Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# SageMaker Lowongan Notebook
Anda dapat menggunakan Amazon SageMaker AI untuk membuat, melatih, dan menerapkan model pembelajaran mesin secara interaktif dari notebook Jupyter Anda di lingkungan apa pun. JupyterLab Namun, ada berbagai skenario di mana Anda mungkin ingin menjalankan notebook Anda sebagai pekerjaan terjadwal yang tidak interaktif. Misalnya, Anda mungkin ingin membuat laporan audit reguler yang menganalisis semua pekerjaan pelatihan yang dijalankan selama jangka waktu tertentu dan menganalisis nilai bisnis dari penerapan model tersebut ke dalam produksi. Atau Anda mungkin ingin meningkatkan pekerjaan rekayasa fitur setelah menguji logika transformasi data pada sebagian kecil data. Kasus penggunaan umum lainnya meliputi:
+ Penjadwalan pekerjaan untuk pemantauan drift model
+ Menjelajahi ruang parameter untuk model yang lebih baik
Dalam skenario ini, Anda dapat menggunakan Pekerjaan SageMaker Notebook untuk membuat pekerjaan noninteraktif (yang dijalankan SageMaker AI sebagai pekerjaan pelatihan yang mendasarinya) untuk dijalankan sesuai permintaan atau sesuai jadwal. SageMaker Pekerjaan Notebook menyediakan antarmuka pengguna yang intuitif sehingga Anda dapat menjadwalkan pekerjaan langsung JupyterLab dengan memilih widget Pekerjaan Notebook (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/notebook-schedule.png)) di buku catatan Anda. Anda juga dapat menjadwalkan pekerjaan Anda menggunakan SageMaker AI Python SDK, yang menawarkan fleksibilitas penjadwalan beberapa pekerjaan notebook dalam alur kerja pipeline. Anda dapat menjalankan beberapa notebook secara paralel, dan membuat parameter sel di notebook Anda untuk menyesuaikan parameter input.
Fitur ini memanfaatkan layanan Amazon EventBridge, SageMaker Training, dan Pipelines dan tersedia untuk digunakan di notebook Jupyter Anda di salah satu lingkungan berikut:
+ Studio, Studio Lab, Studio Klasik, atau Instans Notebook
+ Pengaturan lokal, seperti mesin lokal Anda, tempat Anda menjalankan JupyterLab
**Prasyarat**
Untuk menjadwalkan pekerjaan notebook, pastikan Anda memenuhi kriteria berikut:
+ Pastikan notebook Jupyter Anda dan skrip inisialisasi atau startup apa pun bersifat mandiri sehubungan dengan kode dan paket perangkat lunak. Jika tidak, pekerjaan noninteraktif Anda dapat menimbulkan kesalahan.
+ Tinjau [Kendala dan pertimbangan](notebook-auto-run-constraints.md) untuk memastikan Anda mengonfigurasi notebook Jupyter, pengaturan jaringan, dan pengaturan wadah dengan benar.
+ Pastikan notebook Anda dapat mengakses sumber daya eksternal yang diperlukan, seperti klaster EMR Amazon.
+ Jika Anda menyiapkan Pekerjaan Notebook di notebook Jupyter lokal, selesaikan penginstalan. Untuk petunjuk, lihat [Panduan instalasi](scheduled-notebook-installation.md).
+ Jika Anda terhubung ke klaster EMR Amazon di notebook dan ingin membuat parameter perintah koneksi EMR Amazon, Anda harus menerapkan solusi menggunakan variabel lingkungan untuk meneruskan parameter. Lihat perinciannya di [Connect ke kluster EMR Amazon dari notebook](scheduled-notebook-connect-emr.md).
+ Jika Anda terhubung ke kluster EMR Amazon menggunakan otentikasi Kerberos, LDAP, atau HTTP Basic Auth, Anda harus menggunakan untuk meneruskan kredensyal keamanan Anda AWS Secrets Manager ke perintah koneksi Amazon EMR Anda. Lihat perinciannya di [Connect ke kluster EMR Amazon dari notebook](scheduled-notebook-connect-emr.md).
+ (opsional) Jika Anda ingin UI memuat skrip untuk dijalankan saat startup notebook, admin Anda harus menginstalnya dengan Lifecycle Configuration (LCC). Untuk informasi tentang cara menggunakan skrip LCC, lihat [Menyesuaikan Instans Notebook Menggunakan Skrip Konfigurasi Siklus Hidup](https://docs.aws.amazon.com/sagemaker/latest/dg/notebook-lifecycle-config.html).
# Panduan instalasi
Berikut ini memberikan informasi tentang apa yang perlu Anda instal untuk menggunakan Pekerjaan Notebook di JupyterLab lingkungan Anda.
**Untuk Amazon SageMaker Studio dan Amazon SageMaker Studio Lab**
Jika notebook Anda ada di Amazon SageMaker Studio atau Amazon SageMaker Studio Lab, Anda tidak perlu melakukan penginstalan tambahan— Pekerjaan SageMaker Notebook dibangun ke dalam platform. Untuk menyiapkan izin yang diperlukan untuk Studio, lihat[Menyiapkan kebijakan dan izin untuk Studio](scheduled-notebook-policies-studio.md).
**Untuk notebook Jupyter lokal**
Jika Anda ingin menggunakan Pekerjaan SageMaker Notebook untuk JupyterLab lingkungan lokal Anda, Anda perlu melakukan instalasi tambahan.
Untuk menginstal Pekerjaan SageMaker Notebook, selesaikan langkah-langkah berikut:
1. Instal Python 3. Untuk detailnya, lihat [Menginstal Paket Python 3 dan Python](https://www.codecademy.com/article/install-python3).
1. Instal JupyterLab versi 4 atau lebih tinggi. Untuk detailnya, lihat [dokumentasi JupyterLab SDK](https://jupyterlab.readthedocs.io/en/stable/getting_started/installation.html).
1. Instal AWS CLI. Untuk detailnya, lihat [Menginstal atau memperbarui versi terbaru AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html).
1. Instal dua set izin. Pengguna IAM membutuhkan izin untuk mengirimkan pekerjaan ke SageMaker AI, dan setelah dikirimkan, pekerjaan notebook itu sendiri mengasumsikan peran IAM yang memerlukan izin untuk mengakses sumber daya tergantung pada tugas pekerjaan.
1. Jika Anda belum membuat pengguna IAM, lihat [Membuat pengguna IAM di akun Anda AWS](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_users_create.html).
1. Jika Anda belum membuat peran pekerjaan notebook, lihat [Membuat peran untuk mendelegasikan izin ke pengguna IAM](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_create_for-user.html).
1. Lampirkan izin dan kebijakan kepercayaan yang diperlukan untuk dilampirkan ke pengguna dan peran Anda. Untuk step-by-step instruksi dan detail izin, lihat[Menginstal kebijakan dan izin untuk lingkungan Jupyter lokal](scheduled-notebook-policies-other.md).
1. Hasilkan AWS kredensyal untuk pengguna IAM Anda yang baru dibuat dan simpan di file kredensyal (\$1/.aws/credentials) lingkungan Anda. JupyterLab Anda dapat melakukan ini dengan perintah CLI. `aws configure` Untuk petunjuknya, lihat bagian *Mengatur dan melihat pengaturan konfigurasi menggunakan perintah* di [Pengaturan file konfigurasi dan kredensi](https://docs.aws.amazon.com/cli/latest/userguide/cli-configure-files.html).
1. (opsional) Secara default, ekstensi penjadwal menggunakan gambar SageMaker AI Docker yang sudah dibuat sebelumnya dengan Python 2.0. Kernel non-default apa pun yang digunakan dalam notebook harus dipasang di wadah. Jika Anda ingin menjalankan notebook Anda dalam wadah atau gambar Docker, Anda perlu membuat gambar Amazon Elastic Container Registry (Amazon ECR). Untuk informasi tentang cara mendorong image Docker ke Amazon ECR, lihat [Mendorong Gambar Docker](https://docs.aws.amazon.com/AmazonECR/latest/userguide/docker-push-ecr-image.html).
1. Tambahkan JupyterLab ekstensi untuk Pekerjaan SageMaker Notebook. Anda dapat menambahkannya ke JupyterLab lingkungan Anda dengan perintah:`pip install amazon_sagemaker_jupyter_scheduler`. Anda mungkin perlu me-restart server Jupyter Anda dengan perintah:. `sudo systemctl restart jupyter-server`
1. Mulailah JupyterLab dengan perintah:`jupyter lab`.
1. Verifikasi bahwa widget (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/notebook-schedule.png)) Pekerjaan Notebook muncul di bilah tugas notebook Jupyter Anda.
# Menyiapkan kebijakan dan izin untuk Studio
Anda harus menginstal kebijakan dan izin yang tepat sebelum menjadwalkan proses notebook pertama Anda. Berikut ini memberikan petunjuk tentang pengaturan izin berikut:
+ Hubungan kepercayaan peran eksekusi pekerjaan
+ Izin IAM tambahan yang dilampirkan pada peran eksekusi pekerjaan
+ (opsional) Kebijakan AWS KMS izin untuk menggunakan kunci KMS kustom
**penting**
Jika AWS akun Anda milik organisasi dengan kebijakan kontrol layanan (SCP), izin efektif Anda adalah persimpangan logis antara apa yang diizinkan oleh dan apa yang diizinkan oleh peran IAM SCPs dan kebijakan pengguna Anda. Misalnya, jika SCP organisasi Anda menetapkan bahwa Anda hanya dapat mengakses sumber daya di `us-east-1` dan`us-west-1`, dan kebijakan Anda hanya memungkinkan Anda untuk mengakses sumber daya di `us-west-1` dan`us-west-2`, pada akhirnya Anda hanya dapat mengakses sumber daya di. `us-west-1` Jika Anda ingin menggunakan semua izin yang diizinkan dalam peran dan kebijakan pengguna, organisasi Anda SCPs harus memberikan kumpulan izin yang sama dengan kebijakan pengguna dan peran IAM Anda sendiri. Untuk detail tentang cara menentukan permintaan yang diizinkan, lihat [Menentukan apakah permintaan diizinkan atau ditolak dalam akun](https://docs.aws.amazon.com/IAM/latest/UserGuide/reference_policies_evaluation-logic.html#policy-eval-denyallow).
**Hubungan kepercayaan**
Untuk mengubah hubungan kepercayaan, selesaikan langkah-langkah berikut:
1. Buka [konsol IAM](https://console.aws.amazon.com/iam/).
1. Pilih **Peran** di panel kiri.
1. Temukan peran eksekusi pekerjaan untuk pekerjaan notebook Anda dan pilih nama peran.
1. Pilih tab **Trust relationship**.
1. Pilih **Edit kebijakan kepercayaan**.
1. Salin dan tempel kebijakan berikut:
------
#### [ 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. Pilih **Kebijakan Perbarui**.
## Izin IAM tambahan
Anda mungkin perlu menyertakan izin IAM tambahan dalam situasi berikut:
+ Eksekusi Studio dan peran pekerjaan notebook Anda berbeda
+ Anda perlu mengakses sumber daya Amazon S3 melalui titik akhir VPC S3
+ Anda ingin menggunakan kunci KMS khusus untuk mengenkripsi bucket Amazon S3 masukan dan output Anda
Diskusi berikut memberikan kebijakan yang Anda butuhkan untuk setiap kasus.
### Izin diperlukan jika eksekusi Studio dan peran pekerjaan notebook Anda berbeda
Cuplikan JSON berikut adalah contoh kebijakan yang harus ditambahkan ke eksekusi Studio dan peran pekerjaan notebook jika Anda tidak menggunakan peran eksekusi Studio sebagai peran pekerjaan notebook. Tinjau dan ubah kebijakan ini jika Anda perlu membatasi hak istimewa lebih lanjut.
------
#### [ 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":"*"
}
]
}
```
------
### Izin yang diperlukan untuk mengakses sumber daya Amazon S3 melalui titik akhir VPC S3
Jika Anda menjalankan SageMaker Studio dalam mode VPC pribadi dan mengakses S3 melalui titik akhir VPC S3, Anda dapat menambahkan izin ke kebijakan titik akhir VPC untuk mengontrol sumber daya S3 mana yang dapat diakses melalui titik akhir VPC. Tambahkan izin berikut ke kebijakan titik akhir VPC Anda. Anda dapat mengubah kebijakan jika perlu membatasi izin lebih lanjut—misalnya, Anda dapat memberikan spesifikasi yang lebih sempit untuk bidang tersebut. `Principal`
```
{
"Sid": "S3DriverAccess",
"Effect": "Allow",
"Principal": "*",
"Action": [
"s3:GetBucketLocation",
"s3:GetObject",
"s3:ListBucket"
],
"Resource": "arn:aws:s3:::sagemakerheadlessexecution-*"
}
```
Untuk detail tentang cara menyiapkan kebijakan titik akhir VPC S3, lihat [Mengedit kebijakan titik akhir VPC](https://docs.aws.amazon.com/vpc/latest/privatelink/vpc-endpoints-s3.html#edit-vpc-endpoint-policy-s3).
### Izin yang diperlukan untuk menggunakan kunci KMS kustom (opsional)
Secara default, bucket input dan output Amazon S3 dienkripsi menggunakan enkripsi sisi server, tetapi Anda dapat menentukan kunci KMS khusus untuk mengenkripsi data Anda di bucket Amazon S3 keluaran dan volume penyimpanan yang dilampirkan ke pekerjaan notebook.
Jika Anda ingin menggunakan kunci KMS kustom, lampirkan kebijakan berikut dan berikan ARN kunci KMS Anda sendiri.
------
#### [ 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"
}
]
}
```
------
# Menginstal kebijakan dan izin untuk lingkungan Jupyter lokal
Anda perlu menyiapkan izin dan kebijakan yang diperlukan untuk menjadwalkan pekerjaan buku catatan di lingkungan Jupyter lokal. Pengguna IAM memerlukan izin untuk mengirimkan pekerjaan ke SageMaker AI dan peran IAM yang diasumsikan oleh pekerjaan notebook itu sendiri membutuhkan izin untuk mengakses sumber daya, tergantung pada tugas pekerjaan. Berikut ini akan memberikan petunjuk tentang cara mengatur izin dan kebijakan yang diperlukan.
Anda harus menginstal dua set izin. Diagram berikut menunjukkan struktur izin bagi Anda untuk menjadwalkan pekerjaan notebook di lingkungan Jupyter lokal. Pengguna IAM perlu mengatur izin IAM untuk mengirimkan pekerjaan ke AI. SageMaker Setelah pengguna mengirimkan pekerjaan notebook, pekerjaan itu sendiri mengasumsikan peran IAM yang memiliki izin untuk mengakses sumber daya tergantung pada tugas pekerjaan.
![\[\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/notebook-jobs-permissions.png)
Bagian berikut membantu Anda menginstal kebijakan dan izin yang diperlukan untuk pengguna IAM dan peran eksekusi pekerjaan.
## Izin pengguna IAM
**Izin untuk mengirimkan pekerjaan ke AI SageMaker **
Untuk menambahkan izin untuk mengirimkan pekerjaan, selesaikan langkah-langkah berikut:
1. Buka [konsol IAM](https://console.aws.amazon.com/iam/).
1. Pilih **Pengguna** di panel kiri.
1. Temukan pengguna IAM untuk pekerjaan notebook Anda dan pilih nama pengguna.
1. Pilih **Tambahkan Izin**, dan pilih **Buat kebijakan sebaris** dari menu tarik-turun.
1. Pilih tab **JSON**.
1. Salin dan tempel kebijakan berikut:
------
#### [ 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 kebijakan izin (opsional)**
Secara default, bucket input dan output Amazon S3 dienkripsi menggunakan enkripsi sisi server, tetapi Anda dapat menentukan kunci KMS khusus untuk mengenkripsi data Anda di bucket Amazon S3 keluaran dan volume penyimpanan yang dilampirkan ke pekerjaan notebook.
Jika Anda ingin menggunakan kunci KMS kustom, ulangi instruksi sebelumnya, lampirkan kebijakan berikut, dan berikan ARN kunci KMS Anda sendiri.
------
#### [ 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"
}
]
}
```
------
## Izin peran eksekusi Job
**Hubungan kepercayaan**
Untuk mengubah hubungan kepercayaan peran eksekusi pekerjaan, selesaikan langkah-langkah berikut:
1. Buka [konsol IAM](https://console.aws.amazon.com/iam/).
1. Pilih **Peran** di panel kiri.
1. Temukan peran eksekusi pekerjaan untuk pekerjaan notebook Anda dan pilih nama peran.
1. Pilih tab **Trust relationship**.
1. Pilih **Edit kebijakan kepercayaan**.
1. Salin dan tempel kebijakan berikut:
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Principal": {
"Service": [
"sagemaker.amazonaws.com",
"events.amazonaws.com"
]
},
"Action": "sts:AssumeRole"
}
]
}
```
------
**Izin tambahan**
Setelah dikirimkan, pekerjaan notebook membutuhkan izin untuk mengakses sumber daya. Petunjuk berikut menunjukkan cara menambahkan seperangkat izin minimal. Jika perlu, tambahkan lebih banyak izin berdasarkan kebutuhan pekerjaan notebook Anda. Untuk menambahkan izin ke peran eksekusi pekerjaan Anda, selesaikan langkah-langkah berikut:
1. Buka [konsol IAM](https://console.aws.amazon.com/iam/).
1. Pilih **Peran** di panel kiri.
1. Temukan peran eksekusi pekerjaan untuk pekerjaan notebook Anda dan pilih nama peran.
1. Pilih **Tambahkan Izin**, dan pilih **Buat kebijakan sebaris** dari menu tarik-turun.
1. Pilih tab **JSON**.
1. Salin dan tempel kebijakan berikut:
------
#### [ 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. Tambahkan izin ke sumber daya lain yang diakses pekerjaan buku catatan Anda.
1. Pilih **Tinjau kebijakan**.
1. Masukkan nama untuk kebijakan Anda.
1. Pilih **Buat kebijakan**.
# Di mana Anda dapat membuat pekerjaan notebook
Jika Anda ingin membuat pekerjaan notebook, Anda memiliki beberapa opsi. Berikut ini menyediakan opsi SageMaker AI bagi Anda untuk membuat pekerjaan notebook.
Anda dapat membuat pekerjaan di JupyterLab buku catatan di UI Studio, atau Anda dapat membuat pekerjaan secara terprogram dengan Python SageMaker SDK:
+ Jika Anda membuat pekerjaan notebook di UI Studio, Anda memberikan detail tentang gambar dan kernel, konfigurasi keamanan, dan variabel atau skrip kustom apa pun, dan pekerjaan Anda dijadwalkan. Untuk detail tentang cara menjadwalkan pekerjaan Anda menggunakan Pekerjaan SageMaker Notebook, lihat[Buat pekerjaan notebook di Studio](create-notebook-auto-run-studio.md).
+ Untuk membuat pekerjaan notebook dengan SageMaker Python SDK, Anda membuat pipeline dengan langkah Pekerjaan Notebook dan memulai proses sesuai permintaan atau secara opsional menggunakan fitur penjadwalan pipeline untuk menjadwalkan proses di masa mendatang. SageMaker SDK memberi Anda fleksibilitas untuk menyesuaikan pipeline Anda—Anda dapat memperluas pipeline ke alur kerja dengan beberapa langkah pekerjaan notebook. Karena Anda membuat langkah Job SageMaker Notebook dan pipeline, Anda dapat melacak status eksekusi pipeline di dasbor pekerjaan Pekerjaan SageMaker Notebook dan juga melihat grafik pipeline di Studio. Untuk detail tentang cara menjadwalkan pekerjaan Anda dengan SageMaker Python SDK dan tautan ke notebook contoh, lihat. [Buat pekerjaan notebook dengan contoh SageMaker AI Python SDK](create-notebook-auto-run-sdk.md)
# Buat pekerjaan notebook dengan contoh SageMaker AI Python SDK
Untuk menjalankan notebook mandiri menggunakan SageMaker Python SDK, Anda perlu membuat langkah Job Notebook, melampirkannya ke pipeline, dan menggunakan utilitas yang disediakan oleh Pipelines untuk menjalankan pekerjaan sesuai permintaan atau secara opsional menjadwalkan satu atau beberapa pekerjaan masa depan. Bagian berikut menjelaskan langkah-langkah dasar untuk membuat pekerjaan notebook sesuai permintaan atau terjadwal dan melacak jalannya. Selain itu, lihat diskusi berikut jika Anda perlu meneruskan parameter ke pekerjaan notebook Anda atau terhubung ke Amazon EMR di buku catatan Anda—persiapan tambahan notebook Jupyter Anda diperlukan dalam kasus ini. Anda juga dapat menerapkan default untuk subset argumen `NotebookJobStep` sehingga Anda tidak perlu menentukannya setiap kali Anda membuat langkah Job Notebook.
Untuk melihat contoh buku catatan yang menunjukkan cara menjadwalkan pekerjaan notebook dengan SageMaker AI Python SDK, [lihat buku catatan contoh pekerjaan notebook](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-pipelines/notebook-job-step).
**Topics**
+ [Langkah-langkah untuk membuat pekerjaan notebook](#create-notebook-auto-run-overall)
+ [Melihat pekerjaan notebook Anda di dasbor Studio UI](#create-notebook-auto-run-dash)
+ [Lihat grafik pipeline Anda di Studio](#create-notebook-auto-run-graph)
+ [Meneruskan parameter ke notebook Anda](#create-notebook-auto-run-passparam)
+ [Menyambung ke klaster EMR Amazon di notebook masukan Anda](#create-notebook-auto-run-emr)
+ [Siapkan opsi default](#create-notebook-auto-run-intdefaults)
## Langkah-langkah untuk membuat pekerjaan notebook
Anda dapat membuat pekerjaan notebook yang berjalan segera atau sesuai jadwal. Instruksi berikut menjelaskan kedua metode.
**Untuk menjadwalkan pekerjaan notebook, selesaikan langkah-langkah dasar berikut:**
1. Buat sebuah `NotebookJobStep` instance. Untuk detail tentang `NotebookJobStep` parameter, lihat [sagemaker.workflow.steps. NotebookJobStep](https://sagemaker.readthedocs.io/en/stable/workflows/pipelines/sagemaker.workflow.pipelines.html#sagemaker.workflow.notebook_job_step.NotebookJobStep). Minimal, Anda dapat memberikan argumen berikut seperti yang ditunjukkan dalam cuplikan kode berikut:
**penting**
Jika Anda menjadwalkan pekerjaan notebook menggunakan SageMaker Python SDK, Anda hanya dapat menentukan gambar tertentu untuk menjalankan pekerjaan notebook Anda. Untuk informasi selengkapnya, lihat [Kendala gambar untuk pekerjaan notebook AI SageMaker Python SDK](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. Buat pipeline dengan langkah Anda `NotebookJobStep` sebagai satu langkah, seperti yang ditunjukkan pada cuplikan berikut:
```
pipeline = Pipeline(
name=pipeline-name,
steps=[notebook_job_step],
sagemaker_session=sagemaker-session,
)
```
1. Jalankan pipeline sesuai permintaan atau secara opsional menjadwalkan pipeline future run. Untuk memulai proses langsung, gunakan perintah berikut:
```
execution = pipeline.start(
parameters={...}
)
```
Secara opsional, Anda dapat menjadwalkan single future pipeline run atau beberapa run pada interval yang telah ditentukan. Anda menentukan jadwal Anda `PipelineSchedule` dan kemudian meneruskan objek jadwal ke pipeline Anda`put_triggers`. Untuk informasi selengkapnya tentang penjadwalan saluran pipa, lihat[Jadwalkan pipeline dengan SageMaker Python SDK](pipeline-eventbridge.md#build-and-manage-scheduling).
Contoh berikut menjadwalkan pipeline Anda untuk berjalan sekali pada 12 Desember 2023 pukul 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])
```
Contoh berikut menjadwalkan pipeline Anda untuk berjalan pada pukul 10:15 UTC pada hari Jumat terakhir setiap bulan selama tahun 2022 hingga 2023. [Untuk detail tentang penjadwalan berbasis cron, lihat Jadwal berbasis 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. (Opsional) Lihat pekerjaan notebook Anda di dasbor Pekerjaan SageMaker Notebook. Nilai yang Anda berikan untuk `tags` argumen langkah Job Notebook mengontrol cara UI Studio menangkap dan menampilkan pekerjaan. Untuk informasi selengkapnya, lihat [Melihat pekerjaan notebook Anda di dasbor Studio UI](#create-notebook-auto-run-dash).
## Melihat pekerjaan notebook Anda di dasbor Studio UI
Pekerjaan buku catatan yang Anda buat sebagai langkah pipeline akan muncul di dasbor Pekerjaan Notebook Studio jika Anda menentukan tag tertentu.
**catatan**
Hanya pekerjaan notebook yang dibuat di Studio atau JupyterLab lingkungan lokal yang membuat definisi pekerjaan. Oleh karena itu, jika Anda membuat pekerjaan notebook dengan SageMaker Python SDK, Anda tidak akan melihat definisi pekerjaan di dasbor Pekerjaan Notebook. Namun, Anda dapat melihat pekerjaan notebook Anda seperti yang dijelaskan dalam[Lihat pekerjaan notebook](view-notebook-jobs.md).
Anda dapat mengontrol anggota tim mana yang dapat melihat pekerjaan buku catatan Anda dengan tag berikut:
+ Untuk menampilkan buku catatan ke semua profil pengguna atau [spasi](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-jl-user-guide.html) di domain, tambahkan tag domain dengan nama domain Anda. Contoh ditunjukkan sebagai berikut:
+ kunci:`sagemaker:domain-name`, nilai: `d-abcdefghij5k`
+ Untuk menampilkan pekerjaan notebook ke profil pengguna tertentu di domain, tambahkan profil pengguna dan tag domain. Contoh tag profil pengguna ditampilkan sebagai berikut:
+ kunci:`sagemaker:user-profile-name`, nilai: `studio-user`
+ Untuk menampilkan pekerjaan notebook ke [spasi](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-jl-user-guide.html), tambahkan spasi dan tag domain. Contoh tag spasi ditampilkan sebagai berikut:
+ kunci:`sagemaker:shared-space-name`, nilai: `my-space-name`
+ Jika Anda tidak melampirkan domain atau profil pengguna atau tag spasi apa pun, UI Studio tidak menampilkan tugas buku catatan yang dibuat berdasarkan langkah pipeline. Dalam hal ini, Anda dapat melihat pekerjaan pelatihan yang mendasarinya di konsol pekerjaan pelatihan atau Anda dapat melihat status dalam [daftar eksekusi pipeline](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-studio-view-execution.html).
Setelah Anda menyiapkan tag yang diperlukan untuk melihat pekerjaan Anda di dasbor, lihat [Lihat pekerjaan notebook](view-notebook-jobs.md) petunjuk tentang cara melihat pekerjaan Anda dan mengunduh output.
## Lihat grafik pipeline Anda di Studio
Karena langkah pekerjaan notebook Anda adalah bagian dari pipeline, Anda dapat melihat grafik pipeline (DAG) di Studio. Dalam grafik pipeline, Anda dapat melihat status jalur pipa dan melacak garis keturunan. Lihat perinciannya di [Lihat detail proses pipeline](pipelines-studio-view-execution.md).
## Meneruskan parameter ke notebook Anda
Jika Anda ingin meneruskan parameter ke pekerjaan notebook Anda (menggunakan `parameters` argumen`NotebookJobStep`), Anda perlu menyiapkan notebook input Anda untuk menerima parameter.
Pelaksana pekerjaan notebook berbasis Papermill mencari sel Jupyter yang ditandai dengan `parameters` tag dan menerapkan parameter baru atau penggantian parameter segera setelah sel ini. Lihat perinciannya di [Parameterisasi notebook Anda](notebook-auto-run-troubleshoot-override.md).
Setelah Anda melakukan langkah ini, berikan parameter Anda ke Anda`NotebookJobStep`, seperti yang ditunjukkan pada contoh berikut:
```
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,
...
)
```
## Menyambung ke klaster EMR Amazon di notebook masukan Anda
Jika Anda terhubung ke klaster EMR Amazon dari notebook Jupyter di Studio, Anda mungkin perlu memodifikasi notebook Jupyter lebih lanjut. Lihat [Connect ke kluster EMR Amazon dari notebook](scheduled-notebook-connect-emr.md) apakah Anda perlu melakukan salah satu tugas berikut di buku catatan Anda:
+ **Masukkan parameter ke perintah koneksi EMR Amazon Anda.** Studio menggunakan Papermill untuk menjalankan notebook. Dalam SparkMagic kernel, parameter yang Anda berikan ke perintah koneksi EMR Amazon Anda mungkin tidak berfungsi seperti yang diharapkan karena cara Papermill meneruskan informasi. SparkMagic
+ **Meneruskan kredensyal pengguna ke cluster EMR Amazon yang diautentikasi oleh Kerberos, LDAP, atau HTTP Basic Auth-autentikasi.** Anda harus meneruskan kredensi pengguna melalui file. AWS Secrets Manager
## Siapkan opsi default
SageMaker SDK memberi Anda opsi untuk mengatur default untuk subset parameter sehingga Anda tidak perlu menentukan parameter ini setiap kali Anda membuat instance. `NotebookJobStep` Parameter ini adalah`role`,`s3_root_uri`,`s3_kms_key`,`volume_kms_key`,`subnets`, dan`security_group_ids`. Gunakan file konfigurasi SageMaker AI untuk mengatur default untuk langkah tersebut. Untuk informasi tentang file konfigurasi SageMaker AI, lihat [Mengonfigurasi dan menggunakan default dengan Python SDK](https://sagemaker.readthedocs.io/en/stable/overview.html#configuring-and-using-defaults-with-the-sagemaker-python-sdk). SageMaker .
Untuk menyiapkan default pekerjaan notebook, terapkan default baru Anda ke bagian pekerjaan buku catatan dari file konfigurasi seperti yang ditunjukkan pada cuplikan berikut:
```
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'
```
# Buat pekerjaan notebook di Studio
**catatan**
Penjadwal notebook dibuat dari layanan Amazon EventBridge, SageMaker Training, dan Pipelines. Jika pekerjaan notebook Anda gagal, Anda mungkin melihat kesalahan yang terkait dengan layanan ini. Berikut ini memberikan informasi tentang cara membuat pekerjaan notebook di UI Studio.
SageMaker Pekerjaan Notebook memberi Anda alat untuk membuat dan mengelola pekerjaan notebook noninteraktif Anda menggunakan widget Pekerjaan Notebook. Anda dapat membuat pekerjaan, melihat pekerjaan yang Anda buat, dan menjeda, menghentikan, atau melanjutkan pekerjaan yang ada. Anda juga dapat memodifikasi jadwal buku catatan.
Saat Anda membuat pekerjaan buku catatan terjadwal dengan widget, penjadwal mencoba menyimpulkan pilihan opsi default dan secara otomatis mengisi formulir untuk membantu Anda memulai dengan cepat. Jika Anda menggunakan Studio, setidaknya Anda dapat mengirimkan pekerjaan sesuai permintaan tanpa menetapkan opsi apa pun. Anda juga dapat mengirimkan definisi pekerjaan buku catatan (terjadwal) yang hanya menyediakan informasi jadwal khusus waktu. Namun, Anda dapat menyesuaikan bidang lain jika pekerjaan terjadwal Anda memerlukan pengaturan khusus. Jika Anda menjalankan buku catatan Jupyter lokal, ekstensi penjadwal menyediakan fitur bagi Anda untuk menentukan default Anda sendiri (untuk subset opsi) sehingga Anda tidak perlu memasukkan nilai yang sama secara manual setiap saat.
Saat membuat pekerjaan buku catatan, Anda dapat menyertakan file tambahan seperti kumpulan data, gambar, dan skrip lokal. Untuk melakukannya, pilih **Jalankan pekerjaan dengan folder input**. Notebook Job sekarang akan memiliki akses ke semua file di bawah folder file input. Sementara pekerjaan notebook berjalan, struktur file direktori tetap tidak berubah.
Untuk menjadwalkan pekerjaan notebook, selesaikan langkah-langkah berikut.
1. Buka formulir **Create Job**.
Di JupyterLab lingkungan lokal, pilih ikon **Buat pekerjaan buku catatan** (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/notebook-schedule.png)) di bilah tugas. Jika Anda tidak melihat ikonnya, ikuti petunjuk [Panduan instalasi](scheduled-notebook-installation.md) untuk menginstalnya.
Di Studio, buka formulir dengan salah satu dari dua cara:
+ Menggunakan **File Browser**
1. Di **File Browser** di panel kiri, klik kanan pada notebook yang ingin Anda jalankan sebagai pekerjaan terjadwal.
1. Pilih **Create Notebook Job**.
+ Di dalam notebook Studio
+ Di dalam buku catatan Studio yang ingin Anda jalankan sebagai pekerjaan terjadwal, pilih ikon **Buat pekerjaan notebook** (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/notebook-schedule.png)) di toolbar Studio.
1. Lengkapi formulir popup. Formulir menampilkan bidang-bidang berikut:
+ **Nama Job: Nama** deskriptif yang Anda tentukan untuk pekerjaan Anda.
+ **File input**: Nama buku catatan yang Anda jadwalkan untuk dijalankan dalam mode noninteraktif.
+ **Jenis komputasi**: Jenis instans Amazon EC2 di mana Anda ingin menjalankan notebook Anda.
+ **Parameter**: Parameter khusus yang dapat Anda tentukan secara opsional sebagai input ke buku catatan Anda. Untuk menggunakan fitur ini, Anda mungkin secara opsional ingin menandai sel tertentu di buku catatan Jupyter Anda dengan **parameters** tag untuk mengontrol di mana parameter Anda diterapkan. Untuk detail selengkapnya, lihat [Parameterisasi notebook Anda](notebook-auto-run-troubleshoot-override.md).
+ (Opsional) **Jalankan pekerjaan dengan folder input**: Jika dipilih, pekerjaan terjadwal akan memiliki akses ke semua file yang ditemukan di folder yang sama dengan **file Input**.
+ **Opsi Tambahan**: Anda dapat menentukan penyesuaian tambahan untuk pekerjaan Anda. Misalnya, Anda dapat menentukan gambar atau kernel, folder input dan output, opsi coba ulang pekerjaan dan batas waktu, detail enkripsi, dan skrip inisialisasi kustom. Untuk daftar lengkap penyesuaian yang dapat Anda terapkan, lihat. [Pilihan yang tersedia](create-notebook-auto-execution-advanced.md)
1. Jadwalkan pekerjaan Anda. Anda dapat menjalankan notebook Anda sesuai permintaan atau pada jadwal tetap.
+ Untuk menjalankan notebook sesuai permintaan, selesaikan langkah-langkah berikut:
+ Pilih **Jalankan Sekarang**.
+ Pilih **Buat**.
+ Tab **Pekerjaan Notebook** akan muncul. Pilih **Muat Ulang** untuk memuat pekerjaan Anda ke dasbor.
+ Untuk menjalankan notebook pada jadwal tetap, selesaikan langkah-langkah berikut:
+ Pilih **Jalankan sesuai jadwal**.
+ Pilih daftar dropdown **Interval** dan pilih interval. Intervalnya berkisar dari setiap menit hingga bulanan. Anda juga dapat memilih **Jadwal khusus**.
+ Berdasarkan interval yang Anda pilih, bidang tambahan muncul untuk membantu Anda menentukan lebih lanjut hari dan waktu lari yang Anda inginkan. Misalnya, jika Anda memilih **Hari** untuk menjalankan harian, bidang tambahan akan muncul bagi Anda untuk menentukan waktu yang diinginkan. Perhatikan bahwa setiap kali Anda menentukan dalam format UTC. Perhatikan juga bahwa jika Anda memilih interval kecil, seperti satu menit, pekerjaan Anda tumpang tindih jika pekerjaan sebelumnya tidak selesai ketika pekerjaan berikutnya dimulai.
Jika Anda memilih jadwal kustom, Anda menggunakan sintaks cron di kotak ekspresi untuk menentukan tanggal dan waktu berjalan yang tepat. Sintaks cron adalah daftar digit yang dipisahkan ruang, yang masing-masing mewakili satuan waktu dari detik ke tahun. Untuk bantuan dengan sintaks cron, Anda dapat memilih **Dapatkan bantuan dengan sintaks cron di** bawah kotak ekspresi.
+ Pilih **Buat**.
+ Tab **Notebook Job Definitions** muncul. Pilih **Muat Ulang** untuk memuat definisi pekerjaan Anda ke dasbor.
# Menyiapkan opsi default untuk buku catatan lokal
**penting**
Pada 30 November 2023, pengalaman Amazon SageMaker Studio sebelumnya sekarang bernama Amazon SageMaker Studio Classic. Bagian berikut ini khusus untuk menggunakan aplikasi Studio Classic. Untuk informasi tentang menggunakan pengalaman Studio yang diperbarui, lihat[SageMaker Studio Amazon](studio-updated.md).
Studio Classic masih dipertahankan untuk beban kerja yang ada tetapi tidak lagi tersedia untuk orientasi. Anda hanya dapat menghentikan atau menghapus aplikasi Studio Classic yang ada dan tidak dapat membuat yang baru. Kami menyarankan Anda [memigrasikan beban kerja Anda ke pengalaman Studio yang baru](studio-updated-migrate.md).
Anda dapat mengatur opsi default saat membuat pekerjaan buku catatan. Ini dapat menghemat waktu Anda jika Anda berencana untuk membuat beberapa pekerjaan notebook dengan opsi berbeda dari default yang disediakan. Berikut ini memberikan informasi tentang cara mengatur opsi default untuk notebook lokal.
Jika Anda harus mengetik (atau menempelkan) nilai kustom secara manual di formulir **Buat Job**, Anda dapat menyimpan nilai default baru dan ekstensi penjadwal menyisipkan nilai baru Anda setiap kali Anda membuat definisi pekerjaan baru. Fitur ini tersedia untuk opsi berikut:
+ **Peran ARN**
+ **Folder Masukan S3**
+ **Folder Keluaran S3**
+ **Kunci KMS enkripsi keluaran** (jika Anda mengaktifkan **Configure Job Encryption**)
+ **Kunci KMS enkripsi volume instance Job** (jika Anda mengaktifkan **Configure Job Encryption**)
Fitur ini menghemat waktu Anda jika Anda memasukkan nilai yang berbeda dari default yang disediakan dan terus menggunakan nilai-nilai tersebut untuk menjalankan pekerjaan di masa depan. Pengaturan pengguna yang Anda pilih disimpan di mesin yang menjalankan JupyterLab server Anda dan diambil dengan bantuan API asli. Jika Anda memberikan nilai default baru untuk satu atau lebih tetapi tidak semua lima opsi, default sebelumnya diambil untuk yang tidak Anda sesuaikan.
Petunjuk berikut menunjukkan cara melihat pratinjau nilai default yang ada, menetapkan nilai default baru, dan mengatur ulang nilai default untuk pekerjaan buku catatan Anda.
**Untuk melihat pratinjau nilai default yang ada untuk pekerjaan buku catatan Anda, selesaikan langkah-langkah berikut:**
1. Buka konsol Amazon SageMaker Studio Classic dengan mengikuti petunjuk di[Luncurkan Amazon SageMaker Studio Classic](studio-launch.md).
1. Di **File Browser** di panel kiri, klik kanan pada notebook yang ingin Anda jalankan sebagai pekerjaan terjadwal.
1. Pilih **Create Notebook Job**.
1. Pilih **Opsi tambahan** untuk memperluas tab pengaturan pekerjaan notebook. Anda dapat melihat pengaturan default di sini.
**Untuk menetapkan nilai default baru untuk pekerjaan notebook masa depan Anda, selesaikan langkah-langkah berikut:**
1. Buka konsol Amazon SageMaker Studio Classic dengan mengikuti petunjuk di[Luncurkan Amazon SageMaker Studio Classic](studio-launch.md).
1. Dari menu atas di Studio Classic, pilih **Settings**, lalu pilih **Advanced Settings Editor**.
1. Pilih **Amazon SageMaker Scheduler** dari daftar di bawah **Pengaturan**. Ini mungkin sudah terbuka secara default.
1. Anda dapat memperbarui pengaturan default langsung di halaman UI ini atau dengan menggunakan editor JSON.
+ Di UI Anda dapat menyisipkan nilai baru untuk **ARN Peran**, Folder Input **S3, Folder Output** **S3**, kunci KMS **enkripsi Output, atau kunci KMS** enkripsi volume **Job instance**. **Jika Anda mengubah nilai-nilai ini, Anda akan melihat default baru untuk bidang ini saat Anda membuat pekerjaan buku catatan berikutnya di bawah Opsi tambahan.**
+ (Opsional) Untuk memperbarui default pengguna menggunakan **Editor Pengaturan JSON**, selesaikan langkah-langkah berikut:
1. Di pojok kanan atas, pilih **Editor Pengaturan JSON**.
1. Di bilah sisi kiri **Pengaturan**, pilih **Amazon SageMaker AI Scheduler**. Ini mungkin sudah terbuka secara default.
Anda dapat melihat nilai default Anda saat ini di panel **Preferensi Pengguna**.
Anda dapat melihat nilai default sistem di panel **System Defaults**.
1. Untuk memperbarui nilai default Anda, salin dan tempel cuplikan JSON dari panel **Default Sistem** ke panel **Preferensi Pengguna**, dan perbarui bidangnya.
1. Jika Anda memperbarui nilai default, pilih ikon **Simpan Pengaturan Pengguna** (![\[Icon of a cloud with an arrow pointing upward, representing cloud upload functionality.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/Notebook_save.png)) di sudut kanan atas. Menutup editor tidak menyimpan perubahan.
**Jika sebelumnya Anda berubah dan sekarang ingin mengatur ulang nilai default yang ditentukan pengguna, selesaikan langkah-langkah berikut:**
1. Dari menu atas di Studio Classic, pilih **Settings**, lalu pilih **Advanced Settings Editor**.
1. Pilih **Amazon SageMaker Scheduler** dari daftar di bawah **Pengaturan**. Ini mungkin sudah terbuka secara default.
1. Anda dapat mengembalikan default dengan langsung menggunakan halaman UI ini atau menggunakan editor JSON.
+ Di UI Anda dapat memilih **Restore to Defaults** di pojok kanan atas. Default Anda dikembalikan ke string kosong. Anda hanya melihat opsi ini jika sebelumnya Anda mengubah nilai default Anda.
+ (Opsional) Untuk memulai ulang pengaturan default menggunakan **Editor Pengaturan JSON**, selesaikan langkah-langkah berikut:
1. Di pojok kanan atas, pilih **Editor Pengaturan JSON**.
1. Di bilah sisi kiri **Pengaturan**, pilih **Amazon SageMaker AI Scheduler**. Ini mungkin sudah terbuka secara default.
Anda dapat melihat nilai default Anda saat ini di panel **Preferensi Pengguna**.
Anda dapat melihat nilai default sistem di panel **System Defaults**.
1. Untuk memulihkan pengaturan default Anda saat ini, salin konten dari panel **Default Sistem ke panel Preferensi** **Pengguna**.
1. Pilih ikon **Simpan Pengaturan Pengguna** (![\[Icon of a cloud with an arrow pointing upward, representing cloud upload functionality.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/Notebook_save.png)) di sudut kanan atas. Menutup editor tidak menyimpan perubahan.
# Alur kerja pekerjaan notebook
Karena pekerjaan notebook menjalankan kode kustom, Anda dapat membuat pipeline yang menyertakan satu atau beberapa langkah pekerjaan notebook. Alur kerja ML sering berisi beberapa langkah, seperti langkah pemrosesan untuk memproses data sebelumnya, langkah pelatihan untuk membangun model Anda, dan langkah evaluasi model, antara lain. Salah satu kemungkinan penggunaan pekerjaan notebook adalah untuk menangani pra-pemrosesan — Anda mungkin memiliki buku catatan yang melakukan transformasi atau konsumsi data, langkah EMR yang melakukan pembersihan data, dan pekerjaan notebook lain yang melakukan featurisasi input Anda sebelum memulai langkah pelatihan. Pekerjaan notebook mungkin memerlukan informasi dari langkah sebelumnya dalam pipeline atau dari kustomisasi yang ditentukan pengguna sebagai parameter di notebook input. Untuk contoh yang menunjukkan cara meneruskan variabel dan parameter lingkungan ke buku catatan Anda dan mengambil informasi dari langkah sebelumnya, lihat[Berikan informasi ke dan dari langkah buku catatan Anda](create-notebook-auto-run-dag-seq.md).
Dalam kasus penggunaan lain, salah satu pekerjaan notebook Anda mungkin memanggil buku catatan lain untuk melakukan beberapa tugas selama menjalankan notebook Anda—dalam skenario ini Anda perlu menentukan buku catatan bersumber ini sebagai dependensi dengan langkah pekerjaan notebook Anda. Untuk informasi tentang cara memanggil buku catatan lain, lihat[Panggil buku catatan lain di pekerjaan notebook Anda](create-notebook-auto-run-dag-call.md).
Untuk melihat contoh buku catatan yang menunjukkan cara menjadwalkan pekerjaan notebook dengan SageMaker AI Python SDK, [lihat buku catatan contoh pekerjaan notebook](https://github.com/aws/amazon-sagemaker-examples/tree/main/sagemaker-pipelines/notebook-job-step).
# Berikan informasi ke dan dari langkah buku catatan Anda
Bagian berikut menjelaskan cara untuk meneruskan informasi ke buku catatan Anda sebagai variabel dan parameter lingkungan.
## Lulus variabel lingkungan
Lulus variabel lingkungan sebagai kamus ke `environment_variable` argumen Anda`NotebookJobStep`, seperti yang ditunjukkan pada contoh berikut:
```
environment_variables = {"RATE": 0.0001, "BATCH_SIZE": 1000}
notebook_job_step = NotebookJobStep(
...
environment_variables=environment_variables,
...
)
```
Anda dapat menggunakan variabel lingkungan di buku catatan menggunakan`os.getenv()`, seperti yang ditunjukkan pada contoh berikut:
```
# inside your notebook
import os
print(f"ParentNotebook: env_key={os.getenv('env_key')}")
```
## Parameter lulus
Saat meneruskan parameter ke langkah Job Notebook pertama dalam `NotebookJobStep` instans, Anda mungkin ingin menandai sel di buku catatan Jupyter untuk menunjukkan tempat menerapkan parameter baru atau penggantian parameter. Untuk petunjuk tentang cara menandai sel di buku catatan Jupyter Anda, lihat. [Parameterisasi notebook Anda](notebook-auto-run-troubleshoot-override.md)
Anda meneruskan parameter melalui parameter langkah Notebook Job, seperti yang ditunjukkan pada cuplikan berikut: `parameters`
```
notebook_job_parameters = {
"company": "Amazon",
}
notebook_job_step = NotebookJobStep(
...
parameters=notebook_job_parameters,
...
)
```
Di dalam buku catatan input Anda, parameter Anda diterapkan setelah sel ditandai dengan `parameters` atau di awal buku catatan jika Anda tidak memiliki sel yang ditandai.
```
# 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}')
```
## Mengambil informasi dari langkah sebelumnya
Diskusi berikut menjelaskan bagaimana Anda dapat mengekstrak data dari langkah sebelumnya untuk diteruskan ke langkah Job Notebook Anda.
**Gunakan `properties` atribut**
Anda dapat menggunakan properti berikut dengan `properties` atribut langkah sebelumnya:
+ `ComputingJobName`—Nama pekerjaan pelatihan
+ `ComputingJobStatus`—Status pekerjaan pelatihan
+ `NotebookJobInputLocation`—Masukan lokasi Amazon S3
+ `NotebookJobOutputLocationPrefix`—Jalan menuju output pekerjaan pelatihan Anda, lebih `{NotebookJobOutputLocationPrefix}/{training-job-name}/output/output.tar.gz` spesifik. berisi output
+ `InputNotebookName`—Nama file notebook masukan
+ `OutputNotebookName`—Nama file notebook keluaran (yang mungkin tidak ada di folder keluaran pekerjaan pelatihan jika pekerjaan gagal)
Cuplikan kode berikut menunjukkan cara mengekstrak parameter dari atribut properti.
```
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,
}
```
**Gunakan JsonGet**
Jika Anda ingin meneruskan parameter selain yang disebutkan sebelumnya dan output JSON dari langkah Anda sebelumnya berada di Amazon S3, gunakan. `JsonGet` `JsonGet`adalah mekanisme umum yang dapat langsung mengekstrak data dari file JSON di Amazon S3.
Untuk mengekstrak file JSON di Amazon S3 `JsonGet` dengan, selesaikan langkah-langkah berikut:
1. Unggah file JSON Anda ke Amazon S3. Jika data Anda sudah diunggah ke Amazon S3, lewati langkah ini. Contoh berikut menunjukkan mengunggah file JSON ke 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. Berikan URI S3 Anda dan jalur JSON ke nilai yang ingin Anda ekstrak. Dalam contoh berikut, `JsonGet` mengembalikan sebuah objek yang mewakili indeks 2 dari nilai yang terkait dengan key `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"
}
)
```
# Panggil buku catatan lain di pekerjaan notebook Anda
Anda dapat mengatur pipa di mana satu pekerjaan notebook memanggil notebook lain. Berikut ini menyiapkan contoh pipeline dengan langkah Notebook Job di mana notebook memanggil dua notebook lainnya. Notebook input berisi baris berikut:
```
%run 'subfolder/notebook_to_call_in_subfolder.ipynb'
%run 'notebook_to_call.ipynb'
```
Masukkan buku catatan ini ke `NotebookJobStep` instans Anda`additional_dependencies`, seperti yang ditunjukkan pada cuplikan berikut. Perhatikan bahwa jalur yang disediakan untuk buku catatan `additional_dependencies` disediakan dari lokasi root. Untuk informasi tentang cara SageMaker AI mengunggah file dan folder dependen Anda ke Amazon S3 sehingga Anda dapat memberikan jalur ke dependensi dengan benar, lihat deskripsi untuk di. `additional_dependencies` [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,
)
```
# Pilihan yang tersedia
Tabel berikut menampilkan semua opsi yang tersedia yang dapat Anda gunakan untuk menyesuaikan pekerjaan notebook, baik Anda menjalankan Job Notebook di Studio, lingkungan Jupyter lokal, atau menggunakan Python SageMaker SDK. Tabel ini mencakup jenis opsi kustom, deskripsi, pedoman tambahan tentang cara menggunakan opsi, nama bidang untuk opsi di Studio (jika tersedia) dan nama parameter untuk langkah pekerjaan notebook di SDK SageMaker Python (jika tersedia).
Untuk beberapa opsi, Anda juga dapat mengatur nilai default kustom sehingga Anda tidak perlu menentukannya setiap kali Anda menyiapkan pekerjaan buku catatan. Untuk Studio, opsi ini adalah **Peran**, **folder Input**, **folder Output**, dan **ID Kunci KMS**, dan ditentukan dalam tabel berikut. Jika Anda menetapkan default kustom untuk opsi ini, bidang ini akan diisi sebelumnya dalam formulir Buat Job saat Anda **membuat pekerjaan** buku catatan. Untuk detail tentang cara membuat default kustom di Studio dan lingkungan Jupyter lokal, lihat. [Menyiapkan opsi default untuk buku catatan lokal](create-notebook-auto-execution-advanced-default.md)
SageMaker SDK juga memberi Anda opsi untuk mengatur default cerdas sehingga Anda tidak perlu menentukan parameter ini saat membuat file. `NotebookJobStep` Parameter ini adalah `role``s3_root_uri`,`s3_kms_key`,`volume_kms_key`, `subnets``security_group_ids`,,, dan ditentukan dalam tabel berikut. Untuk informasi tentang cara mengatur default cerdas, lihat. [Siapkan opsi default](create-notebook-auto-run-sdk.md#create-notebook-auto-run-intdefaults)
| Opsi kustom | Deskripsi | Pedoman khusus studio | Pedoman lingkungan Jupyter lokal | SageMaker Pedoman Python SDK |
| --- | --- | --- | --- | --- |
| Nama Tugas | Nama pekerjaan Anda seperti yang akan muncul di dasbor Pekerjaan Notebook. | Nama Field Job. | Sama seperti studio. | Parameternotebook\$1job\$1name. Default ke None. |
| Citra | Gambar kontainer yang digunakan untuk menjalankan notebook secara noninteraktif pada jenis komputasi yang dipilih. | Gambar Bidang. Bidang ini default ke gambar notebook Anda saat ini. Ubah bidang ini dari default ke nilai kustom jika diperlukan. Jika Studio tidak dapat menyimpulkan nilai ini, formulir akan menampilkan kesalahan validasi yang mengharuskan Anda untuk menentukannya. Gambar ini dapat berupa kustom, [bring-your-own gambar, atau SageMaker gambar](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-byoi.html) Amazon yang tersedia. Untuk daftar SageMaker gambar yang tersedia yang didukung oleh penjadwal buku catatan, lihat[SageMaker Gambar Amazon Tersedia untuk Digunakan Dengan Notebook Studio Classic](notebooks-available-images.md). | Gambar Bidang. Bidang ini memerlukan URI ECR dari image Docker yang dapat menjalankan notebook yang disediakan pada jenis komputasi yang dipilih. Secara default, ekstensi penjadwal menggunakan gambar SageMaker AI Docker yang sudah dibuat sebelumnya — dasar Python 2.0. Ini adalah gambar resmi Python 3.8 dari DockerHub dengan boto3,, AWS CLI dan kernel Python 3. Anda juga dapat memberikan URI ECR apa pun yang memenuhi spesifikasi gambar kustom notebook. Lihat perinciannya di [Spesifikasi SageMaker Gambar Kustom untuk Amazon SageMaker Studio Classic](studio-byoi-specs.md). Gambar ini harus memiliki semua kernel dan pustaka yang diperlukan untuk menjalankan notebook. | Diperlukan. Parameterimage\$1uri. Lokasi URI dari gambar Docker di ECR. Anda dapat menggunakan Gambar SageMaker Distribusi tertentu atau gambar kustom berdasarkan gambar tersebut, atau gambar Anda sendiri yang telah diinstal sebelumnya dengan dependensi pekerjaan notebook yang memenuhi persyaratan tambahan. Lihat perinciannya di [Kendala gambar untuk pekerjaan notebook AI SageMaker Python SDK](notebook-auto-run-constraints.md#notebook-auto-run-constraints-image-sdk). |
| Tipe instans | Jenis instans EC2 yang digunakan untuk menjalankan pekerjaan notebook. Pekerjaan notebook menggunakan SageMaker Training Job sebagai lapisan komputasi, jadi tipe instance yang ditentukan harus berupa tipe instans yang didukung SageMaker Pelatihan. | Tipe Komputasi Bidang. Default ke ml.m5.large. | Sama seperti studio. | Parameterinstance\$1type. Default ke ml.m5.large. |
| Kernel | Kernel Jupyter digunakan untuk menjalankan pekerjaan notebook. | Kernel Lapangan. Bidang ini default ke kernel notebook Anda saat ini. Ubah bidang ini dari default ke nilai kustom jika diperlukan. Jika Studio tidak dapat menyimpulkan nilai ini, formulir akan menampilkan kesalahan validasi yang mengharuskan Anda untuk menentukannya. | Kernel Lapangan. Kernel ini harus ada dalam gambar dan mengikuti spesifikasi kernel Jupyter. Bidang ini default ke kernel Python3 yang ditemukan di gambar dasar Python 2.0. SageMaker Ubah bidang ini menjadi nilai kustom jika diperlukan. | Diperlukan. Parameterkernel\$1name. Kernel ini harus ada dalam gambar dan mengikuti spesifikasi kernel Jupyter. Untuk melihat pengidentifikasi kernel untuk gambar Anda, lihat (LINK). |
| SageMaker Sesi AI | Sesi SageMaker AI yang mendasari panggilan layanan SageMaker AI didelegasikan. | N/A | N/A | Parametersagemaker\$1session. Jika tidak ditentukan, satu dibuat menggunakan rantai konfigurasi default. |
| Peran ARN | Nama Sumber Daya Amazon (ARN) peran yang digunakan dengan pekerjaan notebook. | Peran Lapangan ARN. Bidang ini default ke peran eksekusi Studio. Ubah bidang ini menjadi nilai kustom jika diperlukan. Jika Studio tidak dapat menyimpulkan nilai ini, bidang **ARN Peran** kosong. Dalam hal ini, masukkan ARN yang ingin Anda gunakan. | Peran Lapangan ARN. Bidang ini default ke peran apa pun yang diawali dengan. SagemakerJupyterScheduler Jika Anda memiliki beberapa peran dengan awalan, ekstensi memilih satu. Ubah bidang ini menjadi nilai kustom jika diperlukan. Untuk bidang ini, Anda dapat mengatur default pengguna Anda sendiri yang telah terisi sebelumnya setiap kali Anda membuat definisi pekerjaan baru. Lihat perinciannya di [Menyiapkan opsi default untuk buku catatan lokal](create-notebook-auto-execution-advanced-default.md). | Parameterrole. Default ke peran IAM default SageMaker AI jika SDK berjalan di Notebook atau Notebook Studio. SageMaker SageMaker Kalau tidak, itu melempar a. ValueError Memungkinkan default cerdas. |
| Notebook masukan | Nama notebook yang Anda jadwalkan untuk dijalankan. | Diperlukan. Berkas Masukan Bidang. | Sama seperti studio. | Diperlukan .Parameterinput\$1notebook. |
| Folder masukan | Folder yang berisi input Anda. Input pekerjaan, termasuk notebook input dan skrip start-up atau inisialisasi opsional apa pun, dimasukkan ke dalam folder ini. | Folder Masukan Bidang. Jika Anda tidak menyediakan folder, penjadwal akan membuat bucket Amazon S3 default untuk input Anda. | Sama seperti studio. Untuk bidang ini, Anda dapat mengatur default pengguna Anda sendiri yang telah terisi sebelumnya setiap kali Anda membuat definisi pekerjaan baru. Lihat perinciannya di [Menyiapkan opsi default untuk buku catatan lokal](create-notebook-auto-execution-advanced-default.md). | N/A. Folder input ditempatkan di dalam lokasi yang ditentukan oleh parameters3\$1root\$1uri. |
| Folder keluaran | Folder yang berisi output Anda. Output pekerjaan, termasuk notebook keluaran dan log, dimasukkan ke dalam folder ini. | Folder Keluaran Bidang. Jika Anda tidak menentukan folder, penjadwal akan membuat bucket Amazon S3 default untuk output Anda. | Sama seperti studio. Untuk bidang ini, Anda dapat mengatur default pengguna Anda sendiri yang telah terisi sebelumnya setiap kali Anda membuat definisi pekerjaan baru. Lihat perinciannya di [Menyiapkan opsi default untuk buku catatan lokal](create-notebook-auto-execution-advanced-default.md). | N/A. Folder output ditempatkan di dalam lokasi yang ditentukan oleh parameters3\$1root\$1uri. |
| Parameter | Kamus variabel dan nilai untuk diteruskan ke pekerjaan notebook Anda. | Parameter Bidang. Anda perlu membuat [parameter notebook Anda](https://docs.aws.amazon.com/sagemaker/latest/dg/notebook-auto-run-troubleshoot-override.html) untuk menerima parameter. | Sama seperti studio. | Parameterparameters. Anda perlu membuat [parameter notebook Anda](https://docs.aws.amazon.com/sagemaker/latest/dg/notebook-auto-run-troubleshoot-override.html) untuk menerima parameter. |
| Dependensi tambahan (file atau folder) | Daftar dependensi file atau folder yang diunggah oleh pekerjaan notebook ke folder bertahap s3. | Tidak didukung. | Tidak didukung. | Parameteradditional\$1dependencies. Pekerjaan notebook mengunggah dependensi ini ke folder bertahap S3 sehingga dapat dikonsumsi selama eksekusi. |
| URI akar S3 | Folder yang berisi input Anda. Input pekerjaan, termasuk notebook input dan skrip start-up atau inisialisasi opsional apa pun, dimasukkan ke dalam folder ini. Bucket S3 ini harus sama dengan Akun AWS yang Anda gunakan untuk menjalankan pekerjaan notebook Anda. | N/A. Gunakan Folder Input dan folder Output. | Sama seperti studio. | Parameters3\$1root\$1uri. Default ke bucket S3 default. Memungkinkan default cerdas. |
| Variabel-variabel lingkungan | Setiap variabel lingkungan yang ada yang ingin Anda timpa, atau variabel lingkungan baru yang ingin Anda perkenalkan dan gunakan di buku catatan Anda. | Variabel Lingkungan Lapangan. | Sama seperti studio. | Parameterenvironment\$1variables. Default ke None. |
| Tag | Daftar tag yang dilampirkan pada pekerjaan. | N/A | N/A | Parametertags. Default ke None. Tag Anda mengontrol cara UI Studio menangkap dan menampilkan pekerjaan yang dibuat oleh pipeline. Lihat perinciannya di [Melihat pekerjaan notebook Anda di dasbor Studio UI](create-notebook-auto-run-sdk.md#create-notebook-auto-run-dash). |
| Skrip start-up | Skrip yang dimuat sebelumnya di menu startup notebook yang dapat Anda pilih untuk dijalankan sebelum menjalankan notebook. | Skrip Start-up bidang. Pilih skrip Lifecycle Configuration (LCC) yang berjalan pada gambar saat start-up. Skrip start-up berjalan di shell di luar lingkungan Studio. Oleh karena itu, skrip ini tidak dapat bergantung pada penyimpanan lokal Studio, variabel lingkungan, atau metadata aplikasi (in`/opt/ml/metadata`). Juga, jika Anda menggunakan skrip start-up dan skrip inisialisasi, skrip start-up berjalan terlebih dahulu. | Tidak didukung. | Tidak didukung. |
| Skrip inisialisasi | Jalur ke skrip lokal yang dapat Anda jalankan saat notebook Anda dimulai. | Skrip Inisialisasi Bidang. Masukkan jalur file EFS tempat skrip lokal atau skrip Lifecycle Configuration (LCC) berada. Jika Anda menggunakan skrip start-up dan skrip inisialisasi, skrip start-up berjalan terlebih dahulu. Skrip inisialisasi bersumber dari shell yang sama dengan pekerjaan notebook. Ini tidak berlaku untuk skrip start-up yang dijelaskan sebelumnya. Juga, jika Anda menggunakan skrip start-up dan skrip inisialisasi, skrip start-up berjalan terlebih dahulu. | Skrip Inisialisasi Bidang. Masukkan jalur file lokal tempat skrip lokal atau skrip Konfigurasi Siklus Hidup (LCC) berada. | Parameterinitialization\$1script. Default ke None. |
| Upaya coba lagi maksimal | Berapa kali Studio mencoba menjalankan kembali pekerjaan yang gagal. | Upaya coba lagi Field Max. Default ke 1. | Sama seperti studio. | Parametermax\$1retry\$1attempts. Default ke 1. |
| Waktu lari maks (dalam detik) | Panjang waktu maksimum, dalam hitungan detik, pekerjaan notebook dapat dijalankan sebelum dihentikan. Jika Anda mengonfigurasi upaya Max run time dan Max retry, waktu berjalan berlaku untuk setiap percobaan ulang. Jika pekerjaan tidak selesai saat ini, statusnya diatur keFailed. | Field Max run time (dalam detik). Default ke 172800 seconds (2 days). | Sama seperti studio. | Parametermax\$1runtime\$1in\$1seconds. Default ke 172800 seconds (2 days). |
| Coba lagi kebijakan | Daftar kebijakan coba lagi, yang mengatur tindakan yang harus diambil jika terjadi kegagalan. | Tidak didukung. | Tidak didukung. | Parameterretry\$1policies. Default ke None. |
| Tambah Step atau StepCollection dependensi | Daftar Step atau StepCollection nama atau contoh di mana pekerjaan tergantung. | Tidak didukung. | Tidak didukung. | Parameterdepends\$1on. Default ke None. Gunakan ini untuk menentukan dependensi eksplisit di antara langkah-langkah dalam grafik pipeline Anda. |
| Ukuran volume | Ukuran dalam GB volume penyimpanan untuk menyimpan data input dan output selama pelatihan. | Tidak didukung. | Tidak didukung. | Parametervolume\$1size. Default ke 30GB. |
| Enkripsi lalu lintas antar kontainer | Bendera yang menentukan apakah lalu lintas antar wadah pelatihan dienkripsi untuk pekerjaan pelatihan. | N/A. Diaktifkan secara default. | N/A. Diaktifkan secara default. | Parameterencrypt\$1inter\$1container\$1traffic. Default ke True. |
| Konfigurasikan enkripsi pekerjaan | Indikator bahwa Anda ingin mengenkripsi output pekerjaan notebook, volume instans pekerjaan, atau keduanya. | Bidang Konfigurasi enkripsi pekerjaan. Centang kotak ini untuk memilih enkripsi. Jika dibiarkan tidak dicentang, output pekerjaan dienkripsi dengan kunci KMS default akun dan volume instance pekerjaan tidak dienkripsi. | Sama seperti studio. | Tidak didukung. |
| Kunci KMS enkripsi keluaran | Kunci KMS untuk digunakan jika Anda ingin menyesuaikan kunci enkripsi yang digunakan untuk output pekerjaan notebook Anda. Bidang ini hanya berlaku jika Anda memeriksa Konfigurasi enkripsi pekerjaan. | Kunci KMS enkripsi Keluaran Bidang. Jika Anda tidak menentukan bidang ini, output pekerjaan notebook Anda dienkripsi dengan SSE-KMS menggunakan kunci Amazon S3 KMS default. Selain itu, jika Anda membuat bucket Amazon S3 sendiri dan menggunakan enkripsi, metode enkripsi Anda akan dipertahankan. | Sama seperti studio. Untuk bidang ini, Anda dapat mengatur default pengguna Anda sendiri yang telah terisi sebelumnya setiap kali Anda membuat definisi pekerjaan baru. Lihat perinciannya di [Menyiapkan opsi default untuk buku catatan lokal](create-notebook-auto-execution-advanced-default.md). | Parameters3\$1kms\$1key. Default ke None. Memungkinkan default cerdas. |
| Kunci KMS enkripsi volume contoh Job | Kunci KMS untuk digunakan jika Anda ingin mengenkripsi volume instance pekerjaan Anda. Bidang ini hanya berlaku jika Anda memeriksa Konfigurasi enkripsi pekerjaan. | Kunci KMS enkripsi volume instance Field Job. | Kunci KMS enkripsi volume instance Field Job. Untuk bidang ini, Anda dapat mengatur default pengguna Anda sendiri yang telah terisi sebelumnya setiap kali Anda membuat definisi pekerjaan baru. Lihat perinciannya di [Menyiapkan opsi default untuk buku catatan lokal](create-notebook-auto-execution-advanced-default.md). | Parametervolume\$1kms\$1key. Default ke None. Memungkinkan default cerdas. |
| Gunakan Virtual Private Cloud untuk menjalankan pekerjaan ini (untuk pengguna VPC) | Indikator bahwa Anda ingin menjalankan pekerjaan ini di Virtual Private Cloud (VPC). Untuk keamanan yang lebih baik, Anda disarankan untuk menggunakan VPC pribadi. | Bidang Gunakan Virtual Private Cloud untuk menjalankan pekerjaan ini. Centang kotak ini jika Anda ingin menggunakan VPC. Minimal, buat titik akhir VPC berikut untuk memungkinkan pekerjaan notebook Anda terhubung secara pribadi ke sumber daya tersebut: AWS [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/create-notebook-auto-execution-advanced.html)Jika Anda memilih untuk menggunakan VPC, Anda perlu menentukan setidaknya satu subnet pribadi dan setidaknya satu grup keamanan dalam opsi berikut. Jika Anda tidak menggunakan subnet pribadi apa pun, Anda perlu mempertimbangkan opsi konfigurasi lainnya. Untuk detailnya, lihat Subnet VPC Publik yang tidak didukung. [Kendala dan pertimbangan](notebook-auto-run-constraints.md) | Sama seperti studio. | N/A |
| Subnet (untuk pengguna VPC) | Subnet Anda. Bidang ini harus berisi setidaknya satu dan paling banyak lima, dan semua subnet yang Anda berikan harus bersifat pribadi. Untuk detailnya, lihat Subnet VPC Publik yang tidak didukung. [Kendala dan pertimbangan](notebook-auto-run-constraints.md) | Subnet Bidang. Bidang ini default ke subnet yang terkait dengan domain Studio, tetapi Anda dapat mengubah bidang ini jika diperlukan. | Subnet Bidang. Penjadwal tidak dapat mendeteksi subnet Anda, jadi Anda harus memasukkan subnet apa pun yang Anda konfigurasi untuk VPC Anda. | Parametersubnets. Default ke None. Memungkinkan default cerdas. |
| Grup keamanan (untuk pengguna VPC) | Grup keamanan Anda. Bidang ini harus berisi setidaknya satu dan paling banyak 15. Untuk detailnya, lihat Subnet VPC Publik yang tidak didukung. [Kendala dan pertimbangan](notebook-auto-run-constraints.md) | Kelompok Keamanan Lapangan. Bidang ini default ke grup keamanan yang terkait dengan VPC domain, tetapi Anda dapat mengubah bidang ini jika diperlukan. | Kelompok Keamanan Lapangan. Penjadwal tidak dapat mendeteksi grup keamanan Anda, jadi Anda harus memasukkan grup keamanan apa pun yang Anda konfigurasikan untuk VPC Anda. | Parametersecurity\$1group\$1ids. Default ke None. Memungkinkan default cerdas. |
| Nama | Nama langkah pekerjaan notebook. | N/A | N/A | Parametername. Jika tidak ditentukan, itu berasal dari nama file notebook. |
| Nama tampilan | Nama pekerjaan Anda seperti yang akan muncul dalam daftar eksekusi pipeline Anda. | N/A | N/A | Parameterdisplay\$1name. Default ke None. |
| Deskripsi | Deskripsi pekerjaan Anda. | N/A | N/A | Parameterdescription. |
# Parameterisasi notebook Anda
Untuk meneruskan parameter baru atau penggantian parameter ke pekerjaan buku catatan terjadwal, Anda mungkin ingin memodifikasi buku catatan Jupyter jika Anda ingin nilai parameter baru diterapkan setelah sel. Saat Anda melewati parameter, pelaksana pekerjaan notebook menggunakan metodologi yang diberlakukan oleh Papermill. Pelaksana pekerjaan notebook mencari sel Jupyter yang ditandai dengan `parameters` tag dan menerapkan parameter baru atau penggantian parameter segera setelah sel ini. Jika Anda tidak memiliki sel yang ditandai`parameters`, parameter diterapkan di awal buku catatan. Jika Anda memiliki lebih dari satu sel yang ditandai`parameters`, parameter diterapkan setelah sel pertama ditandai dengan. `parameters`
Untuk menandai sel di buku catatan Anda dengan `parameters` tag, selesaikan langkah-langkah berikut:
1. Pilih sel untuk membuat parameter.
1. Pilih ikon **Property Inspector** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/studio/icons/gears.png)) di sidebar kanan.
1. Ketik **parameters** di kotak **Tambah Tag**.
1. Pilih tanda **\$1**.
1. `parameters`Tag muncul di bawah **Tag Sel** dengan tanda centang, yang berarti tag diterapkan ke sel.
# Connect ke kluster EMR Amazon dari notebook
Jika Anda terhubung ke kluster EMR Amazon dari notebook Jupyter di Studio, Anda mungkin perlu melakukan penyiapan tambahan. Secara khusus, diskusi berikut membahas dua masalah:
+ **Meneruskan parameter ke perintah koneksi EMR Amazon Anda**. Dalam SparkMagic kernel, parameter yang Anda berikan ke perintah koneksi EMR Amazon mungkin tidak berfungsi seperti yang diharapkan karena perbedaan cara Papermill melewati parameter dan SparkMagic cara menerima parameter. Solusi untuk mengatasi batasan ini adalah dengan meneruskan parameter sebagai variabel lingkungan. Untuk detail selengkapnya tentang masalah dan solusinya, lihat. [Lulus parameter ke perintah koneksi EMR Anda](#scheduled-notebook-connect-emr-pass-param)
+ **Meneruskan kredensyal pengguna ke cluster EMR Amazon yang diautentikasi oleh Kerberos, LDAP, atau HTTP Basic Auth-autentikasi**. Dalam mode interaktif, Studio meminta kredensil dalam bentuk popup tempat Anda dapat memasukkan kredenal masuk Anda. Dalam buku catatan terjadwal noninteraktif Anda, Anda harus melewati mereka melalui. AWS Secrets Manager Untuk detail selengkapnya tentang cara menggunakan pekerjaan buku catatan terjadwal Anda, lihat[Teruskan kredensyal pengguna ke cluster EMR Amazon yang diautentikasi Auth-Kerberos, LDAP, atau HTTP Basic Auth-Anda](#scheduled-notebook-connect-emr-credentials). AWS Secrets Manager
## Lulus parameter ke perintah koneksi EMR Anda
**Jika Anda menggunakan gambar dengan kernel SparkMagic PySpark dan Spark dan ingin membuat parameter perintah koneksi EMR Anda, berikan parameter Anda di bidang variabel **Lingkungan** alih-alih bidang Parameter dalam formulir Buat Job (di menu tarik-turun Opsi Tambahan).** Pastikan perintah koneksi EMR Anda di notebook Jupyter melewati parameter ini sebagai variabel lingkungan. Misalnya, Anda lulus `cluster-id` sebagai variabel lingkungan saat Anda membuat pekerjaan Anda. Perintah koneksi EMR Anda akan terlihat seperti berikut:
```
%%local
import os
```
```
%sm_analytics emr connect —cluster-id {os.getenv('cluster_id')} --auth-type None
```
Anda memerlukan solusi ini untuk memenuhi persyaratan oleh SparkMagic dan Papermill. Untuk konteks latar belakang, SparkMagic kernel mengharapkan bahwa perintah `%%local` ajaib menyertai variabel lokal apa pun yang Anda tentukan. Namun, Papermill tidak lulus perintah `%%local` ajaib dengan penggantian Anda. Untuk mengatasi batasan Papermill ini, Anda harus menyediakan parameter Anda sebagai variabel lingkungan di bidang **variabel Lingkungan**.
## Teruskan kredensyal pengguna ke cluster EMR Amazon yang diautentikasi Auth-Kerberos, LDAP, atau HTTP Basic Auth-Anda
Untuk membuat koneksi aman ke kluster EMR Amazon yang menggunakan otentikasi Kerberos, LDAP, atau HTTP Basic Auth, Anda menggunakan AWS Secrets Manager untuk meneruskan kredensyal pengguna ke perintah koneksi Anda. Untuk informasi tentang cara membuat rahasia Secrets Manager, lihat [Membuat AWS Secrets Manager rahasia](https://docs.aws.amazon.com/secretsmanager/latest/userguide/create_secret.html). Rahasia Anda harus berisi nama pengguna dan kata sandi Anda. Anda meneruskan rahasia dengan `--secrets` argumen, seperti yang ditunjukkan pada contoh berikut:
```
%sm_analytics emr connect --cluster-id j_abcde12345
--auth Kerberos
--secret aws_secret_id_123
```
Administrator Anda dapat menyiapkan kebijakan akses fleksibel menggunakan metode attribute-based-access-control (ABAC), yang menetapkan akses berdasarkan tag khusus. Anda dapat mengatur akses fleksibel untuk membuat satu rahasia untuk semua pengguna di akun atau rahasia untuk setiap pengguna. Contoh kode berikut menunjukkan skenario ini:
**Buat satu rahasia untuk semua pengguna di akun**
------
#### [ 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"
]
}
]
}
```
------
**Buat rahasia yang berbeda untuk setiap pengguna**
Anda dapat membuat rahasia yang berbeda untuk setiap pengguna menggunakan `PrincipleTag` tag, seperti yang ditunjukkan pada contoh berikut:
------
#### [ 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"
]
}
]
}
```
------
# Detail pekerjaan notebook di Amazon SageMaker Studio
SageMaker Dasbor Pekerjaan Notebook membantu mengatur definisi pekerjaan yang Anda jadwalkan, dan juga melacak pekerjaan aktual yang dijalankan dari definisi pekerjaan Anda. Ada dua konsep penting yang harus dipahami saat menjadwalkan pekerjaan notebook: *definisi pekerjaan* dan *pekerjaan berjalan*. Definisi Job adalah jadwal yang Anda tetapkan untuk menjalankan buku catatan tertentu. Misalnya, Anda dapat membuat definisi pekerjaan yang menjalankan notebook XYZ.IpyNB setiap hari Rabu. Definisi pekerjaan ini meluncurkan pekerjaan aktual yang terjadi Rabu mendatang, Rabu depan, Rabu setelah itu, dan seterusnya.
**catatan**
Langkah pekerjaan notebook SDK SageMaker Python tidak membuat definisi pekerjaan. Namun, Anda dapat melihat pekerjaan Anda di dasbor Pekerjaan Notebook. Baik pekerjaan dan definisi pekerjaan tersedia jika Anda menjadwalkan pekerjaan Anda di suatu JupyterLab lingkungan.
Antarmuka menyediakan dua tab utama yang membantu Anda melacak definisi pekerjaan yang ada dan menjalankan pekerjaan:
+ Tab **Pekerjaan Notebook**: Tab ini menampilkan daftar semua pekerjaan Anda berjalan dari pekerjaan sesuai permintaan dan definisi pekerjaan Anda. Dari tab ini, Anda dapat langsung mengakses detail untuk satu pekerjaan yang dijalankan. Misalnya, Anda dapat melihat satu pekerjaan berjalan yang terjadi dua hari Rabu lalu.
+ **Notebook Job Definitions** tab: Tab ini menampilkan daftar semua definisi pekerjaan Anda. Dari tab ini, Anda dapat langsung mengakses detail untuk satu definisi pekerjaan. Misalnya, Anda dapat melihat jadwal yang Anda buat untuk menjalankan XYZ.ipynb setiap hari Rabu.
Untuk detail tentang tab **Pekerjaan Notebook**, lihat[Lihat pekerjaan notebook](view-notebook-jobs.md).
Untuk detail tentang tab **Definisi Pekerjaan Notebook**, lihat[Lihat definisi pekerjaan notebook](view-def-detail-notebook-auto-run.md).
# Lihat pekerjaan notebook
**catatan**
Anda dapat melihat pekerjaan notebook secara otomatis jika menjadwalkan pekerjaan notebook dari UI Studio. Jika Anda menggunakan SageMaker Python SDK untuk menjadwalkan pekerjaan notebook Anda, Anda perlu menyediakan tag tambahan saat membuat langkah pekerjaan notebook. Lihat perinciannya di [Melihat pekerjaan notebook Anda di dasbor Studio UI](create-notebook-auto-run-sdk.md#create-notebook-auto-run-dash).
Topik berikut memberikan informasi tentang tab **Pekerjaan Notebook** dan cara melihat detail pekerjaan notebook tunggal. Tab **Pekerjaan Notebook** (yang Anda akses dengan memilih ikon **Buat pekerjaan buku catatan** (![\[Blue icon of a calendar with a checkmark, representing a scheduled task or event.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/notebook-schedule.png)) di toolbar Studio) menampilkan riwayat pekerjaan sesuai permintaan Anda dan semua pekerjaan yang dijalankan dari definisi pekerjaan yang Anda buat. Tab ini terbuka setelah Anda membuat pekerjaan sesuai permintaan, atau Anda dapat melihat sendiri tab ini untuk melihat riwayat pekerjaan masa lalu dan saat ini. Jika Anda memilih **nama Job** untuk pekerjaan apa pun, Anda dapat melihat detail untuk satu pekerjaan di halaman **Job Detail**. Untuk informasi selengkapnya tentang halaman **Detail Pekerjaan**, lihat bagian berikut[Lihat satu pekerjaan](#view-jobs-detail-notebook-auto-run).
Tab **Pekerjaan Notebook** menyertakan informasi berikut untuk setiap pekerjaan:
+ **File keluaran**: Menampilkan ketersediaan file output. Kolom ini dapat berisi salah satu dari berikut ini:
+ Ikon unduhan (![\[Cloud icon with downward arrow, representing download or cloud storage functionality.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/icons/File_download.png)): Notebook keluaran dan log tersedia untuk diunduh; pilih tombol ini untuk mengunduhnya. Perhatikan bahwa pekerjaan yang gagal masih dapat menghasilkan file keluaran jika kegagalan terjadi setelah file dibuat. Dalam hal ini, akan sangat membantu untuk melihat notebook keluaran untuk mengidentifikasi titik kegagalan.
+ Tautan ke **log **Notebook** dan Output**: Notebook dan log keluaran diunduh. Pilih tautan untuk melihat isinya.
+ (blank): Pekerjaan dihentikan oleh pengguna, atau terjadi kegagalan dalam pekerjaan yang dijalankan sebelum dapat menghasilkan file keluaran. Misalnya, kegagalan jaringan dapat mencegah pekerjaan dimulai.
Notebook keluaran adalah hasil dari menjalankan semua sel di notebook, dan juga menggabungkan parameter atau variabel lingkungan baru atau utama yang Anda sertakan. Log keluaran menangkap detail pekerjaan yang dijalankan untuk membantu Anda memecahkan masalah pekerjaan yang gagal.
+ **Dibuat di**: Waktu pekerjaan sesuai permintaan atau pekerjaan terjadwal dibuat.
+ **Status**: Status pekerjaan saat ini, yang merupakan salah satu dari nilai berikut:
+ **Sedang berlangsung**: Pekerjaan sedang berjalan
+ **Gagal**: Pekerjaan gagal karena kesalahan konfigurasi atau logika notebook
+ **Berhenti**: Pekerjaan dihentikan oleh pengguna
+ **Selesai**: Pekerjaan selesai
+ **Tindakan**: Kolom ini menyediakan pintasan untuk membantu Anda menghentikan atau menghapus pekerjaan apa pun secara langsung di antarmuka.
## Lihat satu pekerjaan
Dari tab **Pekerjaan Notebook**, Anda dapat memilih nama pekerjaan untuk melihat halaman **Detail Pekerjaan** untuk pekerjaan tertentu. Halaman **Job Detail** mencakup semua detail yang Anda berikan dalam formulir **Create Job**. Gunakan halaman ini untuk mengonfirmasi pengaturan yang Anda tentukan saat Anda membuat definisi pekerjaan.
Selain itu, Anda dapat mengakses pintasan untuk membantu Anda melakukan tindakan berikut di halaman itu sendiri:
+ **Hapus Job**: Hapus pekerjaan dari tab **Pekerjaan Notebook**.
+ **Stop Job**: Hentikan pekerjaan Anda.
# Lihat definisi pekerjaan notebook
**catatan**
Jika Anda menjadwalkan pekerjaan notebook Anda dengan SageMaker Python SDK, lewati bagian ini. Hanya pekerjaan notebook yang dibuat di Studio atau JupyterLab lingkungan lokal yang membuat definisi pekerjaan. Oleh karena itu, jika Anda membuat pekerjaan notebook dengan SageMaker Python SDK, Anda tidak akan melihat definisi pekerjaan di dasbor Pekerjaan Notebook. Namun, Anda dapat melihat pekerjaan notebook Anda seperti yang dijelaskan dalam[Lihat pekerjaan notebook](view-notebook-jobs.md).
Saat Anda membuat definisi pekerjaan, Anda membuat jadwal untuk suatu pekerjaan. Tab **Notebook Job Definitions** mencantumkan jadwal ini, serta informasi tentang definisi pekerjaan notebook tertentu. Misalnya, Anda dapat membuat definisi pekerjaan yang menjalankan buku catatan tertentu setiap menit. Setelah definisi pekerjaan ini aktif, Anda melihat pekerjaan baru setiap menit di tab **Pekerjaan Notebook**. Halaman berikut memberikan informasi tentang tab **Definisi Job Notebook**, serta cara melihat definisi pekerjaan notebook.
Tab **Definisi Job Notebook** menampilkan dasbor dengan semua definisi pekerjaan Anda dan menyertakan buku catatan masukan, waktu pembuatan, jadwal, dan status untuk setiap definisi pekerjaan. Nilai di kolom **Status** adalah salah satu nilai berikut:
+ **Dijeda**: Anda menghentikan sementara definisi pekerjaan. Studio tidak memulai pekerjaan apa pun sampai Anda melanjutkan definisi.
+ **Aktif**: Jadwal aktif dan Studio dapat menjalankan notebook sesuai dengan jadwal yang Anda tentukan.
Selain itu, kolom **Tindakan** menyediakan pintasan untuk membantu Anda melakukan tugas berikut secara langsung di antarmuka:
+ Jeda: Menjeda definisi pekerjaan. Studio tidak akan membuat pekerjaan apa pun sampai Anda melanjutkan definisi.
+ Hapus: Menghapus definisi pekerjaan dari tab **Definisi Job Notebook**.
+ Resume: Melanjutkan definisi pekerjaan yang dijeda sehingga dapat memulai pekerjaan.
Jika Anda membuat definisi pekerjaan tetapi tidak memulai pekerjaan, lihat [Definisi Job tidak menciptakan pekerjaan](notebook-auto-run-troubleshoot.md#notebook-auto-run-troubleshoot-no-jobs) di. [Panduan pemecahan masalah](notebook-auto-run-troubleshoot.md)
## Lihat definisi pekerjaan tunggal
Jika Anda memilih nama definisi pekerjaan di tab **Definisi Pekerjaan Buku Catatan**, Anda akan melihat halaman **Definisi Pekerjaan** tempat Anda dapat melihat detail spesifik untuk definisi pekerjaan. Gunakan halaman ini untuk mengonfirmasi pengaturan yang Anda tentukan saat Anda membuat definisi pekerjaan. Jika Anda tidak melihat pekerjaan apa pun yang dibuat dari definisi pekerjaan Anda, lihat [Definisi Job tidak menciptakan pekerjaan](notebook-auto-run-troubleshoot.md#notebook-auto-run-troubleshoot-no-jobs) di[Panduan pemecahan masalah](notebook-auto-run-troubleshoot.md).
Halaman ini juga berisi bagian yang mencantumkan pekerjaan yang dijalankan dari definisi pekerjaan ini. Melihat pekerjaan Anda di halaman **Definisi Pekerjaan** mungkin merupakan cara yang lebih produktif untuk membantu Anda mengatur pekerjaan Anda daripada melihat pekerjaan di tab **Pekerjaan Notebook**, yang menggabungkan semua pekerjaan dari semua definisi pekerjaan Anda.
Selain itu, halaman ini menyediakan pintasan untuk tindakan berikut:
+ **Jeda/Lanjutkan: Jeda** definisi pekerjaan Anda, atau lanjutkan definisi yang dijeda. Perhatikan bahwa jika pekerjaan sedang berjalan untuk definisi ini, Studio tidak menghentikannya.
+ **Jalankan**: Jalankan satu pekerjaan sesuai permintaan dari definisi pekerjaan ini. Opsi ini juga memungkinkan Anda menentukan parameter input yang berbeda ke buku catatan Anda sebelum memulai pekerjaan.
+ **Edit Definisi Job**: Ubah jadwal definisi pekerjaan Anda. Anda dapat memilih interval waktu yang berbeda, atau Anda dapat memilih jadwal khusus menggunakan sintaks cron.
+ **Hapus Definisi Pekerjaan**: Hapus definisi pekerjaan dari tab **Definisi Pekerjaan Notebook**. Perhatikan bahwa jika pekerjaan sedang berjalan untuk definisi ini, Studio tidak menghentikannya.
# Panduan pemecahan masalah
Lihat panduan pemecahan masalah ini untuk membantu Anda men-debug kegagalan yang mungkin Anda alami saat pekerjaan notebook terjadwal berjalan.
## Definisi Job tidak menciptakan pekerjaan
Jika definisi pekerjaan Anda tidak memulai pekerjaan apa pun, buku catatan atau pekerjaan pelatihan mungkin tidak ditampilkan di bagian **Pekerjaan** di bilah navigasi kiri di Amazon SageMaker Studio. Jika ini masalahnya, Anda dapat menemukan pesan kesalahan di bagian **Pipelines** di bilah navigasi kiri di Studio. Setiap notebook atau definisi pekerjaan pelatihan termasuk dalam pipeline eksekusi. Berikut ini adalah penyebab umum kegagalan untuk memulai pekerjaan notebook.
**Izin tidak ada**
+ Peran yang ditetapkan untuk definisi pekerjaan tidak memiliki hubungan kepercayaan dengan Amazon EventBridge. Artinya, EventBridge tidak bisa mengambil peran.
+ Peran yang ditetapkan ke definisi pekerjaan tidak memiliki izin untuk menelepon`SageMaker AI:StartPipelineExecution`.
+ Peran yang ditetapkan ke definisi pekerjaan tidak memiliki izin untuk menelepon`SageMaker AI:CreateTrainingJob`.
**EventBridge kuota terlampaui**
Jika Anda melihat `Put*` kesalahan seperti contoh berikut, Anda melebihi EventBridge kuota. Untuk mengatasi ini, Anda dapat membersihkan proses yang tidak terpakai EventBridge , atau meminta AWS Dukungan untuk menambah kuota Anda.
```
LimitExceededException) when calling the PutRule operation:
The requested resource exceeds the maximum number allowed
```
Untuk informasi selengkapnya tentang EventBridge kuota, lihat [ EventBridge Kuota Amazon](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-quota.html).
**Batas kuota pipa terlampaui**
Jika Anda melihat kesalahan seperti contoh berikut, Anda melebihi jumlah pipeline yang dapat Anda jalankan. Untuk mengatasi ini, Anda dapat membersihkan saluran pipa yang tidak terpakai di akun Anda, atau meminta AWS Dukungan untuk menambah kuota Anda.
```
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.
```
Untuk informasi selengkapnya tentang kuota pipeline, lihat [titik akhir dan kuota Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html).
**Batas pekerjaan pelatihan terlampaui**
Jika Anda melihat kesalahan seperti contoh berikut, Anda melebihi jumlah pekerjaan pelatihan yang dapat Anda jalankan. Untuk mengatasi ini, kurangi jumlah pekerjaan pelatihan di akun Anda, atau minta AWS Dukungan untuk menambah kuota Anda.
```
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.
```
Untuk informasi selengkapnya tentang kuota pekerjaan pelatihan, lihat [titik akhir dan kuota Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html).
## Visualisasi otomatis dinonaktifkan di notebook SparkMagic
Jika notebook Anda menggunakan SparkMagic PySpark kernel dan Anda menjalankan notebook sebagai Job Notebook, Anda mungkin melihat bahwa visualisasi otomatis Anda dinonaktifkan dalam output. Mengaktifkan visualisasi otomatis menyebabkan kernel macet, sehingga pelaksana pekerjaan notebook saat ini menonaktifkan visualisasi otomatis sebagai solusinya.
# Kendala dan pertimbangan
Tinjau kendala berikut untuk memastikan pekerjaan notebook Anda berhasil diselesaikan. Studio menggunakan Papermill untuk menjalankan notebook. Anda mungkin perlu memperbarui notebook Jupyter untuk menyelaraskan dengan persyaratan Papermill. Ada juga batasan pada konten skrip LCC dan detail penting untuk dipahami mengenai konfigurasi VPC.
## JupyterLab versi
JupyterLab versi 4.0 didukung.
## Instalasi paket yang memerlukan kernel restart
Papermill tidak mendukung panggilan `pip install` untuk menginstal paket yang memerlukan kernel restart. Dalam situasi ini, gunakan `pip install` dalam skrip inisialisasi. Untuk instalasi paket yang tidak memerlukan kernel restart, Anda masih dapat memasukkan `pip install` dalam notebook.
## Kernel dan nama bahasa yang terdaftar di Jupyter
Papermill mendaftarkan penerjemah untuk kernel dan bahasa tertentu. Jika Anda membawa instance Anda sendiri (BYOI), gunakan nama kernel standar seperti yang ditunjukkan pada cuplikan berikut:
```
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)
```
## Parameter dan batas variabel lingkungan
**Parameter dan batas variabel lingkungan.** Saat Anda membuat pekerjaan notebook Anda, ia menerima parameter dan variabel lingkungan yang Anda tentukan. Anda dapat melewati hingga 100 parameter. Setiap nama parameter dapat mencapai 256 karakter, dan nilai yang terkait dapat mencapai 2500 karakter. Jika Anda melewati variabel lingkungan, Anda dapat melewatkan hingga 28 variabel. Nama variabel dan nilai terkait dapat mencapai 512 karakter. Jika Anda membutuhkan lebih dari 28 variabel lingkungan, gunakan variabel lingkungan tambahan dalam skrip inisialisasi yang tidak memiliki batasan jumlah variabel lingkungan yang dapat Anda gunakan.
## Melihat pekerjaan dan definisi pekerjaan
**Melihat pekerjaan dan definisi pekerjaan.** Jika Anda menjadwalkan pekerjaan buku catatan di UI Studio di JupyterLab buku catatan, Anda dapat [melihat pekerjaan buku catatan](https://docs.aws.amazon.com/sagemaker/latest/dg/view-notebook-jobs.html) dan [definisi pekerjaan buku catatan](https://docs.aws.amazon.com/sagemaker/latest/dg/view-def-detail-notebook-auto-run.html) Anda di UI Studio. Jika Anda menjadwalkan pekerjaan notebook Anda dengan SageMaker Python SDK, Anda hanya dapat melihat pekerjaan Anda—langkah pekerjaan notebook SDK SageMaker Python tidak membuat definisi pekerjaan. Untuk melihat pekerjaan Anda, Anda juga perlu memberikan tag tambahan ke instance langkah pekerjaan notebook Anda. Lihat perinciannya di [Melihat pekerjaan notebook Anda di dasbor Studio UI](create-notebook-auto-run-sdk.md#create-notebook-auto-run-dash).
## Citra
Anda perlu mengelola batasan gambar tergantung pada apakah Anda menjalankan pekerjaan notebook di Studio atau langkah pekerjaan notebook SDK SageMaker Python dalam pipeline.
### Kendala gambar untuk Pekerjaan Notebook SageMaker AI (Studio)
**Dukungan gambar dan kernel.** Driver yang meluncurkan pekerjaan notebook Anda mengasumsikan hal berikut:
+ Lingkungan runtime Python dasar dipasang di gambar Studio atau bring-your-own (BYO) dan merupakan default di shell.
+ Lingkungan runtime Python dasar mencakup klien Jupyter dengan spesifikasi kernel yang dikonfigurasi dengan benar.
+ Lingkungan runtime Python dasar menyertakan `pip` fungsi sehingga pekerjaan notebook dapat menginstal dependensi sistem.
+ Untuk gambar dengan beberapa lingkungan, skrip inisialisasi Anda harus beralih ke lingkungan khusus kernel yang tepat sebelum menginstal paket khusus notebook. Anda harus beralih kembali ke lingkungan runtime Python default, jika berbeda dari lingkungan runtime kernel, setelah mengonfigurasi lingkungan runtime Python kernel.
Driver yang meluncurkan pekerjaan notebook Anda adalah skrip bash, dan Bash v4 harus tersedia di /bin/bash.
**Hak akses root pada bring-your-own-images (BYOI).** Anda harus memiliki hak akses root pada gambar Studio Anda sendiri, baik sebagai pengguna root atau melalui `sudo` akses. Jika Anda bukan pengguna root tetapi mengakses hak akses root melalui`sudo`, gunakan **1000/100** sebagai. `UID/GID`
### Kendala gambar untuk pekerjaan notebook AI SageMaker Python SDK
Langkah pekerjaan notebook mendukung gambar-gambar berikut:
+ SageMaker Gambar Distribusi tercantum dalam[SageMaker Gambar Amazon Tersedia untuk Digunakan Dengan Notebook Studio Classic](notebooks-available-images.md).
+ Gambar kustom berdasarkan gambar SageMaker Distribusi dalam daftar sebelumnya. Gunakan [gambar SageMaker Distribusi](https://github.com/aws/sagemaker-distribution) sebagai basis.
+ Gambar kustom (BYOI) yang sudah diinstal sebelumnya dengan dependensi pekerjaan notebook (yaitu,. [sagemaker-headless-execution-driver](https://pypi.org/project/sagemaker-headless-execution-driver/) Gambar Anda harus memenuhi persyaratan berikut:
+ Gambar sudah diinstal sebelumnya dengan dependensi pekerjaan notebook.
+ Lingkungan runtime Python dasar diinstal dan default di lingkungan shell.
+ Lingkungan runtime Python dasar mencakup klien Jupyter dengan spesifikasi kernel yang dikonfigurasi dengan benar.
+ Anda memiliki hak akses root, baik sebagai pengguna root atau melalui `sudo` akses. Jika Anda bukan pengguna root tetapi mengakses hak akses root melalui`sudo`, gunakan **1000/100** sebagai. `UID/GID`
## Subnet VPC yang digunakan selama penciptaan lapangan kerja
Jika Anda menggunakan VPC, Studio menggunakan subnet pribadi Anda untuk membuat pekerjaan Anda. Tentukan satu hingga lima subnet pribadi (dan 1-15 grup keamanan).
Jika Anda menggunakan VPC dengan subnet pribadi, Anda harus memilih salah satu opsi berikut untuk memastikan pekerjaan notebook dapat terhubung ke layanan atau sumber daya yang bergantung:
+ Jika pekerjaan membutuhkan akses ke AWS layanan yang mendukung titik akhir VPC antarmuka, buat titik akhir untuk terhubung ke layanan. Untuk daftar layanan yang mendukung titik akhir antarmuka, lihat [AWS layanan yang terintegrasi dengannya AWS PrivateLink](https://docs.aws.amazon.com/vpc/latest/privatelink/aws-services-privatelink-support.html). Untuk informasi tentang membuat titik akhir VPC antarmuka, lihat [Mengakses AWS layanan menggunakan titik akhir VPC antarmuka](https://docs.aws.amazon.com/vpc/latest/privatelink/create-interface-endpoint.html). Minimal, gateway titik akhir VPC Amazon S3 harus disediakan.
+ Jika pekerjaan notebook memerlukan akses ke AWS layanan yang tidak mendukung titik akhir VPC antarmuka atau sumber daya di luar AWS, buat gateway NAT dan konfigurasikan grup keamanan Anda untuk mengizinkan koneksi keluar. Untuk informasi tentang menyiapkan gateway NAT untuk VPC Anda, lihat *VPC dengan Subnet publik dan pribadi (NAT) di* Panduan Pengguna Amazon Virtual Private [Cloud](https://docs.aws.amazon.com/vpc/latest/userguide/what-is-amazon-vpc.html).
## Batas layanan
Karena penjadwal pekerjaan notebook dibuat dari Pipelines, SageMaker Training, dan EventBridge layanan Amazon, pekerjaan notebook Anda tunduk pada kuota khusus layanan mereka. Jika Anda melebihi kuota ini, Anda mungkin melihat pesan kesalahan yang terkait dengan layanan ini. Misalnya, ada batasan untuk berapa banyak pipa yang dapat Anda jalankan pada satu waktu, dan berapa banyak aturan yang dapat Anda atur untuk satu bus acara. Untuk informasi selengkapnya tentang kuota SageMaker AI, lihat [Titik Akhir dan Kuota Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html). Untuk informasi selengkapnya tentang EventBridge kuota, lihat [ EventBridge Kuota Amazon](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-quota.html).
# Harga untuk Pekerjaan SageMaker Notebook
Saat Anda menjadwalkan pekerjaan buku catatan, buku catatan Jupyter Anda berjalan pada SageMaker instance pelatihan. Setelah Anda memilih **Image** dan **Kernel** di formulir **Create Job**, formulir tersebut menyediakan daftar jenis komputasi yang tersedia. Anda dikenakan biaya untuk jenis komputasi yang Anda pilih, berdasarkan durasi penggunaan gabungan untuk semua pekerjaan notebook yang dijalankan dari definisi pekerjaan. Jika Anda tidak menentukan jenis komputasi, SageMaker AI akan memberi Anda jenis instans Amazon EC2 default. `ml.m5.large` Untuk rincian harga SageMaker AI berdasarkan jenis komputasi, lihat [Harga Amazon SageMaker AI](https://aws.amazon.com/sagemaker/pricing).