmettez des variables d'environnement, vous pouvez transmettre jusqu'à 28 variables. Le nom de la variable et la valeur associée peuvent contenir jusqu'à 512 caractères. Si vous avez besoin de plus de 28 variables d’environnement, utilisez des variables d’environnement supplémentaires dans un script d’initialisation qui ne limite pas le nombre de variables d’environnement que vous pouvez utiliser.
## Visualisation des tâches et des définitions de tâches
**Visualisation des tâches et des définitions de tâches.** Si vous planifiez votre tâche de bloc-notes dans l'interface utilisateur de Studio dans le JupyterLab bloc-notes, vous pouvez [consulter les tâches de votre bloc-notes et les définitions de tâches](https://docs.aws.amazon.com/sagemaker/latest/dg/view-notebook-jobs.html) [de votre bloc-notes](https://docs.aws.amazon.com/sagemaker/latest/dg/view-def-detail-notebook-auto-run.html) dans l'interface utilisateur de Studio. Si vous avez planifié votre tâche de bloc-notes avec le SDK SageMaker Python, vous pouvez uniquement consulter vos tâches. L'étape de tâche de bloc-notes du SDK SageMaker Python ne crée pas de définitions de tâches. Pour visualiser vos tâches, vous devez également fournir des balises supplémentaires à l’instance d’étape de votre tâche de bloc-notes. Pour en savoir plus, consultez [Visualisation de vos tâches de bloc-notes dans le tableau de bord de l’interface utilisateur de Studio](create-notebook-auto-run-sdk.md#create-notebook-auto-run-dash).
## Image
Vous devez gérer les contraintes d'image selon que vous exécutez les tâches de bloc-notes dans Studio ou l'étape de tâche de bloc-notes du SDK SageMaker Python dans un pipeline.
### Contraintes d'image pour les tâches liées à SageMaker AI Notebook (Studio)
**Support des images et du noyau.** Le pilote qui lance votre tâche de bloc-notes suppose ce qui suit :
+ Un environnement d'exécution Python de base est installé dans les images Studio ou bring-your-own (BYO) et constitue l'environnement par défaut dans le shell.
+ L'environnement d'exécution Python de base inclut le client Jupyter avec les spécifications du noyau correctement configurées.
+ L'environnement d'exécution Python de base inclut la fonction `pip` permettant à la tâche du bloc-notes d'installer des dépendances système.
+ Pour les images comportant plusieurs environnements, votre script d'initialisation doit passer à l'environnement spécifique au noyau approprié avant d'installer les packages spécifiques au bloc-notes. Vous devez revenir à l'environnement d'exécution Python par défaut, s'il est différent de l'environnement d'exécution du noyau, après avoir configuré l'environnement d'exécution Python du noyau.
Le pilote qui lance votre tâche de bloc-notes est un script bash, et Bash v4 doit être disponible dans /bin/bash.
**Privilèges root activés bring-your-own-images (BYOI).** Vous devez disposer de privilèges root sur vos propres images Studio, soit en tant qu'utilisateur root, soit par un accès `sudo`. Si vous n’êtes pas un utilisateur racine mais que vous accédez aux privilèges racine via `sudo`, utilisez **1000/100** en tant qu’`UID/GID`.
### Contraintes d'image pour les SageMaker tâches de bloc-notes du SDK AI Python
L’étape de tâche de bloc-notes prend en charge les images suivantes :
+ SageMaker Images de distribution répertoriées dans[Amazon SageMaker Images disponibles pour une utilisation avec les blocs-notes Studio Classic](notebooks-available-images.md).
+ Une image personnalisée basée sur les images SageMaker de distribution de la liste précédente. Utilisez une [image de SageMaker distribution](https://github.com/aws/sagemaker-distribution) comme base.
+ Une image personnalisée (BYOI) préinstallée avec les dépendances des tâches du bloc-notes (par exemple,. [sagemaker-headless-execution-driver](https://pypi.org/project/sagemaker-headless-execution-driver/) Votre image doit répondre aux exigences suivantes :
+ L’image est préinstallée avec les dépendances des tâches de bloc-notes.
+ Un environnement d’exécution Python de base est installé et est utilisé par défaut dans l’environnement shell.
+ L’environnement d’exécution Python de base inclut le client Jupyter avec les spécifications du noyau correctement configurées.
+ Vous disposez de privilèges racine, en tant qu’utilisateur racine ou via l’accès `sudo`. Si vous n’êtes pas un utilisateur racine mais que vous accédez aux privilèges racine via `sudo`, utilisez **1000/100** en tant qu’`UID/GID`.
## Sous-réseaux VPC utilisés lors de la création de tâches
Si vous utilisez un VPC, Studio utilise vos sous-réseaux privés pour créer votre tâche. Spécifiez 1 à 5 sous-réseaux privés (et 1 à 15 groupes de sécurité).
Si vous utilisez un VPC avec des sous-réseaux privés, vous devez choisir l'une des options suivantes pour vous assurer que la tâche du bloc-notes peut se connecter aux services ou ressources dépendants :
+ Si la tâche nécessite l'accès à un AWS service prenant en charge les points de terminaison VPC d'interface, créez un point de terminaison pour vous connecter au service. Pour obtenir la liste des services qui prennent en charge les points de terminaison d'interface, consultez la section [AWS Services intégrés à AWS PrivateLink](https://docs.aws.amazon.com/vpc/latest/privatelink/aws-services-privatelink-support.html). Pour plus d'informations sur la création d'un point de terminaison VPC d'interface, consultez [Accéder à un AWS service à l'aide d'un point de terminaison VPC d'](https://docs.aws.amazon.com/vpc/latest/privatelink/create-interface-endpoint.html)interface. Au minimum, une passerelle de point de terminaison d'un VPC Amazon S3 doit être fournie.
+ Si une tâche de bloc-notes doit accéder à un AWS service qui ne prend pas en charge les points de terminaison VPC d'interface ou à une ressource extérieure AWS, créez une passerelle NAT et configurez vos groupes de sécurité pour autoriser les connexions sortantes. Pour obtenir des informations sur la configuration d’une passerelle NAT pour votre VPC, consultez *VPC avec des sous-réseaux publics et privés (NAT)* dans le [Guide de l’utilisateur Amazon Virtual Private Cloud](https://docs.aws.amazon.com/vpc/latest/userguide/what-is-amazon-vpc.html).
## Service Limits
Étant donné que le planificateur de tâches de bloc-notes est conçu à partir de Pipelines, de SageMaker Training et EventBridge des services Amazon, les tâches de votre bloc-notes sont soumises à des quotas spécifiques au service. Si vous dépassez ces quotas, des messages d’erreur liés à ces services peuvent s’afficher. Par exemple, le nombre de pipelines que vous pouvez exécuter simultanément et le nombre de règles que vous pouvez configurer pour un seul bus d’événements sont limités. Pour plus d'informations sur les quotas d' SageMaker IA, consultez [Amazon SageMaker AI Endpoints and Quotas](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html). Pour plus d'informations sur les EventBridge quotas, consultez [Amazon EventBridge Quotas](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-quota.html).
# Tarification des tâches liées aux SageMaker ordinateurs portables
Lorsque vous planifiez des tâches de bloc-notes, vos blocs-notes Jupyter s'exécutent sur SageMaker des instances d'entraînement. Une fois que vous avez sélectionné une **image** et un **noyau** dans votre formulaire **Create Job** (Créer une tâche), le formulaire fournit une liste des types de calcul disponibles. Vous êtes facturé pour le type de calcul que vous choisissez, sur la base de la durée d’utilisation combinée pour toutes les tâches de blocs-notes exécutées à partir de la définition de tâche. Si vous ne spécifiez aucun type de calcul, SageMaker AI vous assigne un type d'instance Amazon EC2 par défaut de. `ml.m5.large` Pour une ventilation de la tarification de l' SageMaker IA par type de calcul, consultez [Amazon SageMaker AI Pricing](https://aws.amazon.com/sagemaker/pricing).