Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Usa i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
I notebook Amazon SageMaker Studio Classic sono notebook collaborativi che puoi avviare rapidamente perché non è necessario configurare prima istanze di calcolo e storage di file. I notebook Studio Classic forniscono un’archiviazione persistente, che consente di visualizzare e condividere i notebook anche se le istanze su cui i notebook vengono eseguiti sono chiuse.
Puoi condividere i notebook con altri utenti, in modo che possano riprodurre facilmente i risultati e collaborare durante la creazione di modelli e l’esplorazione dei dati. Fornisci l’accesso a una copia di sola lettura del notebook tramite un URL protetto. Le dipendenze per il notebook sono incluse nei metadati del notebook. Quando i colleghi copiano il notebook, viene aperto nello stesso ambiente del notebook originale.
Un notebook Studio Classic viene eseguito in un ambiente definito da quanto segue:
+ Tipo di istanza Amazon EC2: configurazione hardware su cui viene eseguito il notebook. La configurazione include il numero e il tipo di processori (vCPU e vGPU), nonché la quantità e il tipo di memoria. Il tipo di istanza determina i prezzi.
+ SageMaker image: un'immagine del contenitore compatibile con Studio Classic. SageMaker L’immagine è costituita dai kernel, dai pacchetti linguistici e da altri file necessari per eseguire un notebook in Studio Classic. Possono esserci più immagini in un’istanza. Per ulteriori informazioni, consulta [Immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi.md).
+ KernelGateway app: un' SageMaker immagine viene eseguita come KernelGateway app. Viene fornito l’accesso ai kernel dell’immagine. Esiste una one-to-one corrispondenza tra un'immagine SageMaker AI e un' KernelGateway app.
+ Kernel: processo che ispeziona ed esegue il codice contenuto nel notebook. Un kernel è definito da una *specifica del kernel nell’immagine*. In un’immagine possono esserci più kernel.
Puoi modificare una qualsiasi di queste risorse dal notebook.
Il diagramma seguente illustra come funziona il kernel di un notebook in relazione all' KernelGatewayapp, all'utente e al dominio.
![\[Come funziona un kernel di un notebook in relazione all' KernelGateway app, all'utente e al dominio.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-components.png)
[I notebook Sample SageMaker Studio Classic sono disponibili nella cartella [aws\$1sagemaker\$1studio](https://github.com/awslabs/amazon-sagemaker-examples/tree/master/aws_sagemaker_studio) del repository di esempio Amazon. SageMaker GitHub ](https://github.com/awslabs/amazon-sagemaker-examples) Ogni notebook viene fornito con l'immagine necessaria che apre il notebook con il kernel appropriato. SageMaker
Si consiglia di acquisire familiarità con l'interfaccia di SageMaker Studio Classic e la barra degli strumenti del notebook Studio Classic prima di creare o utilizzare un notebook Studio Classic. Per ulteriori informazioni, consultare [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md) e [Utilizzo della barra degli strumenti dei notebook Studio Classic](notebooks-menu.md).
**Topics**
+ [In che modo i notebook Amazon SageMaker Studio Classic sono diversi dalle istanze Notebook?](notebooks-comparison.md)
+ [Inizia a usare i notebook Amazon SageMaker Studio Classic](notebooks-get-started.md)
+ [Tour classico di Amazon SageMaker Studio](gs-studio-end-to-end.md)
+ [Crea o apri un notebook Amazon SageMaker Studio Classic](notebooks-create-open.md)
+ [Utilizzo della barra degli strumenti dei notebook Studio Classic](notebooks-menu.md)
+ [Installazione di librerie e kernel esterni in Amazon SageMaker Studio Classic](studio-notebooks-add-external.md)
+ [Condividi e usa un notebook Amazon SageMaker Studio Classic](notebooks-sharing.md)
+ [Ottieni i metadati delle app e dei notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-metadata.md)
+ [Scopri le differenze tra i notebook in Amazon SageMaker Studio Classic](notebooks-diff.md)
+ [Gestisci le risorse per i notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage.md)
+ [Misurazione dell'utilizzo per i notebook Amazon SageMaker Studio Classic](notebooks-usage-metering.md)
+ [Risorse disponibili per i notebook Amazon SageMaker Studio Classic](notebooks-resources.md)
# In che modo i notebook Amazon SageMaker Studio Classic sono diversi dalle istanze Notebook?
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Quando inizi a creare un nuovo notebook, ti consigliamo di crearlo in Amazon SageMaker Studio Classic anziché avviare un'istanza di notebook dalla console Amazon SageMaker AI. L’utilizzo di un notebook Studio Classic offre numerosi vantaggi, inclusi i seguenti:
+ **Più velocità:** l’avvio di un notebook Studio Classic è più veloce rispetto a uno basato su istanze. In genere, è 5-10 volte più veloce dei notebook basati su istanze.
+ **Condivisione semplificata dei notebook:** la condivisione dei notebook è una funzionalità integrata in Studio Classic. Gli utenti possono generare un link condivisibile che riproduce il codice del notebook e anche l' SageMaker immagine necessaria per eseguirlo, in pochi clic.
+ **SDK Python più recente:** [i notebook Studio Classic sono preinstallati con l'ultimo SDK Amazon Python. SageMaker ](https://sagemaker.readthedocs.io/en/stable)
+ **Accesso a tutte le funzionalità di Studio Classic:** i notebook Studio Classic sono accessibili dall’interno di Studio Classic. Ciò consente di creare, addestrare, eseguire il debug, tracciare e monitorare i modelli senza uscire da Studio Classic.
+ **Directory utenti persistenti:** ogni membro di un team di Studio ottiene la propria home directory per archiviare i propri notebook e altri file. La directory viene montata automaticamente su tutte le istanze e i kernel all’avvio, in modo che i relativi notebook e altri file siano sempre disponibili. Le home directory sono archiviate in Amazon Elastic File System (Amazon EFS) in modo che siano accessibili da altri servizi.
+ **Accesso diretto:** quando utilizzi il Centro identità IAM, le credenziali del Centro identità IAM vengono fornite tramite un URL univoco che consente di accedere direttamente a Studio Classic. Non è necessario interagire con loro per far funzionare i notebook. Console di gestione AWS
+ **Immagini ottimizzate:** i notebook Studio Classic sono dotati di una serie di impostazioni di SageMaker immagine predefinite per consentirti di iniziare più velocemente.
**Nota**
I notebook Studio Classic non supportano la *modalità locale*. Tuttavia, puoi utilizzare un’istanza del notebook per addestrare localmente un campione del set di dati e quindi utilizzare lo stesso codice in un notebook di Studio Classic per eseguire l’addestramento sul set di dati completo.
Quando si apre un notebook in SageMaker Studio Classic, la visualizzazione è un'estensione dell'interfaccia. JupyterLab Le funzionalità principali sono le stesse, quindi troverai le caratteristiche tipiche di un notebook Jupyter e. JupyterLab Per ulteriori informazioni sull’interfaccia di Studio Classic, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md).
# Inizia a usare i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Per iniziare, tu o l'amministratore della tua organizzazione dovete completare il processo di onboarding del dominio SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
Puoi accedere a un notebook Studio Classic in uno dei seguenti modi:
+ Riceverai un invito via e-mail per accedere a Studio Classic tramite l'IAM Identity Center della tua organizzazione, che include un link diretto per accedere a Studio Classic senza dover utilizzare la console Amazon SageMaker AI. Puoi passare alle [Fasi successive](#notebooks-get-started-next-steps).
+ Riceverai un link a un notebook Studio Classic condiviso, che include un collegamento diretto per accedere a Studio Classic senza dover utilizzare la console SageMaker AI. Puoi passare alle [Fasi successive](#notebooks-get-started-next-steps).
+ Effettua l'onboarding a un dominio e poi accedi alla console SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Avvia Amazon SageMaker AI
Completa la procedura in [Avvia Amazon SageMaker Studio Classic](studio-launch.md) per avviare Studio Classic.
## Fasi successive
Dopo aver effettuato l’accesso a Studio Classic, puoi provare una delle opzioni seguenti:
+ Per creare un notebook Studio Classic o esplorare i taccuini con end-to-end tutorial di Studio Classic, consulta la sezione [Tour classico di Amazon SageMaker Studio](gs-studio-end-to-end.md) successiva.
+ Per familiarizzare con l’interfaccia di Studio Classic, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md) o prova il **notebook Nozioni di base** selezionando **Apri notebook Nozioni di base** nella sezione **Azioni rapide** della home page di Studio Classic.
# Tour classico di Amazon SageMaker Studio
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
[Per una guida dettagliata che illustra le caratteristiche principali di Amazon SageMaker Studio Classic, consulta il notebook di esempio [xgboost\$1customer\$1churn\$1studio.ipynb](https://sagemaker-examples.readthedocs.io/en/latest/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.html) dal repository aws/. amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples) GitHub Il codice contenuto nel notebook SageMaker addestra SageMaker più modelli e configura Debugger e Model Monitor. Nella procedura dettagliata viene illustrato come visualizzare le versioni di prova, confrontare i modelli risultanti, mostrare i risultati del debugger e implementare il modello migliore utilizzando l’interfaccia utente di Studio Classic. Non è necessario comprendere il codice per seguire questa procedura dettagliata.
**Prerequisiti**
Per eseguire il notebook in questa presentazione, è necessario:
+ Un account IAM per accedere a Studio. Per informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
+ Familiarità di base con l'interfaccia utente Studio e i notebook Jupyter. Per informazioni, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md).
+ Una copia del amazon-sagemaker-examples repository [aws/](https://github.com/aws/amazon-sagemaker-examples) nell'ambiente Studio.
**Per clonare il repository**
1. Avvia Studio Classic con la procedura descritta in [Avvia Amazon SageMaker Studio Classic](studio-launch.md). Gli utenti del Centro identità IAM possono accedere utilizzando l’URL nell’e-mail di invito.
1. Nel menu in alto, scegli **File**, poi **Nuovo**, quindi **Terminale**.
1. [Al prompt dei comandi, esegui il seguente comando per clonare il repository aws/. amazon-sagemaker-examples](https://github.com/aws/amazon-sagemaker-examples) GitHub
```
$ git clone https://github.com/aws/amazon-sagemaker-examples.git
```
**Per accedere al notebook di esempio**
1. Dal **File Browser** nel menu a sinistra, seleziona. **amazon-sagemaker-examples**
1. Vai al notebook di esempio con il seguente percorso.
`~/amazon-sagemaker-examples/aws_sagemaker_studio/getting_started/xgboost_customer_churn_studio.ipynb`
1. Segui il notebook per scoprire le funzionalità principali di Studio Classic.
**Nota**
Se riscontri un errore durante l'esecuzione del notebook di esempio ed è passato del tempo dalla clonazione del repository, controlla il notebook sul repository remoto per verificare la presenza di eventuali aggiornamenti.
# Crea o apri un notebook Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Quando utilizzi [Creazione di un notebook dal menu File](#notebooks-create-file-menu) Amazon SageMaker Studio Classic o [Apertura di un notebook in Studio Classic](#notebooks-open) per la prima volta, ti viene richiesto di configurare il tuo ambiente scegliendo SageMaker un'immagine, un kernel, un tipo di istanza e, facoltativamente, uno script di configurazione del ciclo di vita da eseguire all'avvio dell'immagine. SageMaker L'intelligenza artificiale avvia il notebook su un'istanza del tipo scelto. Per immagini basate su CPU, il tipo di istanza predefinito è `ml.t3.medium` (disponibile come parte del [AWS Piano gratuito](https://aws.amazon.com/free)). Per le immagini basate su GPU, il tipo di istanza predefinito è `ml.g4dn.xlarge`.
Se crei o apri notebook aggiuntivi che utilizzano lo stesso tipo di istanza, a prescindere che i notebook utilizzino o meno lo stesso kernel, i notebook vengono eseguiti sulla stessa istanza di tale tipo di istanza.
Dopo aver avviato un notebook, è possibile modificarne il tipo di istanza, SageMaker l'immagine e il kernel dall'interno del notebook. Per ulteriori informazioni, consultare [Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md) e [Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
**Nota**
Puoi avere una sola istanza per tipo di istanza. Ogni istanza può avere più SageMaker immagini in esecuzione su di essa. Ogni SageMaker immagine può eseguire più kernel o istanze di terminale.
La fatturazione avviene per istanza e inizia quando viene avviata la prima istanza di un determinato tipo di istanza. Se desideri creare o aprire un notebook senza il rischio di sostenere costi, apri il notebook dal menu **File** e scegli **Nessun kernel** dalla finestra di dialogo **Seleziona kernel**. Puoi leggere e modificare un notebook senza un kernel, ma non puoi eseguire celle di codice.
La fatturazione termina quando l' SageMaker immagine dell'istanza viene chiusa. Per ulteriori informazioni, consulta [Misurazione dell'utilizzo per i notebook Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Per informazioni sull'arresto dei notebook, consulta [Arresto delle risorse](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions).
**Topics**
+ [Apertura di un notebook in Studio Classic](#notebooks-open)
+ [Creazione di un notebook dal menu File](#notebooks-create-file-menu)
+ [Creazione di un notebook dall'utilità di avvio](#notebooks-create-launcher)
+ [Elenco dei tipi di istanze, immagini e kernel disponibili](#notebooks-instance-image-kernels)
## Apertura di un notebook in Studio Classic
Amazon SageMaker Studio Classic può aprire solo i notebook elencati nel browser di file Studio Classic. Per istruzioni sull'aggiunta di un notebook al browser di file, vedere [Caricare file su Amazon SageMaker Studio Classic](studio-tasks-files.md) o [Clona un repository Git in Amazon Studio Classic SageMaker](studio-tasks-git.md).
**Per aprire un notebook**
1. Nella barra laterale sinistra, seleziona l'icona **File Browser (Browser di file)** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder.png)) per visualizzare il browser di file.
1. Individua un file notebook e fai doppio clic per aprire il notebook in una nuova scheda.
## Creazione di un notebook dal menu File
**Per creare un notebook dal menu File**
1. Dal menu di Studio Classic, scegli **File**, **Nuovo**, quindi **Notebook**.
1. Nella finestra di dialogo **Cambia ambiente**, utilizza i menu a discesa per selezionare **immagine**, **kernel**, **tipo di istanza** e **script di avvio**, quindi scegli **Seleziona**. Studio Classic avvia e apre il notebook in una nuova scheda.
![\[Configurazione dell’ambiente del notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-environment-setup.png)
## Creazione di un notebook dall'utilità di avvio
**Per creare un notebook dall'utilità di avvio**
1. Per aprire il Launcher, scegli **Amazon SageMaker Studio Classic** in alto a sinistra dell'interfaccia di Studio Classic o usa la scorciatoia `Ctrl + Shift + L` da tastiera.
Per informazioni sulle modalità di apertura dell’utilità di avvio disponibili, consulta [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
1. Nell’utilità di avvio, nella sezione **Notebook e risorse di calcolo**, scegli **Cambia ambiente**.
![\[SageMaker Studio Classic imposta l'ambiente per notebook.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-launcher-notebook-creation.png)
1. Nella finestra di dialogo **Cambia ambiente**, utilizza i menu a discesa per selezionare **immagine**, **kernel**, **tipo di istanza** e **script di avvio**, quindi scegli **Seleziona**.
1. Nell’utilità di avvio, selezionare **Crea notebook**. Studio Classic avvia e apre il notebook in una nuova scheda.
Per visualizzare la sessione di kernel del notebook, nella barra laterale sinistra, seleziona l’icona **Terminali e kernel in esecuzione** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png)). Puoi interrompere la sessione kernel del notebook da questa visualizzazione.
## Elenco dei tipi di istanze, immagini e kernel disponibili
Per un elenco di tutte le risorse disponibili, consulta:
+ [Tipi di istanze disponibili per l'uso con i notebook Amazon SageMaker Studio Classic](notebooks-available-instance-types.md)
+ [SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic](notebooks-available-images.md)
# Utilizzo della barra degli strumenti dei notebook Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
I notebook Amazon SageMaker Studio Classic estendono l'interfaccia. JupyterLab [Per una panoramica dell' JupyterLabinterfaccia originale, consulta The Interface. JupyterLab](https://jupyterlab.readthedocs.io/en/latest/user/interface.html)
L’immagine seguente mostra la barra degli strumenti e una cella vuota di un notebook Studio Classic.
![\[SageMaker Menu del notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-menu.png)
Passando il cursore su un’icona della barra degli strumenti, un tooltip ne mostra la funzione. Ulteriori comandi del notebook sono disponibili nel menu principale di Studio Classic. La barra degli strumenti include le seguenti icone:
| Icon | Description |
| --- | --- |
| ![\[L’icona Salva ed esegui il checkpoint.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png) | **Salva ed esegui il checkpoint** Salva il notebook e aggiorna il file del checkpoint. Per ulteriori informazioni, consulta [Ottieni la differenza tra l'ultimo checkpoint](notebooks-diff.md#notebooks-diff-checkpoint). |
| ![\[L’icona Inserisci cella.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-insert-cell.png) | **Inserisci cella** Inserisce una cella di codice sotto la cella corrente. La cella corrente è annotata dal marcatore verticale blu nel margine sinistro. |
| ![\[Le icone Taglia, copia e incolla celle.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-cut-copy-paste.png) | **Taglia, copia e incolla celle** Taglia, copia e incolla le celle selezionate. |
| ![\[L’icona Esegui celle.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-run.png) | **Esegui celle** Esegue le celle selezionate e quindi rende la cella che segue l'ultima cella selezionata la nuova cella selezionata. |
| ![\[L’icona Interrompi kernel.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-interrupt-kernel.png) | **Interrompi kernel** Interrompe il kernel, il che annulla l'operazione attualmente in esecuzione. Il kernel rimane attivo. |
| ![\[L’icona Riavvia kernel.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel.png) | **Riavvia kernel** Riavvia il kernel. Le variabili vengono reimpostate. Le informazioni non salvate non sono interessate. |
| ![\[L’icona Riavvia kernel ed esegui tutte le celle.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-restart-kernel-run-all-cells.png) | **Riavvia kernel ed esegui tutte le celle** Riavvia il kernel, quindi esegue tutte le celle del notebook. |
| ![\[L’icona Tipo di cella.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-cell-type.png) | **Tipo di cella** Visualizza o modifica il tipo di cella corrente. I tipi di cella sono: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-menu.html) |
| ![\[L’icona Avvia terminale.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png) | **Avvio terminale** Avvia un terminale nell' SageMaker immagine che ospita il notebook. Per vedere un esempio, consulta [Ottenere i metadati dell’app](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app). |
| ![\[L’icona Diff checkpoint.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png) | **Diff checkpoint** Apre una nuova scheda che visualizza la differenza tra il notebook e il file del checkpoint. Per ulteriori informazioni, consulta [Ottieni la differenza tra l'ultimo checkpoint](notebooks-diff.md#notebooks-diff-checkpoint). |
| ![\[L’icona Diff Git.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png) | **Git diff** Abilitato solo se il notebook viene aperto da un repository Git. Apre una nuova scheda che visualizza la differenza tra il notebook e l'ultimo commit Git. Per ulteriori informazioni, consulta [Ottenere la differenza tra l'ultimo commit](notebooks-diff.md#notebooks-diff-git). |
| **2 vCPU \$1 4 GiB** | **Tipo di istanza** Visualizza o modifica il tipo di istanza in cui viene eseguito il notebook. Il formato è il seguente: `number of vCPUs + amount of memory + number of GPUs` `Unknown` indica che il notebook è stato aperto senza specificare un kernel. Il notebook funziona sull'istanza SageMaker Studio e non comporta costi di runtime. Non è possibile assegnare il notebook a un tipo di istanza. È necessario specificare un kernel e quindi Studio assegna il notebook a un tipo predefinito. Per ulteriori informazioni, consultare [Crea o apri un notebook Amazon SageMaker Studio Classic](notebooks-create-open.md) e [Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md). |
| ![\[L’icona Cluster.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-cluster.png) | **Cluster** Connette il notebook a un cluster Amazon EMR e dimensiona le attività ETL o esegue l’addestramento di modelli su larga scala utilizzando Apache Spark, Hive o Presto. Per ulteriori informazioni, consulta [Preparazione dei dati con Amazon EMR](studio-notebooks-emr-cluster.md). |
| **Python 3 (Data Science)** | **Kernel e Image SageMaker ** Visualizza o modifica il kernel che elabora le celle nel notebook. Il formato è il seguente: `Kernel (SageMaker Image)` `No Kernel` indica che il notebook è stato aperto senza specificare un kernel. È possibile modificare il notebook ma non è possibile eseguire alcuna cella. Per ulteriori informazioni, consulta [Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md). |
| ![\[L’icona Stato kernel occupato.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-kernel-status.png) | **Stato kernel occupato** Visualizza lo stato occupato del kernel. Quando il bordo del cerchio e il suo interno sono dello stesso colore il kernel è occupato. Il kernel è occupato all'avvio e quando sta elaborando le celle. Gli stati aggiuntivi del kernel vengono visualizzati nella barra di stato nell'angolo inferiore sinistro di Studio. SageMaker |
| ![\[L’icona Condividi notebook.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-share.png) | **Condividi notebook** Condivide il notebook. Per ulteriori informazioni, consulta [Condividi e usa un notebook Amazon SageMaker Studio Classic](notebooks-sharing.md). |
Per selezionare più celle, fai clic sul margine sinistro all'esterno di una cella. Tieni premuto il tasto `Shift` e premi `K` o il tasto `Up` per selezionare le celle precedenti oppure utilizza `J` o il tasto `Down` per selezionare le celle seguenti.
# Installazione di librerie e kernel esterni in Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
I notebook Amazon SageMaker Studio Classic sono dotati di più immagini già installate. Queste immagini contengono kernel e pacchetti Python tra cui scikit-learn, NumPy Pandas,,, e. TensorFlow PyTorch MXNet Puoi anche installare le tue immagini che contengono la tua scelta di pacchetti e kernel. Per ulteriori informazioni sull'installazione delle tue immagini, consulta [Immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi.md).
I diversi kernel Jupyter nei notebook SageMaker Amazon Studio Classic sono ambienti conda separati. Per informazioni sugli ambienti conda, consulta [Managing Environments](https://conda.io/docs/user-guide/tasks/manage-environments.html).
## Strumenti di installazione dei pacchetti
**Importante**
Attualmente, tutti i pacchetti di SageMaker notebook Amazon sono concessi in licenza per l'uso con Amazon SageMaker AI e non richiedono licenze commerciali aggiuntive. Tuttavia, questa condizione potrebbe essere soggetta a modifiche in futuro, pertanto ti consigliamo di consultare regolarmente i termini di licenza per eventuali aggiornamenti.
Il metodo da utilizzare per installare i pacchetti Python dal terminale varia a seconda dell'immagine. Studio Classic supporta i seguenti strumenti di installazione dei pacchetti:
+ **Notebook**: sono supportati i seguenti comandi. Se uno dei seguenti comandi non funziona sulla tua immagine, prova l'altro.
+ `%conda install`
+ `%pip install`
+ **Terminale Jupyter**: puoi installare pacchetti utilizzando direttamente pip e conda. Puoi anche usare `apt-get install` per installare pacchetti di sistema dal terminale.
**Nota**
Non è consigliabile utilizzare `pip install -u` o`pip install --user`, poiché tali comandi installano pacchetti sul volume Amazon EFS dell'utente e possono potenzialmente bloccare il riavvio delle JupyterServer app. Utilizza, invece, una configurazione del ciclo di vita per reinstallare i pacchetti richiesti al riavvio dell’app, come mostrato in [Installazione dei pacchetti utilizzando le configurazioni del ciclo di vita](#nbi-add-external-lcc).
Si consiglia di utilizzare `%pip` e `%conda` per installare i pacchetti dall'interno di un notebook, perché tengono correttamente conto dell'ambiente attivo o dell'interprete utilizzato. Per ulteriori informazioni, consulta [Add %pip and %conda magic functions](https://github.com/ipython/ipython/pull/11524). Per installare i pacchetti, puoi anche utilizzare la sintassi dei comandi di sistema (righe che iniziano con \$1). Ad esempio `!pip install` e `!conda install`.
### Conda
Conda è un sistema open source di gestione dei pacchetti e un sistema di gestione dell'ambiente in grado di installare pacchetti e le relative dipendenze. SageMaker L'intelligenza artificiale supporta l'utilizzo di conda con il canale conda-forge. Per ulteriori informazioni, consulta la pagina [Conda channels](https://docs.conda.io/projects/conda/en/latest/user-guide/concepts/channels.html). Il canale conda-forge è un community channel in cui i contributori possono caricare pacchetti.
**Nota**
L'installazione di pacchetti da conda-forge può richiedere fino a 10 minuti. Il tempo varia in base al metodo usato da conda per risolvere il grafico delle dipendenze.
Tutti gli ambienti forniti dall' SageMaker intelligenza artificiale sono funzionali. I pacchetti installati dall'utente potrebbero non funzionare correttamente.
Conda si avvale di due metodi per attivare gli ambienti: `conda activate` e `source activate`. Per ulteriori informazioni, consulta [Managing environment](https://docs.conda.io/projects/conda/en/latest/user-guide/tasks/manage-environments.html).
**Operazioni supportate da conda**
+ `conda install` di un pacchetto in un unico ambiente
+ `conda install` di un pacchetto in tutti gli ambienti
+ Installazione di un pacchetto dal repository principale di conda
+ Installazione di un pacchetto da conda-forge
+ Modifica della posizione di installazione di conda per utilizzare Amazon EBS
+ Supporta sia `conda activate` che `source activate`
### Pip
Pip è lo strumento per installare e gestire i pacchetti Python. Per impostazione predefinita, pip cerca i pacchetti nell’indice dei pacchetti Python (PyPI). A differenza di conda, pip non dispone di un supporto integrato per l’ambiente. Pertanto, pip non è così completo come conda quando si tratta di pacchetti con dipendenze di librerie native o di sistema. Puoi usare pip per installare pacchetti in ambienti conda. Invece che l’indice PyPI, con pip puoi anche usare repository di pacchetti alternativi.
**Operazioni supportate da pip**
+ Uso di pip per installare un pacchetto senza un ambiente conda attivo
+ Uso di pip per installare un pacchetto in un ambiente conda
+ Uso di pip per installare un pacchetto in tutti gli ambienti conda
+ Modifica della posizione di installazione di pip per utilizzare Amazon EBS
+ Uso di un repository alternativo per installare pacchetti con pip
### Non supportato.
SageMaker L'intelligenza artificiale mira a supportare il maggior numero possibile di operazioni di installazione dei pacchetti. Tuttavia, se i pacchetti sono stati installati dall' SageMaker IA e si utilizzano le seguenti operazioni su questi pacchetti, l'ambiente potrebbe diventare instabile:
+ Disinstallazione
+ Downgrade
+ Aggiornamento
A causa di potenziali problemi relativi alle condizioni o alle configurazioni della rete o alla disponibilità di conda or PyPi, i pacchetti potrebbero non essere installati in un periodo di tempo fisso o deterministico.
**Nota**
Il tentativo di installare un pacchetto in un ambiente con dipendenze incompatibili può causare un errore. In caso di problemi, è possibile contattare il responsabile della libreria per aggiornare le dipendenze del pacchetto. Modificare l'ambiente, ad esempio rimuovendo o aggiornando pacchetti esistenti, può rendere quell’ambiente instabile.
## Installazione dei pacchetti utilizzando le configurazioni del ciclo di vita
Installa immagini e kernel personalizzati sul volume Amazon EBS dell'istanza Studio Classic in modo che persistano quando fermi e riavvii il notebook e che le librerie esterne installate non vengano aggiornate dall'IA. SageMaker Per farlo, usa una configurazione del ciclo di vita che includa sia uno script che venga eseguito quando crei il notebook (`on-create)` sia uno script che venga eseguito ogni volta che riavvii il notebook (`on-start`). Per ulteriori informazioni sull’utilizzo delle configurazioni del ciclo di vita con Studio Classic, consulta [Usa le configurazioni del ciclo di vita per personalizzare Amazon Studio Classic SageMaker](studio-lcc.md). Per esempi di script di configurazione del ciclo di vita, consulta Esempi di configurazione del ciclo di vita di [SageMaker AI Studio Classic](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples).
# Condividi e usa un notebook Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi condividere i tuoi notebook Amazon SageMaker Studio Classic con i tuoi colleghi. Il notebook condiviso è una copia. Dopo aver condiviso il notebook, le eventuali modifiche apportate al notebook originale non vengono riflesse nel notebook condiviso e le eventuali modifiche apportate dal collega nelle copie condivise del notebook non vengono riflesse nel notebook originale. Se si desidera condividere la versione più recente, è necessario creare un nuovo snapshot e condividerlo.
**Topics**
+ [Condivisione di un notebook](#notebooks-sharing-share)
+ [Utilizzo di un notebook condiviso](#notebooks-sharing-using)
+ [Spazi condivisi e collaborazione in tempo reale](#notebooks-sharing-rtc)
## Condivisione di un notebook
Lo screenshot seguente mostra il menu di un notebook Studio Classic.
![\[La posizione dell’icona Condividi in un notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-menu-share.png)
**Per condividere un notebook**
1. Nell'angolo in alto a destra del notebook, scegli **Condividi**.
1. (Facoltativo) In **Crea snapshot condivisibe**, scegli uno dei seguenti elementi:
+ **Includi informazioni sul repository Git**: include un link al repository Git che contiene il notebook. Ciò consente all'utente e al destinatario di collaborare e contribuire allo stesso repository Git.
+ **Includi output**: include tutto l'output del notebook che è stato salvato.
**Nota**
Se sei un utente in IAM Identity Center e queste opzioni non sono visibili, è probabile che l'amministratore del tuo IAM Identity Center abbia disabilitato la funzionalità. Contatta l'amministratore
1. Scegli **Create** (Crea).
1. Dopo aver creato lo snapshot, scegli **Copia collegamento** e poi **Chiudi**.
1. Condivisione del link con un collega.
Dopo aver selezionato le opzioni di condivisione, viene fornito un URL. Puoi condividere questo link con gli utenti che hanno accesso ad Amazon SageMaker Studio Classic. Quando l'utente apre l'URL, viene richiesto di accedere con IAM Identity Center o tramite autenticazione IAM. Questo notebook condiviso diventa una copia, pertanto le modifiche apportate dal destinatario non verranno riprodotte nel notebook originale.
## Utilizzo di un notebook condiviso
Un notebook condiviso viene utilizzato nello stesso modo di qualsiasi notebook creato autonomamente. Devi prima accedere al tuo account, quindi aprire il link condiviso. Se non hai una sessione attiva, sarà visualizzato un messaggio di errore.
Quando selezioni un collegamento a un notebook condiviso per la prima volta, viene aperta una versione di sola lettura del notebook. Per modificare il notebook condiviso, scegli **Crea una copia**. In questo modo il notebook condiviso viene copiato nello storage personale.
Il notebook copiato viene avviato su un'istanza del tipo di istanza e SageMaker dell'immagine utilizzati dal notebook quando il mittente lo ha condiviso. Se non stai eseguendo attualmente un'istanza del tipo corretto, viene avviata una nuova istanza. La personalizzazione dell' SageMaker immagine non è condivisa. È inoltre possibile controllare l'istantanea del notebook scegliendo **Dettagli snapshot**.
Di seguito sono riportate alcune considerazioni importanti relative alla condivisione e all'autenticazione;
+ Se hai una sessione attiva, viene visualizzata una visualizzazione di sola lettura del notebook finché non selezioni **Crea una copia**.
+ Se non hai una sessione attiva, è necessario effettuare il login.
+ Se utilizzi IAM per accedere, dopo aver effettuato l’accesso, seleziona il tuo profilo utente, quindi scegli **Apri Studio Classic**. Quindi, seleziona il link che ti è stato inviato.
+ Se utilizzi IAM Identity Center per accedere, dopo aver effettuato il login, il notebook condiviso viene aperto automaticamente in Studio.
## Spazi condivisi e collaborazione in tempo reale
Uno spazio condiviso è costituito da un' JupyterServer applicazione condivisa e una directory condivisa. Un vantaggio chiave di uno spazio condiviso è che facilita la collaborazione tra i membri dello spazio condiviso in tempo reale. Gli utenti che collaborano in uno spazio di lavoro hanno accesso a un’applicazione Studio Classic condivisa in cui possono accedere, leggere e modificare i propri notebook in tempo reale. La collaborazione in tempo reale è supportata solo per JupyterServer le applicazioni all'interno di uno spazio condiviso. Gli utenti con accesso a uno spazio condiviso possono aprire, visualizzare, modificare ed eseguire contemporaneamente i notebook Jupyter nell’applicazione Studio Classic condivisa in quello spazio. Per ulteriori informazioni sugli spazi condivisi e la collaborazione in tempo reale, consulta [Collaborazione con spazi condivisi](domain-space.md).
# Ottieni i metadati delle app e dei notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi accedere ai metadati del notebook e ai metadati delle app utilizzando l'interfaccia utente di Amazon SageMaker Studio Classic.
**Topics**
+ [Recupero dei metadati dei notebook Studio Classic](#notebooks-run-and-manage-metadata-notebook)
+ [Ottenere i metadati dell’app](#notebooks-run-and-manage-metadata-app)
## Recupero dei metadati dei notebook Studio Classic
I notebook Jupyter contengono metadati opzionali a cui puoi accedere tramite l'interfaccia utente di Amazon Studio Classic. SageMaker
**Per visualizzare i metadati del notebook:**
1. Nella barra laterale destra, seleziona l’icona **Controllo proprietà** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/gears.png)).
1. Apri la sezione **Strumenti avanzati**.
I metadati dovrebbero avere un aspetto simile al seguente.
```
{
"instance_type": "ml.t3.medium",
"kernelspec": {
"display_name": "Python 3 (Data Science)",
"language": "python",
"name": "python3__SAGEMAKER_INTERNAL__arn:aws:sagemaker:us-west-2::image/datascience-1.0"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.7.10"
}
}
```
## Ottenere i metadati dell’app
Quando crei un notebook in Amazon SageMaker Studio Classic, i metadati dell'app vengono scritti in un file denominato `resource-metadata.json` nella cartella`/opt/ml/metadata/`. È possibile ottenere i metadati dell'app aprendo un terminale immagine dall'interno del notebook. I metadati forniscono le seguenti informazioni, tra cui l' SageMaker immagine e il tipo di istanza in cui viene eseguito il notebook:
+ **AppType** – `KernelGateway`
+ **DomainId**— Uguale allo Studio ClassicID
+ **UserProfileName**— Il nome del profilo dell'utente corrente
+ **ResourceArn**— L'Amazon Resource Name (ARN) dell'app, che include il tipo di istanza
+ **ResourceName**— Il nome dell'immagine SageMaker
Potrebbero essere inclusi ulteriori metadati per uso interno di Studio Classic, che sono soggetti a modifica.
**Per ottenere i metadati dell'app**
1. Al centro del menu del notebook, scegli l’icona **Avvia terminale** (![\[Dollar sign icon representing currency or financial transactions.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-launch-terminal.png)). Si apre un terminale nell' SageMaker immagine in cui gira il notebook.
1. Esegui i seguenti comandi per visualizzare il contenuto del file `resource-metadata.json`.
```
$ cd /opt/ml/metadata/
cat resource-metadata.json
```
Il file si presenta in maniera simile a quanto riportato di seguito:
```
{
"AppType": "KernelGateway",
"DomainId": "d-xxxxxxxxxxxx",
"UserProfileName": "profile-name",
"ResourceArn": "arn:aws:sagemaker:us-east-2:account-id:app/d-xxxxxxxxxxxx/profile-name/KernelGateway/datascience--1-0-ml-t3-medium",
"ResourceName": "datascience--1-0-ml",
"AppImageVersion":""
}
```
# Scopri le differenze tra i notebook in Amazon SageMaker Studio Classic
**Importante**
Le politiche IAM personalizzate che consentono ad Amazon SageMaker Studio o Amazon SageMaker Studio Classic di creare SageMaker risorse Amazon devono inoltre concedere le autorizzazioni per aggiungere tag a tali risorse. L’autorizzazione per aggiungere tag alle risorse è necessaria perché Studio e Studio Classic applicano automaticamente tag a tutte le risorse che creano. Se una policy IAM consente a Studio e Studio Classic di creare risorse ma non consente l'etichettatura, possono verificarsi errori AccessDenied "" durante il tentativo di creare risorse. Per ulteriori informazioni, consulta [Fornisci le autorizzazioni per etichettare SageMaker le risorse AI](security_iam_id-based-policy-examples.md#grant-tagging-permissions).
[AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che danno i permessi per creare SageMaker risorse includono già le autorizzazioni per aggiungere tag durante la creazione di tali risorse.
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi visualizzare la differenza tra il notebook corrente e l'ultimo checkpoint o l'ultimo commit Git utilizzando l'interfaccia utente di Amazon SageMaker AI.
Lo screenshot seguente mostra il menu di un notebook Studio Classic.
![\[La posizione del menu pertinente in un notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-menu-diffs.png)
**Topics**
+ [Ottieni la differenza tra l'ultimo checkpoint](#notebooks-diff-checkpoint)
+ [Ottenere la differenza tra l'ultimo commit](#notebooks-diff-git)
## Ottieni la differenza tra l'ultimo checkpoint
Quando crei un notebook, viene creato un file di checkpoint nascosto corrispondente al notebook. È possibile visualizzare le modifiche tra il notebook e il file del checkpoint oppure ripristinare il notebook in modo che corrisponda al file del checkpoint.
Per impostazione predefinita, un notebook viene salvato automaticamente ogni 120 secondi e anche quando si chiude il notebook. Tuttavia, il file del checkpoint non viene aggiornato in modo che corrisponda al notebook. Per salvare il notebook e aggiornare il file del checkpoint in modo che corrisponda, è necessario scegliere l'icona **Salva notebook e crea checkpoint** ( ![\[Padlock icon representing security or access control in cloud services.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-save-and-checkpoint.png)) a sinistra del menu del notebook o utilizzare la scelta rapida da tastiera `Ctrl + S`.
Per visualizzare le modifiche tra il notebook e il file del checkpoint, scegli l’icona **Diff checkpoint** (![\[Clock icon representing time or duration in a user interface.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-checkpoint-diff.png)) al centro del menu del notebook.
Per ripristinare il notebook nel file del checkpoint, scegli **File** dal menu principale di Studio Classic, quindi seleziona **Ripristina notebook su checkpoint**.
## Ottenere la differenza tra l'ultimo commit
Se un notebook viene aperto da un repository Git, è possibile visualizzare la differenza tra il notebook e l'ultimo commit Git.
Per visualizzare le modifiche nel notebook dall’ultimo commit di Git, scegli l’icona **Diff Git** (![\[Dark button with white text displaying "git" in lowercase letters.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/notebook-git-diff.png)) al centro del menu del notebook.
# Gestisci le risorse per i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi modificare il tipo di istanza, SageMaker l'immagine e il kernel direttamente da un notebook Amazon SageMaker Studio Classic. Per creare un kernel personalizzato da utilizzare con i notebook, consulta [Immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi.md).
**Topics**
+ [Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md)
+ [Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md)
+ [Chiudi le risorse di Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md)
# Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic
La prima volta che si apre un nuovo notebook Studio Classic, viene assegnato un tipo di istanza predefinito Amazon Elastic Compute Cloud (Amazon EC2) per eseguire il notebook. Quando si aprono notebook aggiuntivi sulla stessa istanza, i notebook vengono eseguiti sullo stesso tipo di istanza come il primo notebook, anche se i notebook utilizzano kernel differenti.
Puoi modificare il tipo di istanza su cui viene eseguito il notebook Studio Classic dall’interno del notebook.
Le informazioni seguenti si applicano solo ai notebook Studio Classic. Per informazioni su come modificare il tipo di istanza di un'istanza Amazon SageMaker Notebook, consulta[Aggiornamento di un'istanza del notebook](nbi-update.md).
**Importante**
Se modifichi il tipo di istanza, le informazioni non salvate e le impostazioni esistenti per il notebook vengono perse e i pacchetti installati devono essere reinstallati.
Il tipo di istanza precedente resta in esecuzione, anche se ci sono sessioni o app kernel attive. Devi inviare un comando esplicito di arresto dell'istanza per arrestare l'accumulo di addebiti. Per arrestare l'istanza, consulta [Arresto delle risorse](notebooks-run-and-manage-shut-down.md#notebooks-run-and-manage-shut-down-sessions).
Lo screenshot seguente mostra il menu di un notebook Studio Classic. Il processore e la memoria del tipo di istanza che alimenta il notebook vengono visualizzati come **2 vCPU \$1 4 GiB**.
![\[La posizione del processore e della memoria del tipo di istanza per il notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-menu-instance.png)
**Per cambiare il tipo di istanza**
1. Scegli il processore e la memoria del tipo di istanza che alimentano il notebook. Viene visualizzata una finestra pop-up.
1. Dalla finestra pop-up, scegli **Configura ambiente notebook**, quindi seleziona **Tipo di istanza** dal menu a discesa.
1. Dal menu a discesa scegli **Tipo di istanza**, quindi seleziona uno dei tipi di istanza elencati.
1. Dopo aver scelto un tipo di istanza, sceglie **Seleziona**.
1. Attendi che la nuova istanza venga abilitata; verranno visualizzate le informazioni sul nuovo tipo di istanza.
Per un elenco dei tipi di istanza disponibili, consulta [Tipi di istanze disponibili per l'uso con i notebook Amazon SageMaker Studio Classic](notebooks-available-instance-types.md).
# Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Con i notebook Amazon SageMaker Studio Classic, puoi modificare l'immagine o il kernel del notebook direttamente dal notebook.
Lo screenshot seguente mostra il menu di un notebook Studio Classic. Il kernel e l'immagine SageMaker AI correnti vengono visualizzati come **Python 3 (Data Science**), `Python 3` dove indica il kernel `Data Science` e indica l'immagine AI che contiene il kernel. SageMaker Il colore del cerchio a destra indica lo stato inattivo o occupato del kernel. Il kernel è occupato quando il bordo del cerchio e il suo centro sono dello stesso colore.
![\[La posizione del kernel e dell’immagine correnti nella barra dei menu di un notebook Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-notebook-menu-kernel.png)
**Per modificare l'immagine o il kernel di un notebook**
1. Scegli il nome nel menu del taccuino. image/kernel
1. Dalla finestra pop-up, scegli **Configura ambiente notebook**, quindi seleziona **Immagine** o **Kernel** dal menu a discesa.
1. Dal menu a discesa, scegli una delle immagini o dei kernel elencati.
1. Dopo aver scelto un'immagine o un kernel, scegli **Seleziona**.
1. Attendi che lo stato del kernel venga visualizzato come inattivo, il che indica che il kernel è stato avviato.
Per un elenco delle SageMaker immagini e dei kernel disponibili, consulta[SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic](notebooks-available-images.md).
# Chiudi le risorse di Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Puoi disattivare singole risorse di Amazon SageMaker AI, inclusi notebook, terminali, kernel, app e istanze di Studio Classic. Puoi anche chiudere contemporaneamente tutte le risorse di una di queste categorie. Amazon SageMaker Studio Classic non supporta la chiusura delle risorse dall'interno di un notebook.
**Nota**
Quando chiudi un’istanza del notebook Studio Classic, le risorse aggiuntive create in Studio Classic non vengono eliminate. Ad esempio, le risorse aggiuntive possono includere endpoint SageMaker AI, cluster Amazon EMR e bucket Amazon S3. Per arrestare l’accumulo degli addebiti, è necessario eliminare manualmente queste risorse. Per informazioni sulla ricerca di risorse che comportano addebiti, consulta [Analyzing your costs with AWS Cost Explorer](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html).
I seguenti argomenti mostrano come eliminare queste risorse AI. SageMaker
**Topics**
+ [Arresto di un notebook aperto](#notebooks-run-and-manage-shut-down-notebook)
+ [Arresto delle risorse](#notebooks-run-and-manage-shut-down-sessions)
## Arresto di un notebook aperto
Quando chiudi un notebook Studio Classic, il notebook non viene eliminato. Il kernel su cui è in esecuzione il notebook viene chiuso e tutte le informazioni non salvate nel notebook vengono perse. Puoi chiudere un notebook aperto dal menu **File** di Studio Classic o dal riquadro Terminali e kernel in esecuzione. La procedura seguente mostra come chiudere un notebook aperto dal menu **File** di Studio Classic.
**Per arrestare un notebook aperto dal menu File**
1. Avvia Studio Classic seguendo la procedura indicata in [Avvia Amazon SageMaker Studio Classic](studio-launch.md).
1. (Facoltativo) Salva il contenuto del notebook scegliendo **File** e **Salva notebook**.
1. Scegli **File**.
1. Scegli **Chiudi e arresta notebook**. Viene visualizzata una finestra pop-up.
1. Dalla finestra pop-up, scegli **OK**.
## Arresto delle risorse
Puoi accedere al pannello **Running Terminals and Kernels** di Amazon SageMaker Studio Classic selezionando l'icona **Running Terminals and Kernels** (). ![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels.png) Il riquadro **Running Terminals and Kernels** è composto da quattro sezioni. Ogni sezione elenca tutte le risorse di quel tipo. È possibile arrestare ogni risorsa singolarmente o arrestare contemporaneamente tutte le risorse di una sezione.
Se si arrestano tutte le risorse di una sezione, si verifica quanto segue:
+ ** INSTANCES/RUNNING APP IN ESECUZIONE**: tutte le istanze, le app, i notebook, le sessioni del kernel, le console/shell e i terminali di immagine vengono chiusi. I terminali di sistema non vengono arrestati.
+ **SESSIONI DEL KERNEL: tutti i kernel**, i notebook e i notebook vengono chiusi. consoles/shells
+ **SESSIONI DEL TERMINALE**: tutti i terminali di immagine e i terminali di sistema vengono arrestati.
**Per arrestare le risorse**
1. Avvia Studio Classic seguendo la procedura indicata in [Avvia Amazon SageMaker Studio Classic](studio-launch.md).
1. Scegli l’icona **Terminali e kernel in esecuzione**.
1. Esegui una delle operazioni seguenti:
+ Per chiudere una risorsa specifica, scegli l’icona **Chiudi** nella stessa riga della risorsa.
Per le istanze in esecuzione, una finestra di dialogo di conferma elenca tutte le risorse che l'IA chiuderà. SageMaker Una finestra di dialogo di conferma mostra tutte le app in esecuzione. Scegli **Chiudi tutto** per continuare.
**Nota**
Non viene visualizzata alcuna finestra di dialogo di conferma per le sessioni del kernel o del terminale.
+ Per arrestare tutte le risorse in una sezione, sceglie la **X** a destra dell'etichetta della sezione. Non viene visualizzata alcuna finestra di dialogo di conferma. Scegli **Arresta tutto** per continuare.
**Nota**
Quando chiudi queste risorse di Studio Classic, tutte le risorse aggiuntive create da Studio Classic, come endpoint SageMaker AI, cluster Amazon EMR e bucket Amazon S3, non vengono eliminate. È necessario eliminare manualmente queste risorse per evitare l’accumulo di addebiti. [Per informazioni sulla ricerca di risorse a cui vengono addebitati costi, consulta Analisi dei costi con. AWS Cost Explorer](https://docs.aws.amazon.com/cost-management/latest/userguide/ce-what-is.html)
# Misurazione dell'utilizzo per i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Non sono previsti costi aggiuntivi per l'utilizzo di Amazon SageMaker Studio Classic. I costi sostenuti per l'esecuzione di notebook, shell interattive, console e terminali Amazon SageMaker Studio Classic si basano sull'utilizzo delle istanze Amazon Elastic Compute Cloud (Amazon EC2).
Quando esegui le seguenti risorse, devi scegliere un'immagine e un kernel: SageMaker
**Dall’utilità di avvio di Studio Classic**
+ Notebook
+ Shell interattiva
+ Immagine del terminale
**Dal menu **File****
+ Notebook
+ Console
Quando viene avviata, la risorsa viene eseguita su un'istanza Amazon EC2 del tipo di istanza selezionata. Se un'istanza di quel tipo è stata avviata in precedenza ed è disponibile, la risorsa viene eseguita su tale istanza.
Per le immagini basate su CPU, il tipo di istanza predefinito consigliato è `ml.t3.medium`. Per le immagini basate su GPU, il tipo di istanza predefinito consigliato è `ml.g4dn.xlarge`.
I costi sostenuti si basano sul tipo di istanza. I costi vengono fatturati separatamente per ogni istanza.
La misurazione inizia quando viene creata un'istanza. La misurazione termina quando si arrestano tutte le app sull'istanza o quando si arresta l'istanza stessa. Per informazioni su come arrestare un'istanza, consulta [Chiudi le risorse di Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md).
**Importante**
Per evitare di accumulare ulteriori addebiti, è necessario arrestare l’istanza. Se si arresta il notebook in esecuzione sull'istanza ma non si arresta l'istanza, verranno comunque addebitati dei costi. Quando chiudi le istanze del notebook Studio Classic, tutte le risorse aggiuntive, come endpoint SageMaker AI, cluster Amazon EMR e bucket Amazon S3 creati da Studio Classic, non vengono eliminate. Elimina queste risorse per evitare l'accumulo di addebiti.
Quando apri più notebook sullo stesso tipo di istanza, i notebook vengono eseguiti sulla stessa istanza anche se utilizzano kernel diversi. Ti viene addebitato solo il tempo di esecuzione dell'istanza.
Puoi modificare il tipo di istanza dall'interno del notebook dopo averlo aperto. Per ulteriori informazioni, consulta [Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md).
Per informazioni sulla fatturazione ed esempi di prezzi, consulta la pagina dei [ SageMaker prezzi di Amazon](https://aws.amazon.com/sagemaker/pricing/).
# Risorse disponibili per i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Nelle seguenti sezioni sono elencate le risorse disponibili per i notebook Amazon SageMaker Studio Classic.
**Topics**
+ [Tipi di istanze disponibili per l'uso con i notebook Amazon SageMaker Studio Classic](notebooks-available-instance-types.md)
+ [SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic](notebooks-available-images.md)
# Tipi di istanze disponibili per l'uso con i notebook Amazon SageMaker Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
I notebook Amazon SageMaker Studio Classic vengono eseguiti su istanze Amazon Elastic Compute Cloud (Amazon EC2). I seguenti tipi di istanze Amazon EC2 sono disponibili per l’utilizzo con i notebook Studio Classic. Per informazioni dettagliate sui tipi di istanza adatti al tuo caso d'uso e sulle relative funzionalità prestazionali, consulta [ Amazon Elastic Compute Cloud Instance types](https://aws.amazon.com/ec2/instance-types/). Per ulteriori informazioni sui prezzi di questi tipi di istanza, consulta [Prezzi di Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Per informazioni sui tipi di istanze Amazon SageMaker Notebook disponibili, consulta [CreateNotebookInstance](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateNotebookInstance.html#sagemaker-CreateNotebookInstance-request-InstanceType).
**Nota**
Per la maggior parte dei casi d'uso, è consigliabile utilizzare un `ml.t3.medium`. Questo è il tipo di istanza predefinito per SageMaker le immagini basate su CPU ed è disponibile come parte del piano [AWS gratuito](https://aws.amazon.com/free).
**Topics**
+ [Istanze CPU](#notebooks-resources-no-gpu)
+ [Istanze con 1 o più GPUs](#notebooks-resources-gpu)
## Istanze CPU
La tabella seguente elenca i tipi di istanze Amazon EC2 CPU senza GPU collegate disponibili per l’utilizzo con i notebook Studio Classic. Inoltre, fornisce informazioni sulle specifiche di ogni tipo di istanza. Per le immagini basate su CPU, il tipo di istanza predefinito è `ml.t3.medium`.
Per informazioni dettagliate sui tipi di istanza adatti al tuo caso d'uso e sulle relative funzionalità prestazionali, consulta [Amazon Elastic Compute Cloud Instance types](https://aws.amazon.com/ec2/instance-types/). Per ulteriori informazioni sui prezzi di questi tipi di istanza, consulta [Prezzi di Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Istanze CPU
| Istanza | Caso d’uso | Avvio rapido | VPCU | Memoria (GiB) | Archiviazione delle istanze (GB) |
| --- | --- | --- | --- | --- | --- |
| ml.t3.medium | Uso generale | Sì | 2 | 4 | Solo Amazon EBS |
| ml.t3.large | Uso generale | No | 2 | 8 | Solo Amazon EBS |
| ml.t3.xlarge | Uso generale | No | 4 | 16 | Solo Amazon EBS |
| ml.t3.2xlarge | Uso generale | No | 8 | 32 | Solo Amazon EBS |
| ml.m5.large | Uso generale | Sì | 2 | 8 | Solo Amazon EBS |
| ml.m5.xlarge | Uso generale | No | 4 | 16 | Solo Amazon EBS |
| ml.m5.2xlarge | Uso generale | No | 8 | 32 | Solo Amazon EBS |
| ml.m5.4xlarge | Uso generale | No | 16 | 64 | Solo Amazon EBS |
| ml.m5.8xlarge | Uso generale | No | 32 | 128 | Solo Amazon EBS |
| ml.m5.12xlarge | Uso generale | No | 48 | 192 | Solo Amazon EBS |
| ml.m5.16xlarge | Uso generale | No | 64 | 256 | Solo Amazon EBS |
| ml.m5.24xlarge | Uso generale | No | 96 | 384 | Solo Amazon EBS |
| ml.m5d.large | Uso generale | No | 2 | 8 | 1 x SSD da 75 NVMe |
| ml.m5d.xlarge | Uso generale | No | 4 | 16 | 1 x 150 SSD NVMe |
| ml.m5d.2xlarge | Uso generale | No | 8 | 32 | 1 x 300 SSD NVMe |
| ml.m5d.4xlarge | Uso generale | No | 16 | 64 | 2 unità SSD da 300 NVMe |
| ml.m5d.8xlarge | Uso generale | No | 32 | 128 | 2 unità SSD da 600 NVMe |
| ml.m5d.12xlarge | Uso generale | No | 48 | 192 | 2 unità SSD 900 NVMe |
| ml.m5d.16xlarge | Uso generale | No | 64 | 256 | SSD 4 x 600 NVMe |
| ml.m5d.24xlarge | Uso generale | No | 96 | 384 | Unità SSD 4 x 900 NVMe |
| ml.c5.large | Calcolo ottimizzato | Sì | 2 | 4 | Solo Amazon EBS |
| ml.c5.xlarge | Calcolo ottimizzato | No | 4 | 8 | Solo Amazon EBS |
| ml.c5.2xlarge | Calcolo ottimizzato | No | 8 | 16 | Solo Amazon EBS |
| ml.c5.4xlarge | Calcolo ottimizzato | No | 16 | 32 | Solo Amazon EBS |
| ml.c5.9xlarge | Calcolo ottimizzato | No | 36 | 72 | Solo Amazon EBS |
| ml.c5.12xlarge | Calcolo ottimizzato | No | 48 | 96 | Solo Amazon EBS |
| ml.c5.18xlarge | Calcolo ottimizzato | No | 72 | 144 | Solo Amazon EBS |
| ml.c5.24xlarge | Calcolo ottimizzato | No | 96 | 192 | Solo Amazon EBS |
| ml.r5.large | Memoria ottimizzata | No | 2 | 16 | Solo Amazon EBS |
| ml.r5.xlarge | Memoria ottimizzata | No | 4 | 32 | Solo Amazon EBS |
| ml.r5.2xlarge | Memoria ottimizzata | No | 8 | 64 | Solo Amazon EBS |
| ml.r5.4xlarge | Memoria ottimizzata | No | 16 | 128 | Solo Amazon EBS |
| ml.r5.8xlarge | Memoria ottimizzata | No | 32 | 256 | Solo Amazon EBS |
| ml.r5.12xlarge | Memoria ottimizzata | No | 48 | 384 | Solo Amazon EBS |
| ml.r5.16xlarge | Memoria ottimizzata | No | 64 | 512 | Solo Amazon EBS |
| ml.r5.24xlarge | Memoria ottimizzata | No | 96 | 768 | Solo Amazon EBS |
## Istanze con 1 o più GPUs
La tabella seguente elenca i tipi di istanze Amazon EC2 con 1 o più collegamenti che GPUs sono disponibili per l'uso con i notebook Studio Classic. Inoltre, fornisce informazioni sulle specifiche di ogni tipo di istanza. Per le immagini basate su GPU, il tipo di istanza predefinito è `ml.g4dn.xlarge`.
Per informazioni dettagliate sui tipi di istanza adatti al tuo caso d'uso e sulle relative funzionalità prestazionali, consulta [ Amazon Elastic Compute Cloud Instance types](https://aws.amazon.com/ec2/instance-types/). Per ulteriori informazioni sui prezzi di questi tipi di istanza, consulta [Prezzi di Amazon EC2](https://aws.amazon.com/ec2/pricing/).
Istanze con 1 o più GPUs
| Istanza | Caso d’uso | Avvio rapido | GPUs | VPCU | Memoria (GiB) | Memoria GPU (GiB) | Archiviazione delle istanze (GB) |
| --- | --- | --- | --- | --- | --- | --- | --- |
| ml.p3.2xlarge | Elaborazione accelerata | No | 1 | 8 | 61 | 16 | Solo Amazon EBS |
| ml.p3.8xlarge | Elaborazione accelerata | No | 4 | 32 | 244 | 64 | Solo Amazon EBS |
| ml.p3.16xlarge | Elaborazione accelerata | No | 8 | 64 | 488 | 128 | Solo Amazon EBS |
| ml.p3dn.24xlarge | Elaborazione accelerata | No | 8 | 96 | 768 | 256 | 2 x 900 SSD NVMe |
| ml.p4d.24xlarge | Elaborazione accelerata | No | 8 | 96 | 1152 | 320 GB HBM2 | NVMe SSD 8 x 1000 |
| ml.p4de.24xlarge | Elaborazione accelerata | No | 8 | 96 | 1152 | 640 GB HBM2e | SSD 8 x 1000 NVMe |
| ml.g4dn.xlarge | Elaborazione accelerata | Sì | 1 | 4 | 16 | 16 | 1 unità SSD da 125 NVMe |
| ml.g4dn.2xlarge | Elaborazione accelerata | No | 1 | 8 | 32 | 16 | 1 x SSD da 225 NVMe |
| ml.g4dn.4xlarge | Elaborazione accelerata | No | 1 | 16 | 64 | 16 | 1 x SSD da 225 NVMe |
| ml.g4dn.8xlarge | Elaborazione accelerata | No | 1 | 32 | 128 | 16 | 1 x SSD 900 NVMe |
| ml.g4dn.12xlarge | Elaborazione accelerata | No | 4 | 48 | 192 | 64 | 1 x SSD 900 NVMe |
| ml.g4dn.16xlarge | Elaborazione accelerata | No | 1 | 64 | 256 | 16 | 1 x SSD 900 NVMe |
| ml.g5.xlarge | Elaborazione accelerata | No | 1 | 4 | 16 | 24 | 1 x 250 SSD NVMe |
| ml.g5.2xlarge | Elaborazione accelerata | No | 1 | 8 | 32 | 24 | 1 x SSD da 450 NVMe |
| ml.g5.4xlarge | Elaborazione accelerata | No | 1 | 16 | 64 | 24 | 1 x SSD 600 NVMe |
| ml.g5.8xlarge | Elaborazione accelerata | No | 1 | 32 | 128 | 24 | 1 x SSD 900 NVMe |
| ml.g5.12xlarge | Elaborazione accelerata | No | 4 | 48 | 192 | 96 | 1 x SSD 3800 NVMe |
| ml.g5.16xlarge | Elaborazione accelerata | No | 1 | 64 | 256 | 24 | 1 x SSD 1900 NVMe |
| ml.g5.24xlarge | Elaborazione accelerata | No | 4 | 96 | 384 | 96 | 1 x SSD 3800 NVMe |
| ml.g5.48xlarge | Elaborazione accelerata | No | 8 | 192 | 768 | 192 | 2 x SSD 3800 NVMe |
# SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic
**Importante**
A partire dal 30 novembre 2023, la precedente esperienza Amazon SageMaker Studio è ora denominata Amazon SageMaker Studio Classic. La sezione seguente è specifica per l’utilizzo dell’applicazione Studio Classic. Per informazioni sull’utilizzo dell’esperienza Studio aggiornata, consulta [Amazon SageMaker Studio](studio-updated.md).
Studio Classic viene ancora mantenuto per i carichi di lavoro esistenti, ma non è più disponibile per l'onboarding. È possibile solo interrompere o eliminare le applicazioni Studio Classic esistenti e non è possibile crearne di nuove. Ti consigliamo di [migrare il tuo carico di lavoro alla nuova esperienza Studio](studio-updated-migrate.md).
Questa pagina elenca le SageMaker immagini e i kernel associati disponibili in Amazon SageMaker Studio Classic. Questa pagina fornisce anche informazioni sul formato necessario per creare l'ARN per ogni immagine. SageMaker le immagini contengono l'ultimo [SDK Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable) e l'ultima versione del kernel. Per ulteriori informazioni, consulta [Deep Learning Containers Images](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/deep-learning-containers-images.html).
**Topics**
+ [Formato ARN dell’immagine](#notebooks-available-images-arn)
+ [Tag URI supportati](#notebooks-available-uri-tag)
+ [Immagini supportate](#notebooks-available-images-supported)
+ [Immagini destinate al ritiro](#notebooks-available-images-deprecation)
+ [Immagini obsolete](#notebooks-available-images-deprecated)
## Formato ARN dell’immagine
La tabella seguente elenca il formato degli ARN delle immagini e degli URI per ogni Regione. Per creare l'ARN completo per un'immagine, sostituisci il *resource-identifier* segnaposto con l'identificatore di risorsa corrispondente per l'immagine. L'identificatore di risorsa si trova nella tabella delle immagini e dei SageMaker kernel. Per creare l'URI completo per un'immagine, sostituisci il *tag* segnaposto con il tag cpu o gpu corrispondente. Per l’elenco dei tag che puoi utilizzare, consulta [Tag URI supportati](#notebooks-available-uri-tag).
**Nota**
SageMaker Le immagini di distribuzione utilizzano un insieme distinto di immagini ARNs, elencate nella tabella seguente.
| Region | Formato ARN dell’immagine | SageMaker Formato ARN dell'immagine di distribuzione | SageMaker Formato URI dell'immagine di distribuzione |
| --- | --- | --- | --- |
| us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/resource-identifier | arn:aws:sagemaker:us-east-1:885854791233:image/resource-identifier | 885854791233.dkr. ecr.us-east-1.amazonaws.com/: sagemaker-distribution-prod tag |
| us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/resource-identifier | arn:aws:sagemaker:us-east-2:137914896644:image/resource-identifier | 137914896644.dkr. ecr.us-east-2.amazonaws.com/sagemaker-distribution-prod: tag |
| us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/resource-identifier | arn:aws:sagemaker:us-west-1:053634841547:image/resource-identifier | 053634841547.dkr. ecr.us-west-1.amazonaws.com/sagemaker-distribution-prod: tag |
| us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/resource-identifier | arn:aws:sagemaker:us-west-2:542918446943:image/resource-identifier | 542918446943.dkr. ecr.us-west-2.amazonaws.com/sagemaker-distribution-prod: tag |
| af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/resource-identifier | arn:aws:sagemaker:af-south-1:238384257742:image/resource-identifier | 238384257742.dkr. ecr.af-south-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/resource-identifier | arn:aws:sagemaker:ap-east-1:523751269255:image/resource-identifier | 523751269255dkr. ecr.ap-east-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/resource-identifier | arn:aws:sagemaker:ap-south-1:245090515133:image/resource-identifier | 245090515133dkr. ecr.ap-south-1.amazonaws.com/: sagemaker-distribution-prod tag |
| ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/resource-identifier | arn:aws:sagemaker:ap-northeast-2:064688005998:image/resource-identifier | 064688005998.dkr. ecr.ap-northeast-2.amazonaws.com/: sagemaker-distribution-prod tag |
| ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/resource-identifier | arn:aws:sagemaker:ap-southeast-1:022667117163:image/resource-identifier | 022667117163.dkr. ecr.ap-southeast-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/resource-identifier | arn:aws:sagemaker:ap-southeast-2:648430277019:image/resource-identifier | 648430277019.dkr. ecr.ap-southeast-2.amazonaws.com/: sagemaker-distribution-prod tag |
| ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/resource-identifier | arn:aws:sagemaker:ap-northeast-1:010972774902:image/resource-identifier | 010972774902.dkr. ecr.ap-northeast-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/resource-identifier | arn:aws:sagemaker:ca-central-1:481561238223:image/resource-identifier | 481561238223.dkr. ecr.ca-central-1.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/resource-identifier | arn:aws:sagemaker:eu-central-1:545423591354:image/resource-identifier | 545423591354.dkr. ecr.eu-central-1.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/resource-identifier | arn:aws:sagemaker:eu-west-1:819792524951:image/resource-identifier | 819792524951.dkr. ecr.eu-west-1.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/resource-identifier | arn:aws:sagemaker:eu-west-2:021081402939:image/resource-identifier | 021081402939dkr. ecr.eu-west-2.amazonaws.com/: sagemaker-distribution-prod tag |
| eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/resource-identifier | arn:aws:sagemaker:eu-west-3:856416204555:image/resource-identifier | 856416204555.dkr. ecr.eu-west-3.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/resource-identifier | arn:aws:sagemaker:eu-north-1:175620155138:image/resource-identifier | 175620155138.dkr. ecr.eu-north-1.amazonaws.com/sagemaker-distribution-prod: tag |
| eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/resource-identifier | arn:aws:sagemaker:eu-south-1:810671768855:image/resource-identifier | 810671768855.dkr. ecr.eu-south-1.amazonaws.com/sagemaker-distribution-prod: tag |
| sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/resource-identifier | arn:aws:sagemaker:sa-east-1:567556641782:image/resource-identifier | 567556641782.dkr. ecr.sa-east-1.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-northeast-3 | arn:aws:sagemaker:ap-northeast-3:792733760839:image/resource-identifier | arn:aws:sagemaker:ap-northeast-3:564864627153:image/resource-identifier | 564864627153.dkr. ecr.ap-northeast-3.amazonaws.com/sagemaker-distribution-prod: tag |
| ap-southeast-3 | arn:aws:sagemaker:ap-southeast-3:276181064229:image/resource-identifier | arn:aws:sagemaker:ap-southeast-3:370607712162:image/resource-identifier | 370607712162.dkr. ecr.ap-southeast-3.amazonaws.com/sagemaker-distribution-prod: tag |
| me-south-1 | arn:aws:sagemaker:me-south-1:117516905037:image/resource-identifier | arn:aws:sagemaker:me-south-1:523774347010:image/resource-identifier | 523774347010.dkr. ecr.me-south-1.amazonaws.com/sagemaker-distribution-prod: tag |
| me-central-1 | arn:aws:sagemaker:me-central-1:103105715889:image/resource-identifier | arn:aws:sagemaker:me-central-1:358593528301:image/resource-identifier | 358593528301.dkr. ecr.me-central-1.amazonaws.com/sagemaker-distribution-prod: tag |
## Tag URI supportati
L’elenco seguente mostra i tag che puoi includere nell’URI dell’immagine.
+ 1-cpu
+ 1-gpu
+ 0-cpu
+ 0-gpu
**Gli esempi seguenti vengono illustrati con vari formati di tag: URIs **
+ 542918446943.dkr. ecr.us-west-2.amazonaws.com /:1-cpu sagemaker-distribution-prod
+ 542918446943.dkr. ecr.us-west-2.amazonaws.com /:0-gpu sagemaker-distribution-prod
## Immagini supportate
La tabella seguente fornisce informazioni sulle SageMaker immagini e sui kernel associati disponibili in Amazon SageMaker Studio Classic. Fornisce inoltre informazioni sull’identificatore della risorsa e sulla versione Python inclusi nell’immagine.
SageMaker immagini e kernel
| SageMaker Immagine | Description | Identificatore di risorsa | Kernel (e identificatore) | Versione di Python |
| --- | --- | --- | --- | --- |
| Base Python 4.3 | Immagine ufficiale di Python 3.11 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Base Python 4.2 | Immagine ufficiale di Python 3.11 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Base Python 4.1 | Immagine ufficiale di Python 3.11 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Base Python 4.0 | Immagine ufficiale di Python 3.11 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-v4. | Python 3 (python3) | Python 3.11 |
| Base Python 3.0 | Immagine ufficiale di Python 3.10 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-310-v1 | Python 3 (python3) | Python 3.10 |
| Data Science 5.3 | Data Science 5.3 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.11 basata sulla versione jammy-20240212 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 5.2 | Data Science 5.2 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.11 basata sulla versione jammy-20240212 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 5.1 | Data Science 5.1 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.11 basata sulla versione jammy-20240212 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 5.0 | Data Science 5.0 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.11 basata sulla versione jammy-20240212 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-v5 | Python 3 (python3) | Python 3.11 |
| Data Science 4.0 | Data Science 4.0 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.11 basata sulla versione 22.04 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-311-v1 | Python 3 (python3) | Python 3.11 |
| Data Science 3.0 | Data Science 3.0 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.10 basata sulla versione 22.04 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-310-v1 | Python 3 (python3) | Python 3.10 |
| Geospatial 1.0 | Amazon SageMaker geospatial è un'immagine Python composta da librerie geospaziali di uso comune come GDAL, Fiona, Shapley e Rasterio. GeoPandas Ti consente di visualizzare i SageMaker dati geospaziali all'interno dell'IA. Per ulteriori informazioni, consulta [Amazon SageMaker geospatial](https://docs.aws.amazon.com/sagemaker/latest/dg/geospatial-notebook-sdk.html) Notebook SDK | sagemaker-geospatial-1.0 | Python 3 (python3) | Python 3.10 |
| SparkAnalytics 4.3 | L'immagine SparkAnalytics 4.3 fornisce le opzioni Spark e del PySpark kernel su Amazon SageMaker Studio Classic, tra cui SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue, che consentono un'elaborazione flessibile dei PySpark dati distribuita. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.2 | L'immagine SparkAnalytics 4.2 fornisce le opzioni Spark e del PySpark kernel su Amazon SageMaker Studio Classic, tra cui SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue, che consentono un'elaborazione flessibile dei PySpark dati distribuita. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.1 | L'immagine SparkAnalytics 4.1 fornisce le opzioni Spark e del PySpark kernel su Amazon SageMaker Studio Classic, tra cui SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue, che consentono un'elaborazione flessibile dei PySpark dati distribuita. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 4.0 | L'immagine SparkAnalytics 4.0 fornisce opzioni Spark e PySpark kernel su Amazon SageMaker Studio Classic, tra cui SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue, che consentono un'elaborazione flessibile dei PySpark dati distribuita. | sagemaker-spark-analytics-v4 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 3.0 | L'immagine SparkAnalytics 3.0 fornisce opzioni Spark e PySpark kernel su Amazon SageMaker Studio Classic, tra cui SparkMagic Spark, Glue Spark e SparkMagic PySpark Glue, che consentono un'elaborazione flessibile dei PySpark dati distribuita. | sagemaker-sparkanalytics-311-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.11 |
| SparkAnalytics 2.0 | Anaconda Individual Edition con kernel PySpark Spark. Per ulteriori informazioni, vedi [sparkmagic.](https://github.com/jupyter-incubator/sparkmagic) | sagemaker-sparkanalytics-310-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.10 |
| PyTorch 2.4.0 Python 3.11 ottimizzato per la CPU | I AWS Deep Learning Containers for PyTorch 2.4.0 con CUDA 12.4 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.4.0-cpu-py311 | Python 3 (python3) | Python 3.11 |
| PyTorch 2.4.0 Python 3.11 GPU ottimizzata | I AWS Deep Learning Containers for PyTorch 2.4.0 con CUDA 12.4 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.4.0-gpu-py311 | Python 3 (python3) | Python 3.11 |
| PyTorch 2.3.0 Python 3.11 ottimizzato per la CPU | I AWS Deep Learning Containers for PyTorch 2.3.0 con CUDA 12.1 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.3.0-cpu-py311 | Python 3 (python3) | Python 3.11 |
| PyTorch 2.3.0 GPU Python 3.11 ottimizzata | I AWS Deep Learning Containers for PyTorch 2.3.0 con CUDA 12.1 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.3.0-gpu-py311 | Python 3 (python3) | Python 3.11 |
| PyTorch 2.2.0 Python 3.10 ottimizzato per la CPU | I AWS Deep Learning Containers for PyTorch 2.2 con CUDA 12.1 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.2.0-cpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.2.0 Python 3.10 GPU ottimizzata | I AWS Deep Learning Containers for PyTorch 2.2 con CUDA 12.1 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.2.0-gpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.1.0 Python 3.10 ottimizzato per la CPU | I AWS Deep Learning Containers for PyTorch 2.1 con CUDA 12.1 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.1.0-cpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.1.0 Python 3.10 GPU ottimizzata | I AWS Deep Learning Containers for PyTorch 2.1 con CUDA 12.1 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.1.0-gpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 1.13 HuggingFace Python 3.10 Neuron ottimizzato | PyTorch Immagine 1.13 con pacchetti Neuron installati per l'addestramento su istanze Trainium ottimizzate per prestazioni HuggingFace e scalabilità. AWS | hf-neuron-pypytorch-1.13- 310 | Python 3 (python3) | Python 3.10 |
| PyTorch 1.13 Python 3.10 Neuron ottimizzato | PyTorch Immagine 1.13 con pacchetti Neuron installati per l'addestramento su istanze Trainium ottimizzate per prestazioni e scalabilità. AWS | pytorch-1.13-neuron-py310 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.14.0 Python 3.10 ottimizzato per la CPU | I AWS Deep Learning Containers for TensorFlow 2.14 con CUDA 11.8 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.14.1-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.14.0 Python 3.10 GPU ottimizzata | I AWS Deep Learning Containers for TensorFlow 2.14 con CUDA 11.8 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.14.1-gpu-py310-cu118-ubuntu20.04-sagemaker-v1.0 | Python 3 (python3) | Python 3.10 |
## Immagini destinate al ritiro
SageMaker L'intelligenza artificiale interrompe il supporto per le immagini il giorno successivo alla scadenza del ciclo di vita di uno qualsiasi dei pacchetti dell'immagine da parte dell'editore. Le seguenti SageMaker immagini sono destinate a diventare obsolete.
Immagini basate su Python 3.8 raggiunte il 31 [end-of-life](https://endoflife.date/python)ottobre 2024. A partire dal 1° novembre 2024, l' SageMaker IA interromperà il supporto per queste immagini e non saranno selezionabili dall'interfaccia utente di Studio Classic. Per evitare problemi di compatibilità, se utilizzi una di queste immagini, ti consigliamo di passare a un'immagine con una versione più recente.
SageMaker immagini destinate a diventare obsolete
| SageMaker Immagine | Data di ritiro | Description | Identificatore di risorsa | Kernel | Versione di Python |
| --- | --- | --- | --- | --- | --- |
| SageMaker CPU di distribuzione v0.12 | 1 novembre 2024 | SageMaker Distribution v0 CPU è un'immagine Python 3.8 che include framework popolari per machine learning, data science e visualizzazione su CPU. Ciò include framework di deep learning come TensorFlow e Keras; pacchetti Python popolari come numpy PyTorch, scikit-learn e pandas; e come Jupyter Lab. IDEs Per ulteriori informazioni, consulta il repository [Amazon SageMaker AI Distribution](https://github.com/aws/sagemaker-distribution). | sagemaker-distribution-cpu-v0 | Python 3 (python3) | Python 3.8 |
| SageMaker GPU di distribuzione v0.12 | 1 novembre 2024 | SageMaker Distribution v0 GPU è un'immagine Python 3.8 che include framework popolari per machine learning, data science e visualizzazione su GPU. Ciò include framework di deep learning come TensorFlow e Keras; pacchetti Python popolari come numpy PyTorch, scikit-learn e pandas; e come Jupyter Lab. IDEs Per ulteriori informazioni, consulta il repository [Amazon SageMaker AI Distribution](https://github.com/aws/sagemaker-distribution). | sagemaker-distribution-gpu-v0 | Python 3 (python3) | Python 3.8 |
| Base Python 2.0 | 1 novembre 2024 | Immagine ufficiale di Python 3.8 DockerHub con boto3 e inclusa. AWS CLI | sagemaker-base-python-38 | Python 3 (python3) | Python 3.8 |
| Data Science 2.0 | 1 novembre 2024 | Data Science 2.0 è un’immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.8 basata sulla versione 22.04 di Ubuntu. Include i pacchetti e le librerie Python più comunemente usati, come NumPy Learn. SciKit | sagemaker-data-science-38 | Python 3 (python3) | Python 3.8 |
| PyTorch 1.13 Python 3.9 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.13 con CUDA 11.3 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-1.13-cpu-py39 | Python 3 (python3) | Python 3.9 |
| PyTorch 1.13 Python 3.9 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.13 con CUDA 11.7 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-1.13-gpu-py39 | Python 3 (python3) | Python 3.9 |
| PyTorch 1.12 Python 3.8 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.12 con CUDA 11.3 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers for PyTorch 1.12.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-12-0-on-sagemaker/). | pytorch-1.12-cpu-py38 | Python 3 (python3) | Python 3.8 |
| PyTorch 1.12 GPU Python 3.8 ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.12 con CUDA 11.3 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers for PyTorch 1.12.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-12-0-on-sagemaker/). | pytorch-1.12-gpu-py38 | Python 3 (python3) | Python 3.8 |
| PyTorch 1.10 Python 3.8 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.10 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers for PyTorch 1.10.2 on SageMaker ](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-10-2-on-sagemaker/) AI. | pytorch-1.10-cpu-py38 | Python 3 (python3) | Python 3.8 |
| PyTorch 1.10 Python 3.8 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 1.10 con CUDA 11.3 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers for PyTorch 1.10.2 on SageMaker ](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-pytorch-1-10-2-on-sagemaker/) AI. | pytorch-1.10-gpu-py38 | Python 3 (python3) | Python 3.8 |
| SparkAnalytics 1.0 | 1 novembre 2024 | Anaconda Individual Edition con kernel PySpark Spark. Per ulteriori informazioni, vedi [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkanalytics-v1 | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.8 |
| TensorFlow 2.13.0 Python 3.10 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.13 con CUDA 11.8 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.13.0-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.13.0 Python 3.10 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.13 con CUDA 11.8 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.13.0-gpu-py310-cu118-ubuntu20.04-sagemaker-v1.0 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.6 Python 3.8 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.6 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità AWS. Per ulteriori informazioni, consulta [AWS Deep Learning Containers for TensorFlow 2.6](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-6/). | tensorflow-2.6-cpu-py38-ubuntu20.04-v1 | Python 3 (python3) | Python 3.8 |
| TensorFlow 2.6 Python 3.8 ottimizzato per GPU | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.6 con CUDA 11.2 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers for TensorFlow 2.6](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-6/). | tensorflow-2.6-gpu-py38-cu112-ubuntu20.04-v1 | Python 3 (python3) | Python 3.8 |
| PyTorch 2.0.1 Python 3.10 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 2.0.1 con CUDA 12.1 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.1-cpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.0.1 Python 3.10 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 2.0.1 con CUDA 12.1 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.1-gpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.0.0 Python 3.10 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 2.0.0 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.0-cpu-py310 | Python 3 (python3) | Python 3.10 |
| PyTorch 2.0.0 Python 3.10 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for PyTorch 2.0.0 con CUDA 11.8 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | pytorch-2.0.0-gpu-py310 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.12.0 Python 3.10 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers per TensorFlow 2.12.0 con CUDA 11.2 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.12.0-cpu-py310-ubuntu20.04-sagemaker-v1.0 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.12.0 Python 3.10 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers per TensorFlow 2.12.0 con CUDA 11.8 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.12.0-gpu-py310-cu118-ubuntu20.04-sagemaker-v1 | Python 3 (python3) | Python 3.10 |
| TensorFlow 2.11.0 Python 3.9 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.11.0 con CUDA 11.2 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.11.0-cpu-py39-ubuntu20.04-sagemaker-v1.1 | Python 3 (python3) | Python 3.9 |
| TensorFlow 2.11.0 Python 3.9 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.11.0 con CUDA 11.2 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.11.0-gpu-py39-cu112-ubuntu20.04-sagemaker-v1.1 | Python 3 (python3) | Python 3.9 |
| TensorFlow 2.10 Python 3.9 ottimizzato per la CPU | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.10 con CUDA 11.2 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.10.1-cpu-py39-ubuntu20.04-sagemaker-v1.2 | Python 3 (python3) | Python 3.9 |
| TensorFlow 2.10 Python 3.9 GPU ottimizzata | 1 novembre 2024 | I AWS Deep Learning Containers for TensorFlow 2.10 con CUDA 11.2 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [Release Notes for Deep Learning Containers](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/dlc-release-notes.html). | tensorflow-2.10.1-gpu-py39-ubuntu20.04-sagemaker-v1.2 | Python 3 (python3) | Python 3.9 |
## Immagini obsolete
SageMaker L'IA ha interrotto il supporto per le seguenti immagini. L’obsolescenza si applica il giorno successivo alla scadenza del ciclo di vita di uno qualsiasi dei pacchetti nell’immagine stabilita dai rispettivi publisher.
SageMaker immagini destinate alla deprecazione
| SageMaker Immagine | Data di ritiro | Description | Identificatore di risorsa | Kernel | Versione di Python |
| --- | --- | --- | --- | --- | --- |
| Data science | 30 ottobre 2023 | Data Science è un'immagine [conda](https://docs.conda.io/projects/conda/en/latest/index.html) di Python 3.7 con i pacchetti e le librerie Python più comunemente usati, come Learn. NumPy SciKit | datascience-1.0 | Python 3 | Python 3.7 |
| SageMaker JumpStart Scienza dei dati 1.0 | 30 ottobre 2023 | SageMaker JumpStart Data Science 1.0 è un' JumpStart immagine che include pacchetti e librerie di uso comune. | sagemaker-jumpstart-data-science-1,0 | Python 3 | Python 3.7 |
| SageMaker JumpStart MXNet 1,0 | 30 ottobre 2023 | SageMaker JumpStart MXNet 1.0 è un' JumpStart immagine che include MXNet. | sagemaker-jumpstart-mxnet-1,0 | Python 3 | Python 3.7 |
| SageMaker JumpStart PyTorch 1,0 | 30 ottobre 2023 | SageMaker JumpStart PyTorch 1.0 è un' JumpStart immagine che include PyTorch. | sagemaker-jumpstart-pytorch-1,0 | Python 3 | Python 3.7 |
| SageMaker JumpStart TensorFlow 1,0 | 30 ottobre 2023 | SageMaker JumpStart TensorFlow 1.0 è un' JumpStart immagine che include TensorFlow. | sagemaker-jumpstart-tensorflow-1,0 | Python 3 | Python 3.7 |
| SparkMagic | 30 ottobre 2023 | Anaconda Individual Edition con kernel PySpark Spark. Per ulteriori informazioni, vedi [sparkmagic](https://github.com/jupyter-incubator/sparkmagic). | sagemaker-sparkmagic | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/notebooks-available-images.html) | Python 3.7 |
| TensorFlow 2.3 Python 3.7 ottimizzato per la CPU | 30 ottobre 2023 | I AWS Deep Learning Containers for TensorFlow 2.3 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità AWS. Per ulteriori informazioni, consulta [AWS Deep Learning Containers with TensorFlow 2.3.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-with-tensorflow-2-3-0/). | tensorflow-2.3-cpu-py37-ubuntu18.04-v1 | Python 3 | Python 3.7 |
| TensorFlow 2.3 Python 3.7 GPU ottimizzata | 30 ottobre 2023 | I AWS Deep Learning Containers for TensorFlow 2.3 con CUDA 11.0 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers per TensorFlow 2.3.1 con CUDA 11.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-for-tensorflow-2-3-1-with-cuda-11-0/). | tensorflow-2.3-gpu-py37-cu110-ubuntu18.04-v3 | Python 3 | Python 3.7 |
| TensorFlow 1.15 Python 3.7 ottimizzato per la CPU | 30 ottobre 2023 | I AWS Deep Learning Containers for TensorFlow 1.15 includono contenitori per l'addestramento sulla CPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers v7.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-v7-0-for-tensorflow/) per. TensorFlow | tensorflow-1.15-cpu-py37-ubuntu18.04-v7 | Python 3 | Python 3.7 |
| TensorFlow 1.15 Python 3.7 GPU ottimizzata | 30 ottobre 2023 | I AWS Deep Learning Containers for TensorFlow 1.15 con CUDA 11.0 includono contenitori per la formazione su GPU, ottimizzati per prestazioni e scalabilità. AWS Per ulteriori informazioni, consulta [AWS Deep Learning Containers v7.0](https://aws.amazon.com/releasenotes/aws-deep-learning-containers-v7-0-for-tensorflow/) per. TensorFlow | tensorflow-1.15-gpu-py37-cu110-ubuntu18.04-v8 | Python 3 | Python 3.7 |