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.
# Personnalisation
## Configuration du cycle de vie
Les configurations du cycle de vie sont des scripts shell initiés par des événements du cycle de vie d' SageMaker AI Studio, tels que le démarrage d'un nouveau bloc-notes SageMaker AI Studio. Vous pouvez utiliser ces scripts shell pour automatiser la personnalisation de vos environnements SageMaker AI Studio, comme l'installation de packages personnalisés, l'extension Jupyter pour l'arrêt automatique des applications de bloc-notes inactives et la configuration de Git. Pour obtenir des instructions détaillées sur la façon de créer des configurations de cycle de vie, consultez ce blog : [Personnaliser Amazon SageMaker AI Studio à l'aide des configurations de cycle](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/) de vie.
## Images personnalisées pour les ordinateurs portables SageMaker AI Studio
Les blocs-notes Studio sont fournis avec un ensemble d'images prédéfinies, qui comprennent [Amazon AI SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable/) et la dernière version du IPython moteur d'exécution ou du noyau. Grâce à cette fonctionnalité, vous pouvez ajouter vos propres images personnalisées aux blocs-notes Amazon SageMaker AI. Ces images sont ensuite accessibles à tous les utilisateurs authentifiés dans le domaine.
Les développeurs et les data scientists peuvent avoir besoin d'images personnalisées pour différents cas d'utilisation :
+ Accès à des versions spécifiques ou récentes de frameworks ML populaires tels que TensorFlowMXNet, PyTorch, ou autres.
+ Intégrez du code personnalisé ou des algorithmes développés localement dans les blocs-notes SageMaker AI Studio pour accélérer les itérations et l'apprentissage des modèles.
+ Accès aux lacs de données ou aux magasins de données sur site viaAPIs. Les administrateurs doivent inclure les pilotes correspondants dans l'image.
+ Accès à un environnement d'exécution principal (également appelé noyau), autre que IPython (tel que R, Julia ou [autres](https://github.com/aws-samples/sagemaker-studio-custom-image-samples)). Vous pouvez également utiliser l'approche décrite pour installer un noyau personnalisé.
Pour obtenir des instructions détaillées sur la création d'une image personnalisée, reportez-vous à la section [Création d'une image SageMaker AI personnalisée](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-byoi-create.html).
## JupyterLab extensions
Avec SageMaker AI Studio JuypterLab 3 Notebook, vous pouvez tirer parti de la communauté toujours croissante d'extensions open source JupyterLab. Cette section met en évidence quelques-unes qui s'intègrent naturellement dans le flux de travail des développeurs d' SageMaker IA, mais nous vous encourageons à [parcourir les extensions disponibles](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html#installing-an-extension) ou même à [créer les vôtres](https://jupyterlab.readthedocs.io/en/stable/extension/extension_tutorial.html).
JupyterLab 3 facilite désormais considérablement le [processus d'empaquetage et d'installation des extensions](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html#installing-extensions). Vous pouvez installer les extensions susmentionnées par le biais de scripts bash. Par exemple, dans SageMaker AI Studio, [ouvrez le terminal système à partir du lanceur Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html) et exécutez les commandes suivantes. En outre, vous pouvez automatiser l'installation de ces extensions à l'aide de [configurations de cycle](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-lcc.html) de vie afin qu'elles soient conservées entre les redémarrages de Studio. Vous pouvez le configurer pour tous les utilisateurs du domaine ou au niveau d'un utilisateur individuel.
Par exemple, pour installer une extension pour un navigateur de fichiers Amazon S3, exécutez les commandes suivantes dans le terminal système et assurez-vous d'actualiser votre navigateur :
```
conda init
conda activate studio
pip install jupyterlab_s3_browser
jupyter serverextension enable --py jupyterlab_s3_browser
conda deactivate
restart-jupyter-server
```
Pour plus d'informations sur la gestion des extensions, notamment sur la façon d'écrire des configurations de cycle de vie qui fonctionnent à la fois pour les versions 1 et 3 des JupyterLab ordinateurs portables à des fins de rétrocompatibilité, reportez-vous à la section [Installation JupyterLab et extensions Jupyter Server](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jl.html#studio-jl-install).
## Référentiels Git
SageMaker AI Studio est préinstallé avec une extension Jupyter Git permettant aux utilisateurs de saisir un dépôt Git URL personnalisé, de le cloner dans EFS votre répertoire, d'effectuer des modifications et de consulter l'historique des validations. Les administrateurs peuvent configurer les dépôts git suggérés au niveau du domaine afin qu'ils apparaissent sous forme de listes déroulantes pour les utilisateurs finaux. Reportez-vous à la section [Attacher des dépôts Git suggérés à Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-git-attach.html) pour up-to-date obtenir des instructions.
Si un dépôt est privé, l'extension demandera à l'utilisateur de saisir ses informations d'identification dans le terminal à l'aide de l'installation git standard. L'utilisateur peut également stocker les informations d'identification SSH dans son EFS répertoire individuel pour en faciliter la gestion.
## Environnement Conda
SageMaker Les blocs-notes AI Studio utilisent Amazon EFS comme couche de stockage persistante. Les data scientists peuvent utiliser le stockage persistant pour créer des environnements conda personnalisés et utiliser ces environnements pour créer des noyaux. Ces noyaux sont soutenus par et sont persistants entre EFS les redémarrages du noyau, de l'application ou de Studio. Studio sélectionne automatiquement tous les environnements valides sous forme de KernelGateway noyaux.
Le processus de création d'un environnement conda est simple pour un data scientist, mais les noyaux mettent environ une minute à être renseignés dans le sélecteur de noyau. Pour créer un environnement, exécutez ce qui suit dans un terminal système :
```
mkdir -p ~/.conda/envs
conda create --yes -p ~/.conda/envs/custom
conda activate ~/.conda/envs/custom
conda install -y ipykernel
conda config --add envs_dirs ~/.conda/envs
```
Pour obtenir des instructions détaillées, reportez-vous à la section *Persist Conda environments to the Studio EFS volume* de la section [Quatre approches pour gérer les packages Python dans les blocs-notes Amazon SageMaker Studio](https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/).