Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. # SageMaker JupyterLab JupyterLab Buat JupyterLab ruang di Amazon SageMaker Studio untuk meluncurkan JupyterLab aplikasi. JupyterLab Ruang adalah ruang pribadi atau bersama dalam Studio yang mengelola penyimpanan dan menghitung sumber daya yang diperlukan untuk menjalankan JupyterLab aplikasi. JupyterLab Aplikasi ini adalah lingkungan pengembangan interaktif berbasis web (IDE) untuk notebook, kode, dan data. Gunakan antarmuka JupyterLab aplikasi yang fleksibel dan luas untuk mengonfigurasi dan mengatur alur kerja pembelajaran mesin (ML). Secara default, JupyterLab aplikasi ini dilengkapi dengan gambar SageMaker Distribusi. Gambar distribusi memiliki paket populer, seperti berikut ini: + PyTorch + TensorFlow + Keras + NumPy + Pandas + Scikit-learn Anda dapat menggunakan spasi bersama untuk berkolaborasi di notebook Jupyter Anda dengan pengguna lain secara real time. Untuk informasi selengkapnya tentang spasi bersama, lihat[Kolaborasi dengan ruang bersama](domain-space.md). Di dalam JupyterLab aplikasi, Anda dapat menggunakan Amazon Q Developer, pendamping kode bertenaga AI generatif untuk menghasilkan, men-debug, dan menjelaskan kode Anda. Untuk informasi tentang menggunakan Amazon Q Developer, lihat[JupyterLab panduan pengguna](studio-updated-jl-user-guide.md). Untuk informasi tentang menyiapkan Pengembang Amazon Q, lihat[JupyterLab panduan administrator](studio-updated-jl-admin-guide.md). Buat analitik terpadu dan alur kerja ML di buku catatan Jupyter yang sama. Jalankan Spark pekerjaan interaktif di Amazon EMR dan infrastruktur AWS Glue tanpa server, langsung dari buku catatan Anda. Pantau dan debug pekerjaan lebih cepat menggunakan UI inlineSpark. Dalam beberapa langkah, Anda dapat mengotomatiskan persiapan data Anda dengan menjadwalkan notebook sebagai pekerjaan. JupyterLab Aplikasi ini membantu Anda bekerja secara kolaboratif dengan rekan-rekan Anda. Gunakan integrasi Git bawaan dalam JupyterLab IDE untuk berbagi dan kode versi. Bawa sistem penyimpanan file Anda sendiri jika Anda memiliki volume Amazon EFS. JupyterLab Aplikasi ini berjalan pada satu instans Amazon Elastic Compute Cloud (Amazon EC2) dan menggunakan satu volume Amazon Elastic Block Store (Amazon EBS) untuk penyimpanan. Anda dapat mengganti instans yang lebih cepat atau menambah ukuran volume Amazon EBS untuk kebutuhan Anda. Aplikasi JupyterLab 4 berjalan di JupyterLab ruang dalam Studio. Studio Classic menggunakan aplikasi JupyterLab 3. JupyterLab 4 memberikan manfaat sebagai berikut: + IDE yang lebih cepat daripada Amazon SageMaker Studio Classic, terutama dengan notebook besar + Peningkatan pencarian dokumen + Editor teks yang lebih berkinerja dan dapat diakses Untuk informasi selengkapnya JupyterLab, lihat [JupyterLabDokumentasi](https://jupyterlab.readthedocs.io/en/stable/#). **Topics** + [ # JupyterLab panduan pengguna ](studio-updated-jl-user-guide.md) + [ # JupyterLab panduan administrator ](studio-updated-jl-admin-guide.md) # JupyterLab panduan pengguna Panduan ini menunjukkan kepada JupyterLab pengguna cara menjalankan alur kerja analitik dan pembelajaran mesin dalam SageMaker Studio. Anda bisa mendapatkan penyimpanan cepat dan skala komputasi Anda naik atau turun, tergantung pada kebutuhan Anda. JupyterLab mendukung ruang pribadi dan bersama. Ruang pribadi dicakup untuk satu pengguna dalam domain. Ruang bersama memungkinkan pengguna lain di domain Anda berkolaborasi dengan Anda secara real time. Untuk informasi tentang ruang Studio, lihat[Ruang Amazon SageMaker Studio](studio-updated-spaces.md). Untuk mulai menggunakan JupyterLab, buat spasi dan luncurkan JupyterLab aplikasi Anda. Ruang yang menjalankan JupyterLab aplikasi Anda adalah JupyterLab spasi. JupyterLab Ruang ini menggunakan satu instans Amazon EC2 untuk komputasi Anda dan satu volume Amazon EBS untuk penyimpanan Anda. Segala sesuatu di ruang Anda seperti kode, profil git, dan variabel lingkungan disimpan pada volume Amazon EBS yang sama. Volume memiliki 3000 IOPS dan throughput 125 megabyte per detik (). MBps Anda dapat menggunakan penyimpanan cepat untuk membuka dan menjalankan beberapa notebook Jupyter pada instance yang sama. Anda juga dapat mengganti kernel di notebook dengan sangat cepat. Administrator Anda telah mengonfigurasi pengaturan penyimpanan Amazon EBS default untuk ruang Anda. Ukuran penyimpanan default adalah 5 GB, tetapi Anda dapat meningkatkan jumlah ruang yang Anda dapatkan. Anda dapat berbicara dengan administrator Anda untuk memberi Anda panduan. Anda dapat mengganti jenis instans Amazon EC2 yang Anda gunakan untuk menjalankan JupyterLab, menskalakan komputasi Anda ke atas atau ke bawah tergantung pada kebutuhan Anda. Instans **peluncuran cepat** dimulai jauh lebih cepat daripada instance lainnya. Administrator Anda mungkin memberi Anda konfigurasi siklus hidup yang menyesuaikan lingkungan Anda. Anda dapat menentukan konfigurasi siklus hidup saat Anda membuat ruang. Jika administrator memberi Anda akses ke Amazon EFS, Anda dapat mengonfigurasi JupyterLab ruang untuk mengaksesnya. Secara default, JupyterLab aplikasi menggunakan gambar SageMaker distribusi. Ini termasuk dukungan untuk banyak pembelajaran mesin, analitik, dan paket pembelajaran mendalam. Namun, jika Anda memerlukan gambar khusus, administrator Anda dapat membantu menyediakan akses ke gambar khusus. Volume Amazon EBS bertahan secara independen dari kehidupan sebuah instans. Anda tidak akan kehilangan data saat mengubah instance. Gunakan pustaka manajemen paket conda dan pip untuk membuat lingkungan kustom yang dapat direproduksi yang tetap ada bahkan saat Anda mengganti jenis instance. Setelah Anda membuka JupyterLab, Anda dapat mengonfigurasi lingkungan Anda menggunakan terminal. Untuk membuka terminal, arahkan ke **Launcher** dan pilih **Terminal**. Berikut ini adalah contoh berbagai cara Anda dapat mengonfigurasi lingkungan JupyterLab. **catatan** Di dalam Studio, Anda dapat menggunakan konfigurasi siklus hidup untuk menyesuaikan lingkungan, tetapi sebaiknya gunakan pengelola paket. Menggunakan konfigurasi siklus hidup adalah metode yang lebih rawan kesalahan. Lebih mudah untuk menambah atau menghapus dependensi daripada men-debug skrip konfigurasi siklus hidup. Hal ini juga dapat meningkatkan waktu JupyterLab startup. Untuk informasi tentang konfigurasi siklus hidup, lihat. [Konfigurasi siklus hidup dengan JupyterLab](jl-lcc.md) **Topics** + [ # Buat ruang ](studio-updated-jl-user-guide-create-space.md) + [ # Konfigurasikan spasi ](studio-updated-jl-user-guide-configure-space.md) + [ # Sesuaikan lingkungan Anda menggunakan manajer paket ](studio-updated-jl-user-guide-customize-package-manager.md) + [ # Bersihkan lingkungan conda ](studio-updated-jl-clean-up-conda.md) + [ # Bagikan lingkungan conda antar tipe instance ](studio-updated-jl-create-conda-share-environment.md) + [ # Gunakan Amazon Q untuk Mempercepat Alur Kerja Machine Learning ](studio-updated-jl-user-guide-use-amazon-q.md) # Buat ruang Untuk mulai menggunakan JupyterLab, buat spasi atau pilih ruang yang dibuat administrator untuk Anda dan buka JupyterLab. Gunakan prosedur berikut untuk membuat ruang dan terbuka JupyterLab. **Untuk membuat ruang dan terbuka JupyterLab** 1. Buka Studio. Untuk informasi tentang membuka Studio, lihat[Luncurkan Amazon SageMaker Studio](studio-updated-launch.md). 1. Pilih **JupyterLab**. 1. Pilih **Buat JupyterLab ruang**. 1. Untuk **Nama**, tentukan nama spasi. 1. (Opsional) Pilih **Bagikan dengan domain saya** untuk membuat ruang bersama. 1. Pilih **Buat ruang**. 1. (Opsional) **Misalnya**, tentukan instans Amazon EC2 yang menjalankan spasi. 1. (Opsional) Untuk **Gambar**, tentukan gambar yang disediakan administrator Anda untuk menyesuaikan lingkungan Anda. **penting** Kebijakan IAM khusus yang memungkinkan pengguna Studio membuat spasi juga harus memberikan izin untuk mencantumkan gambar (`sagemaker: ListImage`) untuk melihat gambar kustom. Untuk menambahkan izin, lihat [Menambahkan atau menghapus izin identitas](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) di Panduan *AWS Identity and Access Management*Pengguna. [AWS kebijakan terkelola untuk Amazon SageMaker AI](security-iam-awsmanpol.md)yang memberikan izin untuk membuat sumber daya SageMaker AI sudah menyertakan izin untuk membuat daftar gambar sambil membuat sumber daya tersebut. 1. (Opsional) Untuk **Pengaturan Ruang**, tentukan yang berikut ini: + **Penyimpanan (GB)** - Hingga 100 GB atau jumlah yang ditentukan administrator Anda. + Konfigurasi **Siklus Hidup — Konfigurasi** siklus hidup yang ditentukan administrator Anda. + **Lampirkan sistem file EFS kustom** — Amazon EFS tempat administrator Anda menyediakan akses. 1. Pilih **Jalankan ruang**. 1. Pilih **Buka JupyterLab**. # Konfigurasikan spasi Setelah Anda membuat JupyterLab spasi, Anda dapat mengonfigurasinya untuk melakukan hal berikut: + Ubah jenis instance. + Ubah volume penyimpanan. + (Admin mengatur diperlukan) Gunakan gambar kustom. + (Diperlukan pengaturan admin) Gunakan konfigurasi siklus hidup. + (Diperlukan pengaturan admin) Lampirkan Amazon EFS khusus. **penting** Anda harus menghentikan JupyterLab ruang setiap kali Anda mengkonfigurasinya. Gunakan prosedur berikut untuk mengkonfigurasi ruang. **Untuk mengkonfigurasi spasi** 1. Di dalam Studio, navigasikan ke halaman JupyterLab aplikasi. 1. Pilih nama spasi. 1. (Opsional) Untuk **Gambar**, tentukan gambar yang disediakan administrator Anda untuk menyesuaikan lingkungan Anda. **penting** Kebijakan IAM khusus yang memungkinkan pengguna Studio membuat spasi juga harus memberikan izin untuk mencantumkan gambar (`sagemaker: ListImage`) untuk melihat gambar kustom. Untuk menambahkan izin, lihat [Menambahkan atau menghapus izin identitas](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) di Panduan *AWS Identity and Access Management*Pengguna. [AWS kebijakan terkelola untuk Amazon SageMaker AI](security-iam-awsmanpol.md)yang memberikan izin untuk membuat sumber daya SageMaker AI sudah menyertakan izin untuk membuat daftar gambar sambil membuat sumber daya tersebut. 1. (Opsional) Untuk **Pengaturan Ruang**, tentukan yang berikut ini: + **Penyimpanan (GB)** — Hingga 100 GB atau jumlah yang dikonfigurasi administrator Anda untuk ruang tersebut. + Konfigurasi **Siklus Hidup — Konfigurasi** siklus hidup yang disediakan administrator Anda. + **Lampirkan sistem file EFS kustom** — Amazon EFS tempat administrator Anda menyediakan akses. 1. Pilih **Jalankan ruang**. Saat Anda membuka JupyterLab aplikasi, ruang Anda memiliki konfigurasi yang diperbarui. # Sesuaikan lingkungan Anda menggunakan manajer paket Gunakan pip atau conda untuk menyesuaikan lingkungan Anda. Sebaiknya gunakan pengelola paket alih-alih skrip konfigurasi siklus hidup. ## Buat dan aktifkan lingkungan kustom Anda Bagian ini memberikan contoh berbagai cara untuk mengonfigurasi lingkungan JupyterLab. Lingkungan conda dasar memiliki jumlah minimum paket yang diperlukan untuk alur kerja Anda di SageMaker AI. Gunakan template berikut untuk membuat lingkungan conda dasar: ``` # initialize conda for shell interaction conda init # create a new fresh environment conda create --name test-env # check if your new environment is created successfully conda info --envs # activate the new environment conda activate test-env # install packages in your new conda environment conda install pip boto3 pandas ipykernel # list all packages install in your new environment conda list # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # to exit your new environment conda deactivate ``` Gambar berikut menunjukkan lokasi lingkungan yang telah Anda buat. ![\[Lingkungan test-env ditampilkan di sudut kanan atas layar.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/juptyer-notebook-environment-location.png) Untuk mengubah lingkungan Anda, pilih dan pilih opsi dari menu tarik-turun. ![\[Tanda centang dan teks yang sesuai menunjukkan contoh lingkungan yang sebelumnya Anda buat.\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/images/jupyter-notebook-select-env.png) Pilih **Pilih** untuk memilih kernel untuk lingkungan. ## Buat lingkungan conda dengan versi Python tertentu Membersihkan lingkungan conda yang tidak Anda gunakan dapat membantu membebaskan ruang disk dan meningkatkan kinerja. Gunakan template berikut untuk membersihkan lingkungan conda: ``` # create a conda environment with a specific python version conda create --name py38-test-env python=3.8.10 # activate and test your new python version conda activate py38-test-env & python3 --version # Install ipykernel to facilicate env registration conda install ipykernel # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # deactivate your py38 test environment conda deactivate ``` ## Buat lingkungan conda dengan satu set paket tertentu Gunakan template berikut untuk membuat lingkungan conda dengan versi Python dan kumpulan paket tertentu: ``` # prefill your conda environment with a set of packages, conda create --name py38-test-env python=3.8.10 pandas matplotlib=3.7 scipy ipykernel # activate your conda environment and ensure these packages exist conda activate py38-test-env # check if these packages exist conda list | grep -E 'pandas|matplotlib|scipy' # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # deactivate your conda environment conda deactivate ``` ## Kloning conda dari lingkungan yang ada Kloning lingkungan conda Anda untuk mempertahankan status kerjanya. Anda bereksperimen di lingkungan kloning tanpa harus khawatir memperkenalkan perubahan yang melanggar di lingkungan pengujian Anda. Gunakan perintah berikut untuk mengkloning lingkungan. ``` # create a fresh env from a base environment conda create --name py310-base-ext --clone base # replace 'base' with another env # activate your conda environment and ensure these packages exist conda activate py310-base-ext # install ipykernel to register your env conda install ipykernel # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # deactivate your conda environment conda deactivate ``` ## Kloning conda dari file YAMAL referensi Buat lingkungan conda dari file YAMAL referensi. Berikut ini adalah contoh file YAMAL yang dapat Anda gunakan. ``` # anatomy of a reference environment.yml name: py311-new-env channels: - conda-forge dependencies: - python=3.11 - numpy - pandas - scipy - matplotlib - pip - ipykernel - pip: - git+https://github.com/huggingface/transformers ``` Di bawah`pip`, kami sarankan untuk menentukan hanya dependensi yang tidak tersedia dengan conda. Gunakan perintah berikut untuk membuat lingkungan conda dari file YAMB. ``` # create your conda environment conda env create -f environment.yml # activate your env conda activate py311-new-env ``` # Bersihkan lingkungan conda Membersihkan lingkungan conda yang tidak Anda gunakan dapat membantu membebaskan ruang disk dan meningkatkan kinerja. Gunakan template berikut untuk membersihkan lingkungan conda: ``` # list your environments to select an environment to clean conda info --envs # or conda info -e # once you've selected your environment to purge conda remove --name test-env --all # run conda environment list to ensure the target environment is purged conda info --envs # or conda info -e ``` # Bagikan lingkungan conda antar tipe instance Bagikan lingkungan conda Anda dapat berbagi lingkungan conda dengan menyimpannya ke direktori Amazon EFS di luar volume Amazon EBS Anda. Pengguna lain dapat mengakses lingkungan di direktori tempat Anda menyimpannya. **penting** Ada batasan dengan berbagi lingkungan Anda. Misalnya, kami tidak merekomendasikan lingkungan yang dimaksudkan untuk berjalan pada instans GPU Amazon EC2 melalui lingkungan yang berjalan pada instance CPU. Gunakan perintah berikut sebagai templat untuk menentukan direktori target tempat Anda membuat lingkungan khusus. Anda membuat conda dalam jalur tertentu. Anda membuatnya di dalam direktori Amazon EFS. Anda dapat memutar instance baru dan melakukan conda activate path dan melakukannya di Amazon EFS. ``` # if you know your environment path for your conda environment conda create --prefix /home/sagemaker-user/my-project/py39-test python=3.9 # activate the env with full path from prefix conda activate home/sagemaker-user/my-project/py39-test # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | awk -F' : ' '{print $2}' | awk -F'/' '{print $NF}') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env-prefix:($CURRENT_ENV_NAME)" # deactivate your conda environment conda deactivate ``` # Gunakan Amazon Q untuk Mempercepat Alur Kerja Machine Learning Amazon Q Developer adalah pendamping bertenaga AI Anda untuk pengembangan pembelajaran mesin. Dengan Amazon Q Developer, Anda dapat: + Dapatkan step-by-step panduan tentang penggunaan fitur SageMaker AI secara mandiri atau dalam kombinasi dengan AWS layanan lain. + Dapatkan kode sampel untuk memulai tugas ML Anda seperti persiapan data, pelatihan, inferensi, dan MLOps. + Terima bantuan pemecahan masalah untuk men-debug dan menyelesaikan kesalahan yang dihadapi saat menjalankan kode. Pengembang Amazon Q terintegrasi dengan mulus ke lingkungan Anda JupyterLab . Untuk menggunakan Amazon Q Developer, pilih **Q** dari navigasi sebelah kiri JupyterLab lingkungan Anda atau lingkungan Editor Kode. Jika Anda tidak melihat ikon **Q**, administrator Anda perlu mengaturnya untuk Anda. Untuk informasi selengkapnya tentang menyiapkan Pengembang Amazon Q, lihat[Menyiapkan Amazon Q Developer untuk pengguna Anda](studio-updated-amazon-q-admin-guide-set-up.md). Amazon Q secara otomatis memberikan saran untuk membantu Anda menulis kode Anda. Anda juga dapat meminta saran melalui antarmuka obrolan. # JupyterLab panduan administrator **penting** Kebijakan IAM khusus yang memungkinkan Amazon SageMaker Studio atau Amazon SageMaker Studio Classic membuat SageMaker sumber daya Amazon juga harus memberikan izin untuk menambahkan tag ke sumber daya tersebut. Izin untuk menambahkan tag ke sumber daya diperlukan karena Studio dan Studio Classic secara otomatis menandai sumber daya apa pun yang mereka buat. Jika kebijakan IAM memungkinkan Studio dan Studio Classic membuat sumber daya tetapi tidak mengizinkan penandaan, kesalahan "AccessDenied" dapat terjadi saat mencoba membuat sumber daya. Untuk informasi selengkapnya, lihat [Berikan izin untuk menandai sumber daya AI SageMaker](security_iam_id-based-policy-examples.md#grant-tagging-permissions). [AWS kebijakan terkelola untuk Amazon SageMaker AI](security-iam-awsmanpol.md)yang memberikan izin untuk membuat SageMaker sumber daya sudah menyertakan izin untuk menambahkan tag saat membuat sumber daya tersebut. Panduan untuk administrator ini menjelaskan JupyterLab sumber daya SageMaker AI, seperti yang berasal dari Amazon Elastic Block Store (Amazon EBS) dan Amazon Elastic Compute Cloud (Amazon EC2). Topik juga menunjukkan cara menyediakan akses pengguna dan mengubah ukuran penyimpanan. JupyterLab Ruang SageMaker AI terdiri dari sumber daya berikut: + Volume Amazon EBS berbeda yang menyimpan semua data, seperti kode dan variabel lingkungan. + Instans Amazon EC2 digunakan untuk menjalankan ruang. + Gambar yang digunakan untuk menjalankan JupyterLab. **catatan** Aplikasi tidak memiliki akses ke volume EBS aplikasi lain. Misalnya, Editor Kode, berdasarkan Code-OSS, Visual Studio Code - Open Source tidak memiliki akses ke volume EBS untuk. JupyterLab Untuk informasi selengkapnya tentang volume EBS, lihat [Amazon Elastic Block Store (Amazon EBS)](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/AmazonEBS.html). Anda dapat menggunakan Amazon SageMaker API untuk melakukan hal berikut: + Ubah ukuran penyimpanan default volume EBS untuk pengguna Anda. + Ubah ukuran maksimum penyimpanan EBS + Tentukan pengaturan pengguna untuk aplikasi. Misalnya, Anda dapat menentukan apakah pengguna menggunakan gambar khusus atau repositori kode. + Tentukan jenis aplikasi dukungan. Ukuran default volume Amazon EBS adalah 5 GB. Anda dapat meningkatkan ukuran volume hingga maksimum 16.384 GB. Jika Anda tidak melakukan apa pun, pengguna Anda dapat meningkatkan ukuran volumenya menjadi 100 GB. Ukuran volume hanya dapat diubah sekali dalam periode enam jam. Kernel yang terkait dengan JupyterLab aplikasi berjalan pada instans Amazon EC2 yang sama yang berjalan. JupyterLab Saat Anda membuat spasi, versi terbaru dari Gambar SageMaker Distribusi digunakan secara default. Untuk informasi selengkapnya tentang Gambar SageMaker Distribusi, lihat[SageMaker Kebijakan dukungan gambar studio](sagemaker-distribution.md). **penting** Untuk informasi tentang memperbarui ruang untuk menggunakan versi terbaru Gambar Distribusi SageMaker AI, lihat[Perbarui Gambar SageMaker Distribusi](studio-updated-jl-update-distribution-image.md). Direktori kerja pengguna Anda dalam volume penyimpanan adalah`/home/sagemaker-user`. Jika Anda menentukan AWS KMS kunci Anda sendiri untuk mengenkripsi volume, semua yang ada di direktori kerja dienkripsi menggunakan kunci yang dikelola pelanggan Anda. Jika Anda tidak menentukan AWS KMS kunci, data di dalamnya `/home/sagemaker-user` dienkripsi dengan kunci AWS terkelola. Terlepas dari apakah Anda menentukan AWS KMS kunci, semua data di luar direktori kerja dienkripsi dengan Kunci AWS Terkelola. Bagian berikut memandu Anda melalui konfigurasi yang perlu Anda lakukan sebagai administrator. **Topics** + [ # Berikan pengguna Anda akses ke spasi ](studio-updated-jl-admin-guide-permissions.md) + [ # Ubah ukuran penyimpanan default untuk JupyterLab pengguna Anda ](studio-updated-jl-admin-guide-storage-size.md) + [ # Konfigurasi siklus hidup dengan JupyterLab ](jl-lcc.md) + [ # Git repo di JupyterLab ](studio-updated-jl-admin-guide-git-attach.md) + [ # Gambar kustom ](studio-updated-jl-admin-guide-custom-images.md) + [ # Perbarui Gambar SageMaker Distribusi ](studio-updated-jl-update-distribution-image.md) + [ # Hapus sumber daya yang tidak digunakan ](studio-updated-jl-admin-guide-clean-up.md) + [ # Kuota ](studio-updated-jl-admin-guide-quotas.md) # Berikan pengguna Anda akses ke spasi Untuk memberi pengguna akses ke ruang pribadi atau bersama, Anda harus melampirkan kebijakan izin ke peran IAM mereka. Anda juga dapat menggunakan kebijakan izin untuk membatasi ruang pribadi dan aplikasi terkait ke profil pengguna tertentu. Kebijakan izin berikut memberikan akses ke ruang pribadi dan bersama. Hal ini memungkinkan pengguna untuk membuat ruang mereka sendiri dan daftar spasi lain dalam domain mereka. Pengguna dengan kebijakan ini tidak dapat mengakses ruang pribadi pengguna lain. Untuk informasi tentang ruang Studio, lihat[Ruang Amazon SageMaker Studio](studio-updated-spaces.md). Kebijakan ini memberi pengguna izin untuk hal-hal berikut: + Ruang pribadi atau ruang bersama. + Profil pengguna untuk mengakses spasi tersebut. Untuk memberikan izin, Anda dapat mencatat izin kebijakan berikut dan menambahkannya ke peran IAM pengguna Anda. Anda juga dapat menggunakan kebijakan ini untuk membatasi ruang Anda, dan aplikasi terkaitnya, ke profil pengguna tertentu. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "sagemaker:CreateApp", "sagemaker:DeleteApp" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/*", "Condition": { "Null": { "sagemaker:OwnerUserProfileArn": "true" } } }, { "Sid": "SMStudioCreatePresignedDomainUrlForUserProfile", "Effect": "Allow", "Action": [ "sagemaker:CreatePresignedDomainUrl" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName" }, { "Sid": "SMStudioAppPermissionsListAndDescribe", "Effect": "Allow", "Action": [ "sagemaker:ListApps", "sagemaker:ListDomains", "sagemaker:ListUserProfiles", "sagemaker:ListSpaces", "sagemaker:DescribeApp", "sagemaker:DescribeDomain", "sagemaker:DescribeUserProfile", "sagemaker:DescribeSpace" ], "Resource": "*" }, { "Sid": "SMStudioAppPermissionsTagOnCreate", "Effect": "Allow", "Action": [ "sagemaker:AddTags" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:*/*", "Condition": { "Null": { "sagemaker:TaggingAction": "false" } } }, { "Sid": "SMStudioRestrictSharedSpacesWithoutOwners", "Effect": "Allow", "Action": [ "sagemaker:CreateSpace", "sagemaker:UpdateSpace", "sagemaker:DeleteSpace" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*", "Condition": { "Null": { "sagemaker:OwnerUserProfileArn": "true" } } }, { "Sid": "SMStudioRestrictSpacesToOwnerUserProfile", "Effect": "Allow", "Action": [ "sagemaker:CreateSpace", "sagemaker:UpdateSpace", "sagemaker:DeleteSpace" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*", "Condition": { "ArnLike": { "sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName" }, "StringEquals": { "sagemaker:SpaceSharingType": [ "Private", "Shared" ] } } }, { "Sid": "SMStudioRestrictCreatePrivateSpaceAppsToOwnerUserProfile", "Effect": "Allow", "Action": [ "sagemaker:CreateApp", "sagemaker:DeleteApp" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/sagemaker:DomainId/*", "Condition": { "ArnLike": { "sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName" }, "StringEquals": { "sagemaker:SpaceSharingType": [ "Private" ] } } } ] } ``` ------ # Ubah ukuran penyimpanan default untuk JupyterLab pengguna Anda Anda dapat mengubah pengaturan penyimpanan default untuk pengguna Anda. Anda juga dapat mengubah pengaturan penyimpanan default berdasarkan kebutuhan organisasi Anda dan kebutuhan pengguna Anda. Untuk mengubah ukuran penyimpanan, bagian ini menyediakan perintah untuk melakukan hal berikut: 1. Perbarui pengaturan penyimpanan Amazon EBS di domain Amazon SageMaker AI (domain). 1. Buat profil pengguna dan tentukan pengaturan penyimpanan di dalamnya. Gunakan perintah AWS Command Line Interface (AWS CLI) berikut untuk mengubah ukuran penyimpanan default. Gunakan AWS CLI perintah berikut untuk memperbarui domain: ``` aws --region AWS Region sagemaker update-domain \ --domain-id domain-id \ --default-user-settings '{ "SpaceStorageSettings": { "DefaultEbsStorageSettings":{ "DefaultEbsVolumeSizeInGb":5, "MaximumEbsVolumeSizeInGb":100 } } }' ``` Gunakan AWS CLI perintah berikut untuk membuat profil pengguna dan menentukan pengaturan penyimpanan default: ``` aws --region AWS Region sagemaker create-user-profile \ --domain-id domain-id \ --user-profile-name user-profile-name \ --user-settings '{ "SpaceStorageSettings": { "DefaultEbsStorageSettings":{ "DefaultEbsVolumeSizeInGb":5, "MaximumEbsVolumeSizeInGb":100 } } }' ``` Gunakan AWS CLI perintah berikut untuk memperbarui pengaturan penyimpanan default di profil pengguna: ``` aws --region AWS Region sagemaker update-user-profile \ --domain-id domain-id \ --user-profile-name user-profile-name \ --user-settings '{ "SpaceStorageSettings": { "DefaultEbsStorageSettings":{ "DefaultEbsVolumeSizeInGb":25, "MaximumEbsVolumeSizeInGb":200 } } }' ``` # Konfigurasi siklus hidup dengan JupyterLab Konfigurasi siklus hidup adalah skrip shell yang dipicu oleh peristiwa JupyterLab siklus hidup, seperti memulai buku catatan baru. JupyterLab Anda dapat menggunakan konfigurasi siklus hidup untuk mengotomatiskan penyesuaian untuk lingkungan Anda. JupyterLab Kustomisasi ini termasuk menginstal paket kustom, mengkonfigurasi ekstensi notebook, preloading dataset, dan menyiapkan repositori kode sumber. Menggunakan konfigurasi siklus hidup memberi Anda fleksibilitas dan kontrol untuk mengonfigurasi JupyterLab untuk memenuhi kebutuhan spesifik Anda. Misalnya, Anda dapat membuat kumpulan minimal gambar wadah dasar dengan paket dan pustaka yang paling umum digunakan. Kemudian Anda dapat menggunakan konfigurasi siklus hidup untuk menginstal paket tambahan untuk kasus penggunaan tertentu di seluruh tim ilmu data dan pembelajaran mesin Anda. **catatan** Setiap skrip memiliki batas **16.384** karakter. **Topics** + [ # Pembuatan konfigurasi siklus hidup ](jl-lcc-create.md) + [ # Debug konfigurasi siklus hidup ](jl-lcc-debug.md) + [ # Lepaskan konfigurasi siklus hidup ](jl-lcc-delete.md) # Pembuatan konfigurasi siklus hidup Topik ini mencakup instruksi untuk membuat dan mengaitkan konfigurasi siklus hidup dengan. JupyterLab Anda menggunakan AWS Command Line Interface (AWS CLI) atau Konsol Manajemen AWS untuk mengotomatiskan kustomisasi untuk JupyterLab lingkungan Anda. Konfigurasi siklus hidup adalah skrip shell yang dipicu oleh peristiwa JupyterLab siklus hidup, seperti memulai buku catatan baru. JupyterLab Untuk informasi selengkapnya tentang konfigurasi siklus hidup, lihat. [Konfigurasi siklus hidup dengan JupyterLab](jl-lcc.md) ## Buat konfigurasi siklus hidup ()AWS CLI Buat konfigurasi siklus hidup ()AWS CLI Pelajari cara membuat konfigurasi siklus hidup menggunakan AWS Command Line Interface (AWS CLI) untuk mengotomatiskan penyesuaian lingkungan Studio Anda. ### Prasyarat Sebelum menggunakan fungsi , pastikan untuk melengkapi prasyarat berikut: + Perbarui AWS CLI dengan mengikuti langkah-langkah dalam [Menginstal AWS CLI Versi saat ini](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled). + Dari mesin lokal Anda, jalankan `aws configure` dan berikan AWS kredensil Anda. Untuk informasi tentang AWS kredensil, lihat [Memahami dan mendapatkan kredensil Anda AWS](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html). + Onboard ke domain Amazon SageMaker AI. Untuk informasi konseptual, lihat [Ikhtisar domain Amazon SageMaker AI](gs-studio-onboard.md). Untuk panduan memulai cepat, lihat[Gunakan pengaturan cepat untuk Amazon SageMaker AI](onboard-quick-start.md). ### Langkah 1: Buat konfigurasi siklus hidup Prosedur berikut menunjukkan cara membuat skrip konfigurasi siklus hidup yang mencetak. `Hello World` **catatan** Setiap skrip dapat memiliki hingga **16.384** karakter. 1. Dari mesin lokal Anda, buat file bernama `my-script.sh` dengan konten berikut: ``` #!/bin/bash set -eux echo 'Hello World!' ``` 1. Gunakan yang berikut ini untuk mengonversi `my-script.sh` file Anda menjadi format base64. Persyaratan ini mencegah kesalahan yang terjadi dari spasi dan pengkodean jeda baris. ``` LCC_CONTENT=`openssl base64 -A -in my-script.sh` ``` 1. Buat konfigurasi siklus hidup untuk digunakan dengan Studio. Perintah berikut membuat konfigurasi siklus hidup yang berjalan saat Anda meluncurkan aplikasi terkait`JupyterLab`: ``` aws sagemaker create-studio-lifecycle-config \ --region region \ --studio-lifecycle-config-name my-jl-lcc \ --studio-lifecycle-config-content $LCC_CONTENT \ --studio-lifecycle-config-app-type JupyterLab ``` Perhatikan ARN dari konfigurasi siklus hidup yang baru dibuat yang dikembalikan. ARN ini diperlukan untuk melampirkan konfigurasi siklus hidup ke aplikasi Anda. ### Langkah 2: Lampirkan konfigurasi siklus hidup ke domain Amazon SageMaker AI (domain) dan profil pengguna Langkah 2: Lampirkan konfigurasi siklus hidup Untuk melampirkan konfigurasi siklus hidup, Anda harus memperbarui `UserSettings` untuk domain atau profil pengguna Anda. Skrip konfigurasi siklus hidup yang terkait pada tingkat domain diwarisi oleh semua pengguna. Namun, skrip yang terkait pada tingkat profil pengguna dicakup oleh pengguna tertentu. Anda dapat membuat profil pengguna, domain, atau ruang baru dengan konfigurasi siklus hidup yang dilampirkan menggunakan perintah berikut: + [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html) + [buat-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) + [menciptakan-ruang](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html) Perintah berikut membuat profil pengguna dengan konfigurasi siklus hidup. Tambahkan ARN konfigurasi siklus hidup dari langkah sebelumnya ke pengguna. `JupyterLabAppSettings` Anda dapat menambahkan beberapa konfigurasi siklus hidup secara bersamaan dengan meneruskan daftarnya. Ketika pengguna meluncurkan JupyterLab aplikasi dengan AWS CLI, mereka dapat menentukan konfigurasi siklus hidup alih-alih menggunakan konfigurasi default. Konfigurasi siklus hidup yang dilewati pengguna harus termasuk dalam daftar konfigurasi siklus hidup. `JupyterLabAppSettings` ``` # Create a new UserProfile aws sagemaker create-user-profile --domain-id domain-id \ --user-profile-name user-profile-name \ --region region \ --user-settings '{ "JupyterLabAppSettings": { "LifecycleConfigArns": [lifecycle-configuration-arn-list] } }' ``` ## Membuat konfigurasi siklus hidup (Konsol) Membuat konfigurasi siklus hidup (Konsol) Pelajari cara membuat konfigurasi siklus hidup menggunakan untuk mengotomatiskan penyesuaian Konsol Manajemen AWS untuk lingkungan Studio Anda. ### Langkah 1: Buat konfigurasi siklus hidup Gunakan prosedur berikut untuk membuat skrip konfigurasi siklus hidup yang mencetak. `Hello World` **Untuk membuat konfigurasi siklus hidup** 1. Buka konsol Amazon SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Di panel navigasi kiri, pilih **Konfigurasi admin**. 1. Di bawah **Konfigurasi Admin, pilih Konfigurasi** **Siklus Hidup**. 1. Pilih **JupyterLab**tab. 1. Pilih **Buat konfigurasi**. 1. Untuk **Nama**, tentukan nama konfigurasi siklus hidup. 1. Untuk kotak teks di bawah **Skrip**, tentukan konfigurasi siklus hidup berikut: ``` #!/bin/bash set -eux echo 'Hello World!' ``` 1. Pilih **Buat konfigurasi**. ### Langkah 2: Lampirkan konfigurasi siklus hidup ke domain Amazon SageMaker AI (domain) dan profil pengguna Langkah 2: Lampirkan konfigurasi siklus hidup Skrip konfigurasi siklus hidup yang terkait pada tingkat domain diwarisi oleh semua pengguna. Namun, skrip yang terkait pada tingkat profil pengguna dicakup oleh pengguna tertentu. Anda dapat melampirkan beberapa konfigurasi siklus hidup ke domain atau profil pengguna untuk. JupyterLab Gunakan prosedur berikut untuk melampirkan konfigurasi siklus hidup ke domain. **Untuk melampirkan konfigurasi siklus hidup ke domain** 1. Buka konsol Amazon SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Di panel navigasi kiri, pilih **Konfigurasi admin**. 1. Di bawah **konfigurasi Admin**, pilih **domain**. 1. Dari daftar domain, pilih domain untuk melampirkan konfigurasi siklus hidup. 1. Dari **detail Domain**, pilih tab **Lingkungan**. 1. **Di bawah **Konfigurasi Siklus Hidup untuk aplikasi Studio pribadi**, pilih Lampirkan.** 1. Di bawah **Sumber**, pilih **Konfigurasi yang ada**. 1. Di bawah **Konfigurasi siklus hidup Studio**, pilih konfigurasi siklus hidup yang Anda buat pada langkah sebelumnya. 1. Pilih **Lampirkan ke domain**. Gunakan prosedur berikut untuk melampirkan konfigurasi siklus hidup ke profil pengguna. **Untuk melampirkan konfigurasi siklus hidup ke profil pengguna** 1. Buka konsol Amazon SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Di panel navigasi kiri, pilih **Konfigurasi admin**. 1. Di bawah **konfigurasi Admin**, pilih **domain**. 1. Dari daftar domain, pilih domain yang berisi profil pengguna untuk melampirkan konfigurasi siklus hidup. 1. Di bawah **Profil pengguna**, pilih profil pengguna. 1. Dari halaman **Detail Pengguna**, pilih **Edit**. 1. Di navigasi kiri, pilih **Pengaturan studio**. 1. **Di bawah **Konfigurasi Siklus Hidup yang dilampirkan ke pengguna**, pilih Lampirkan.** 1. Di bawah **Sumber**, pilih **Konfigurasi yang ada**. 1. Di bawah **Konfigurasi siklus hidup Studio**, pilih konfigurasi siklus hidup yang Anda buat pada langkah sebelumnya. 1. Pilih **Lampirkan ke profil pengguna**. # Debug konfigurasi siklus hidup Debug konfigurasi siklus hidup Topik berikut menunjukkan cara mendapatkan informasi tentang dan men-debug konfigurasi siklus hidup Anda. **Topics** + [ ## Verifikasi proses konfigurasi siklus hidup dari Log CloudWatch ](#jl-lcc-debug-logs) + [ ## Batas waktu konfigurasi siklus hidup ](#jl-lcc-debug-timeout) ## Verifikasi proses konfigurasi siklus hidup dari Log CloudWatch Konfigurasi siklus hidup hanya log dan. `STDOUT` `STDERR` `STDOUT`adalah output default untuk skrip bash. Anda dapat menulis ke `STDERR` dengan menambahkan `>&2` ke akhir perintah bash. Misalnya, `echo 'hello'>&2`. Log untuk konfigurasi siklus hidup Anda dipublikasikan ke Anda menggunakan Akun AWS Amazon. CloudWatch Log ini dapat ditemukan di aliran `/aws/sagemaker/studio` log di CloudWatch konsol. 1. Buka CloudWatch konsol di [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/). 1. Pilih **Log** dari panel navigasi kiri. Dari menu tarik-turun, pilih Grup **log**. 1. Pada halaman **Grup log**, cari`aws/sagemaker/studio`. 1. Pilih grup log . 1. Pada halaman **Detail grup log**, pilih tab **Aliran log**. 1. Untuk menemukan log untuk ruang tertentu, cari aliran log menggunakan format berikut: ``` domain-id/space-name/app-type/default/LifecycleConfigOnStart ``` Misalnya, untuk menemukan log konfigurasi siklus hidup untuk ID domain, nama spasi `d-m85lcu8vbqmz``i-sonic-js`, dan jenis aplikasi`JupyterLab`, gunakan string pencarian berikut: ``` d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart ``` ## Batas waktu konfigurasi siklus hidup Batas waktu konfigurasi siklus hidup Ada batasan batas waktu konfigurasi siklus hidup 5 menit. Jika skrip konfigurasi siklus hidup membutuhkan waktu lebih dari 5 menit untuk dijalankan, Anda mendapatkan kesalahan. Untuk mengatasi kesalahan ini, pastikan skrip konfigurasi siklus hidup Anda selesai dalam waktu kurang dari 5 menit. Untuk membantu mengurangi runtime skrip, coba yang berikut ini: + Kurangi langkah yang tidak perlu. Misalnya, batasi lingkungan conda mana untuk menginstal paket besar. + Jalankan tugas dalam proses paralel. + Gunakan perintah nohup dalam skrip Anda untuk memastikan bahwa sinyal hangup diabaikan sehingga skrip berjalan tanpa henti. # Lepaskan konfigurasi siklus hidup Lepaskan konfigurasi siklus hidup Untuk memperbarui skrip Anda, Anda harus membuat skrip konfigurasi siklus hidup baru dan melampirkannya ke masing-masing domain Amazon SageMaker AI (domain), profil pengguna, atau ruang bersama. Skrip konfigurasi siklus hidup tidak dapat diubah setelah dibuat. Untuk informasi selengkapnya tentang membuat dan melampirkan konfigurasi siklus hidup, lihat. [Pembuatan konfigurasi siklus hidup](jl-lcc-create.md) Bagian berikut menunjukkan cara melepaskan konfigurasi siklus hidup menggunakan (). AWS Command Line Interface AWS CLI ## Lepaskan menggunakan AWS CLI Untuk melepaskan konfigurasi siklus hidup menggunakan (AWS CLI), hapus konfigurasi siklus hidup yang diinginkan dari daftar konfigurasi siklus hidup yang dilampirkan ke sumber daya. Anda kemudian meneruskan daftar sebagai bagian dari perintah masing-masing: + [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html) + [pembaruan-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) + [ruang pembaruan-](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-space.html) Misalnya, perintah berikut menghapus semua konfigurasi siklus hidup untuk JupyterLab aplikasi yang dilampirkan ke domain. ``` aws sagemaker update-domain --domain-id domain-id \ --region region \ --default-user-settings '{ "JupyterLabAppSettings": { "LifecycleConfigArns": [] } }' ``` # Git repo di JupyterLab Repo Git JupyterLab menawarkan ekstensi Git untuk memasukkan URL repositori Git (repo), mengkloningnya ke lingkungan, mendorong perubahan, dan melihat riwayat komit. Anda juga dapat melampirkan repo Git yang disarankan URLs ke domain (domain) Amazon SageMaker AI atau profil pengguna. Bagian berikut menunjukkan cara melampirkan atau melepaskan URLs repo Git. **Topics** + [ # Lampirkan repositori Git ()AWS CLI ](studio-updated-git-attach-cli.md) + [ # Lepaskan repo Git URLs ](studio-updated-git-detach.md) # Lampirkan repositori Git ()AWS CLI Bagian ini menunjukkan cara melampirkan URL repositori Git (repo) menggunakan URL. AWS CLI Setelah Anda melampirkan URL repo Git, Anda dapat mengkloningnya dengan mengikuti langkah-langkah di. [Mengkloning repo Git di Amazon Studio SageMaker](#studio-updated-tasks-git) ## Prasyarat Sebelum menggunakan fungsi , pastikan untuk melengkapi prasyarat berikut: + Perbarui AWS CLI dengan mengikuti langkah-langkah dalam [Menginstal AWS Command Line Interface Versi saat ini](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled). + Dari mesin lokal Anda, jalankan `aws configure` dan berikan AWS kredensil Anda. Untuk informasi tentang AWS kredensil, lihat [Memahami dan mendapatkan kredensil Anda AWS](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html). + Onboard ke domain Amazon SageMaker AI. Untuk informasi selengkapnya, lihat [Ikhtisar domain Amazon SageMaker AI](gs-studio-onboard.md). ## Lampirkan repo Git ke domain Amazon SageMaker AI (domain) atau profil pengguna Git repo URLs yang terkait pada tingkat domain diwarisi oleh semua pengguna. Namun, repo Git URLs yang terkait pada tingkat profil pengguna dicakup oleh pengguna tertentu. Anda dapat melampirkan beberapa repo Git URLs ke domain Amazon SageMaker AI atau ke profil pengguna dengan meneruskan daftar URLs repositori. Bagian berikut menunjukkan cara melampirkan URL repo Git ke domain dan profil pengguna Anda. ### Lampirkan ke domain Amazon SageMaker AI Perintah berikut melampirkan URL repo Git ke domain yang ada: ``` aws sagemaker update-domain --region region --domain-id domain-id \ --default-user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]} ``` ### Lampirkan ke profil pengguna Perintah berikut melampirkan URL repo Git ke profil pengguna yang ada: ``` aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\ --user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]} ``` ## Mengkloning repo Git di Amazon Studio SageMaker Amazon SageMaker Studio terhubung ke repo Git lokal saja. Untuk mengakses file di repo, kloning repo Git dari dalam Studio. Untuk melakukannya, Studio menawarkan ekstensi Git bagi Anda untuk memasukkan URL repo Git, mengkloningnya ke lingkungan Anda, mendorong perubahan, dan melihat riwayat komit. Jika repo bersifat pribadi dan memerlukan kredensyal untuk mengakses, Anda menerima prompt untuk memasukkan kredensyal pengguna Anda. Kredensyal Anda termasuk nama pengguna dan token akses pribadi Anda. Untuk informasi selengkapnya tentang token akses pribadi, lihat [Mengelola token akses pribadi Anda](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens). Admin juga dapat melampirkan repositori Git yang disarankan URLs di domain Amazon SageMaker AI atau tingkat profil pengguna. Pengguna kemudian dapat memilih URL repo dari daftar saran dan mengkloningnya ke Studio. Untuk informasi lebih lanjut tentang melampirkan repo yang disarankan, lihat. [Lampirkan Repos Git yang Disarankan ke Amazon SageMaker Studio Classic](studio-git-attach.md) # Lepaskan repo Git URLs Bagian ini menunjukkan cara melepaskan repositori URLs Git dari domain Amazon SageMaker AI (domain) atau profil pengguna. Anda dapat melepaskan repo URLs dengan menggunakan AWS Command Line Interface (AWS CLI) atau konsol Amazon SageMaker AI. ## Lepaskan repo Git menggunakan AWS CLI Lepaskan menggunakan AWS CLI Untuk melepaskan semua repo Git URLs dari domain atau profil pengguna, Anda harus meneruskan daftar kosong repositori kode. Daftar ini dilewatkan sebagai bagian dari `JupyterLabAppSettings` parameter dalam `update-user-profile` perintah `update-domain` atau. Untuk melepaskan hanya satu URL repo Git, masukkan daftar repositori kode tanpa URL repo Git yang diinginkan. ### Lepaskan dari domain Amazon SageMaker AI Perintah berikut melepaskan semua repo Git URLs dari domain: ``` aws sagemaker update-domain --region region --domain-name domain-name \ --domain-settings JupyterLabAppSettings={CodeRepositories=[]} ``` ### Lepaskan dari profil pengguna Perintah berikut melepaskan semua repo Git URLs dari profil pengguna: ``` aws sagemaker update-user-profile --domain-name domain-name --user-profile-name user-name\ --user-settings JupyterLabAppSettings={CodeRepositories=[]} ``` # Gambar kustom Jika Anda memerlukan fungsionalitas yang berbeda dari yang disediakan oleh SageMaker distribusi, Anda dapat membawa gambar Anda sendiri dengan ekstensi dan paket khusus Anda. Anda juga dapat menggunakannya untuk mempersonalisasi JupyterLab UI untuk kebutuhan branding atau kepatuhan Anda sendiri. Halaman berikut akan memberikan informasi dan templat JupyterLab khusus untuk membuat gambar SageMaker AI kustom Anda sendiri. Ini dimaksudkan untuk melengkapi informasi Amazon SageMaker Studio dan instruksi tentang membuat gambar SageMaker AI Anda sendiri dan membawa gambar Anda sendiri ke Studio. Untuk mempelajari tentang gambar Amazon SageMaker AI khusus dan cara membawa gambar Anda sendiri ke Studio, lihat[Bawa gambar Anda sendiri (BYOI)](studio-updated-byoi.md). **Topics** + [ ## Pemeriksaan Kesehatan dan URL untuk aplikasi ](#studio-updated-jl-admin-guide-custom-images-app-healthcheck) + [ ## Contoh Dockerfile ](#studio-updated-jl-custom-images-dockerfile-templates) ## Pemeriksaan Kesehatan dan URL untuk aplikasi + `Base URL`— URL dasar untuk aplikasi BYOI harus. `jupyterlab/default` Anda hanya dapat memiliki satu aplikasi dan harus selalu diberi nama`default`. + `HealthCheck API`— SageMaker AI menggunakan titik akhir pemeriksaan kesehatan di port `8888` untuk memeriksa kesehatan JupyterLab aplikasi. `jupyterlab/default/api/status`adalah titik akhir untuk pemeriksaan kesehatan. + `Home/Default URL`— `/opt/ml` Direktori `/opt/.sagemakerinternal` dan direktori yang digunakan oleh AWS. File metadata di `/opt/ml` berisi metadata tentang sumber daya seperti. `DomainId` + Otentikasi — Untuk mengaktifkan otentikasi bagi pengguna Anda, matikan token notebook Jupyter atau otentikasi berbasis kata sandi dan izinkan semua asal. ## Contoh Dockerfile Contoh berikut adalah `Dockerfile` s yang memenuhi informasi di atas dan[Spesifikasi gambar kustom](studio-updated-byoi-specs.md). **catatan** Jika Anda membawa gambar Anda sendiri ke SageMaker Unified Studio, Anda harus mengikuti [spesifikasi Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) di Panduan Pengguna *Amazon SageMaker Unified* Studio. `Dockerfile`contoh untuk SageMaker Unified Studio dapat ditemukan di [contoh Dockerfile di Panduan](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) Pengguna *Amazon SageMaker Unified* Studio. ------ #### [ Example AL2023 Dockerfile ] Berikut ini adalah contoh AL2023 Dockerfile yang memenuhi informasi di atas dan[Spesifikasi gambar kustom](studio-updated-byoi-specs.md). ``` FROM public.ecr.aws/amazonlinux/amazonlinux:2023 ARG NB_USER="sagemaker-user" ARG NB_UID=1000 ARG NB_GID=100 # Install Python3, pip, and other dependencies RUN yum install -y \ python3 \ python3-pip \ python3-devel \ gcc \ shadow-utils && \ useradd --create-home --shell /bin/bash --gid "${NB_GID}" --uid ${NB_UID} ${NB_USER} && \ yum clean all RUN python3 -m pip install --no-cache-dir \ 'jupyterlab>=4.0.0,<5.0.0' \ urllib3 \ jupyter-activity-monitor-extension \ --ignore-installed # Verify versions RUN python3 --version && \ jupyter lab --version USER ${NB_UID} CMD jupyter lab --ip 0.0.0.0 --port 8888 \ --ServerApp.base_url="/jupyterlab/default" \ --ServerApp.token='' \ --ServerApp.allow_origin='*' ``` ------ #### [ Example SageMaker Distribusi Amazon Dockerfile ] Berikut ini adalah contoh Amazon SageMaker Distribution Dockerfile yang memenuhi informasi di atas dan[Spesifikasi gambar kustom](studio-updated-byoi-specs.md). ``` FROM public.ecr.aws/sagemaker/sagemaker-distribution:latest-cpu ARG NB_USER="sagemaker-user" ARG NB_UID=1000 ARG NB_GID=100 ENV MAMBA_USER=$NB_USER USER root RUN apt-get update RUN micromamba install sagemaker-inference --freeze-installed --yes --channel conda-forge --name base USER $MAMBA_USER ENTRYPOINT ["entrypoint-jupyter-server"] ``` ------ # Perbarui Gambar SageMaker Distribusi **penting** Topik ini mengasumsikan bahwa Anda telah membuat spasi dan memberi pengguna akses ke sana. Untuk informasi selengkapnya, lihat [Berikan pengguna Anda akses ke spasi](studio-updated-jl-admin-guide-permissions.md). Perbarui JupyterLab spasi yang telah Anda buat untuk menggunakan versi terbaru Gambar SageMaker Distribusi untuk mengakses fitur terbaru. Anda dapat menggunakan UI Studio atau AWS Command Line Interface (AWS CLI) untuk memperbarui gambar. Bagian berikut memberikan informasi tentang memperbarui gambar. ## Perbarui gambar (UI) Memperbarui gambar melibatkan memulai ulang JupyterLab ruang pengguna Anda. Gunakan prosedur berikut untuk memperbarui JupyterLab ruang pengguna Anda dengan gambar terbaru. **Untuk memperbarui gambar (UI)** 1. Buka Studio. Untuk informasi tentang membuka Studio, lihat[Luncurkan Amazon SageMaker Studio](studio-updated-launch.md). 1. Pilih **JupyterLab**. 1. Pilih JupyterLab ruang pengguna Anda. 1. Pilih **Stop Space**. 1. Untuk **Gambar**, pilih versi terbaru dari Gambar Distribusi SageMaker AI. Untuk gambar terbaru, pilih **Terbaru**. 1. Pilih **Jalankan ruang**. ## Perbarui gambar (AWS CLI) Bagian ini mengasumsikan bahwa Anda telah menginstal AWS Command Line Interface (AWS CLI). Untuk informasi tentang menginstal AWS CLI, lihat [Menginstal atau memperbarui ke versi terbaru AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html). Untuk memperbarui gambar, Anda harus melakukan hal berikut untuk ruang pengguna Anda: 1. Hapus JupyterLab aplikasi 1. Perbarui ruang 1. Buat aplikasi **penting** Anda harus menyiapkan informasi berikut sebelum mulai memperbarui gambar: ID domain — ID domain SageMaker AI Amazon pengguna Anda. Jenis aplikasi — JupyterLab. Nama aplikasi — default. Nama spasi — Nama yang ditentukan untuk spasi. Jenis instans — Jenis instans Amazon EC2 yang Anda gunakan untuk menjalankan aplikasi. Misalnya, `ml.t3.medium`. SageMaker Gambar ARN — Nama Sumber Daya Amazon (ARN) dari Gambar Distribusi AI. SageMaker Anda dapat memberikan versi terbaru dari SageMaker AI Distribution Image dengan menentukan salah satu `sagemaker-distribution-cpu` atau `sagemaker-distribution-gpu` sebagai pengenal sumber daya. Untuk menghapus JupyterLab aplikasi, jalankan perintah berikut: ``` aws sagemaker delete-app \ --domain-id your-user's-domain-id --app-type JupyterLab \ --app-name default \ --space-name name-of-your-user's-space ``` Untuk memperbarui ruang pengguna Anda, jalankan perintah berikut: ``` aws sagemaker update-space \ --space-name name-of-your-user's-space \ --domain-id your-user's-domain-id ``` Jika Anda berhasil memperbarui ruang, Anda akan melihat ruang ARN dalam respons: ``` { "SpaceArn": "arn:aws:sagemaker:AWS Region:111122223333:space/your-user's-domain-id/name-of-your-user's-space" } ``` Untuk membuat aplikasi, jalankan perintah berikut: ``` aws sagemaker create-app \ --domain-id your-user's-domain-id \ --app-type JupyterLab \ --app-name default \ --space-name name-of-your-user's-space \ --resource-spec "InstanceType=instance-type,SageMakerImageArn=arn:aws:sagemaker:AWS Region:555555555555:image/sagemaker-distribution-resource-identifier" ``` # Hapus sumber daya yang tidak digunakan Untuk menghindari biaya tambahan yang berjalan JupyterLab, sebaiknya hapus sumber daya yang tidak terpakai dengan urutan sebagai berikut: 1. JupyterLab aplikasi 1. Spasi 1. Profil pengguna 1. wilayah Gunakan perintah AWS Command Line Interface (AWS CLI) berikut untuk menghapus sumber daya dalam domain: ------ #### [ Delete a JupyterLab application ] ``` aws --region AWS Region sagemaker delete-app --domain-id example-domain-id --app-name default --app-type JupyterLab --space-name example-space-name ``` ------ #### [ Delete a space ] **penting** Jika Anda menghapus spasi, Anda menghapus volume Amazon EBS yang terkait dengannya. Kami menyarankan untuk mencadangkan data berharga apa pun sebelum Anda menghapus ruang Anda. ``` aws --region AWS Region sagemaker delete-space --domain-id example-domain-id --space-name example-space-name ``` ------ #### [ Delete a user profile ] ``` aws --region AWS Region sagemaker delete-user-profile --domain-id example-domain-id --user-profile example-user-profile ``` ------ # Kuota JupyterLab, memiliki kuota sebagai berikut: + Jumlah semua volume Amazon EBS dalam file Akun AWS. + Jenis instans yang tersedia untuk pengguna Anda. + Jumlah instance untuk tertentu yang dapat diluncurkan pengguna Anda. Untuk mendapatkan lebih banyak penyimpanan dan komputasi bagi pengguna Anda, minta peningkatan AWS kuota Anda. Untuk informasi selengkapnya tentang meminta peningkatan kuota, lihat [titik akhir dan kuota Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html).