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. # SageMaker JupyterLab Crea uno JupyterLab spazio all'interno di Amazon SageMaker Studio per avviare l' JupyterLabapplicazione. Uno JupyterLab spazio è uno spazio privato o condiviso all'interno di Studio che gestisce le risorse di archiviazione e di calcolo necessarie per eseguire l' JupyterLab applicazione. L' JupyterLab applicazione è un ambiente di sviluppo interattivo (IDE) basato sul Web per notebook, codice e dati. Utilizza l'interfaccia flessibile ed estesa dell' JupyterLab applicazione per configurare e organizzare i flussi di lavoro di machine learning (ML). Per impostazione predefinita, l' JupyterLab applicazione viene fornita con l'immagine SageMaker Distribution. L’immagine di Distribution contiene pacchetti molto diffusi, ad esempio: + PyTorch + TensorFlow + Keras + NumPy + Pandas + Scikit-learn Puoi utilizzare gli spazi condivisi per collaborare sui tuoi notebook Jupyter con altri utenti in tempo reale. Per ulteriori informazioni sugli spazi condivisi, consulta [Collaborazione con spazi condivisi](domain-space.md). All'interno dell' JupyterLab applicazione, puoi utilizzare Amazon Q Developer, un complemento di codice generativo basato sull'intelligenza artificiale per generare, eseguire il debug e spiegare il codice. Per informazioni sull’utilizzo di Amazon Q Developer, consulta [JupyterLab guida per l'utente](studio-updated-jl-user-guide.md). Per informazioni sulla configurazione di Amazon Q Developer, consulta [JupyterLab guida per amministratori](studio-updated-jl-admin-guide.md). Crea flussi di lavoro di analisi e machine learning unificati nello stesso notebook Jupyter. Esegui Spark lavori interattivi su Amazon EMR e sull'infrastruttura AWS Glue serverless, direttamente dal tuo notebook. Monitora ed esegui il debug dei processi più velocemente utilizzando l’interfaccia utente inline di Spark. In poche fasi, puoi automatizzare la preparazione dei dati pianificando il notebook come processo. L' JupyterLab applicazione ti aiuta a lavorare in modo collaborativo con i tuoi colleghi. Usa l'integrazione Git integrata nell' JupyterLab IDE per condividere e modificare il codice. Porta il tuo sistema di archiviazione dei file, se hai un volume Amazon EFS. L' JupyterLab applicazione viene eseguita su una singola istanza Amazon Elastic Compute Cloud (Amazon EC2) e utilizza un singolo volume Amazon Elastic Block Store (Amazon EBS) per lo storage. Puoi passare tra le istanze più velocemente o aumentare la dimensione del volume Amazon EBS in base alle tue esigenze. L'applicazione JupyterLab 4 viene eseguita in JupyterLab uno spazio all'interno di Studio. Studio Classic utilizza l'applicazione JupyterLab 3. JupyterLab 4 offre i seguenti vantaggi: + Un IDE più veloce di Amazon SageMaker Studio Classic, in particolare con notebook di grandi dimensioni + Ricerca dei documenti migliorata + Un editor di testo più performante e accessibile [Per ulteriori informazioni su JupyterLab, consulta Documentazione. JupyterLab](https://jupyterlab.readthedocs.io/en/stable/#) **Topics** + [JupyterLab guida per l'utente](studio-updated-jl-user-guide.md) + [JupyterLab guida per amministratori](studio-updated-jl-admin-guide.md) # JupyterLab guida per l'utente Questa guida mostra JupyterLab agli utenti come eseguire flussi di lavoro di analisi e apprendimento automatico all'interno SageMaker di Studio. Puoi accelerare l’archiviazione e scalare le capacità di calcolo a seconda delle tue esigenze. JupyterLab supporta spazi privati e condivisi. Gli spazi privati sono limitati a un singolo utente in un dominio. Gli spazi condivisi consentono agli altri utenti del dominio di collaborare con te in tempo reale. Per informazioni sull’utilizzo degli spazi di Studio, consulta [Spazi Amazon SageMaker Studio](studio-updated-spaces.md). Per iniziare a utilizzarlo JupyterLab, crea uno spazio e avvia JupyterLab l'applicazione. Lo spazio su cui è in esecuzione JupyterLab l'applicazione è uno JupyterLab spazio. Lo JupyterLab spazio utilizza una singola istanza Amazon EC2 per l'elaborazione e un singolo volume Amazon EBS per lo storage. Tutti gli elementi presenti nel tuo spazio, ad esempio il codice, il profilo Git e le variabili di ambiente, vengono archiviati nello stesso volume Amazon EBS. Il volume ha 3000 IOPS e un throughput di 125 megabyte al secondo (). MBps Puoi utilizzare l’archiviazione rapida per aprire ed eseguire più notebook Jupyter sulla stessa istanza. Puoi anche passare molto rapidamente tra i vari kernel di un notebook. L’amministratore configura le impostazioni predefinite di archiviazione Amazon EBS per il tuo spazio. La dimensione dell’archiviazione predefinita è di 5 GB, ma puoi aumentare la quantità di spazio disponibile. Puoi chiedere al tuo amministratore di fornirti delle linee guida. Puoi cambiare il tipo di istanza Amazon EC2 che usi per l'esecuzione JupyterLab, scalando il calcolo verso l'alto o verso il basso a seconda delle tue esigenze. Le istanze con la funzionalità di **avvio rapido** si avviano più velocemente delle altre istanze. L’amministratore potrebbe fornirti una configurazione del ciclo di vita per personalizzare il tuo ambiente. Puoi specificare la configurazione del ciclo di vita quando crei lo spazio. Se il tuo amministratore ti dà accesso a un Amazon EFS, puoi configurare il tuo JupyterLab spazio per accedervi. Per impostazione predefinita, l' JupyterLab applicazione utilizza l'immagine SageMaker di distribuzione. Ciò include il supporto per molti pacchetti di machine learning, analisi e deep learning. Tuttavia, se hai bisogno di un’immagine personalizzata, l’amministratore può aiutarti concedendoti l’accesso alle immagini personalizzate. Il volume Amazon EBS persiste indipendentemente dalla durata di un’istanza. Non perderai i tuoi dati quando cambi istanza. Utilizza le librerie di gestione dei pacchetti conda e pip per creare ambienti personalizzati riproducibili che persistono anche quando cambi tipo di istanza. Dopo l'apertura JupyterLab, è possibile configurare l'ambiente utilizzando il terminale. Per aprire il terminale, vai all’**utilità di avvio** e scegli **Terminale**. Di seguito sono riportati alcuni esempi di diversi modi in cui è possibile configurare un ambiente JupyterLab. **Nota** All’interno di Studio, puoi utilizzare le configurazioni del ciclo di vita per personalizzare l’ambiente, anche se ti consigliamo di utilizzare un gestore dei pacchetti. L’utilizzo delle configurazioni del ciclo di vita è un metodo più soggetto a errori. È più facile aggiungere o rimuovere le dipendenze piuttosto che eseguire il debug di uno script di configurazione del ciclo di vita. Può anche aumentare il tempo JupyterLab di avvio. Per informazioni sulle configurazioni del ciclo di vita, consulta [Configurazioni del ciclo di vita con JupyterLab](jl-lcc.md). **Topics** + [Creazione di uno spazio](studio-updated-jl-user-guide-create-space.md) + [Configurazione di uno spazio](studio-updated-jl-user-guide-configure-space.md) + [Personalizzazione dell’ambiente con un gestore dei pacchetti](studio-updated-jl-user-guide-customize-package-manager.md) + [Pulizia di un ambiente conda](studio-updated-jl-clean-up-conda.md) + [Condivisione di ambienti conda tra diversi tipi di istanze](studio-updated-jl-create-conda-share-environment.md) + [Utilizzo di Amazon Q per accelerare i flussi di lavoro di machine learning](studio-updated-jl-user-guide-use-amazon-q.md) # Creazione di uno spazio Per iniziare a utilizzarlo JupyterLab, crea uno spazio o scegli lo spazio che l'amministratore ha creato per te e apri JupyterLab. Utilizza la procedura seguente per creare uno spazio e aprirlo JupyterLab. **Per creare uno spazio e aprirlo JupyterLab** 1. Apri Studio. Per informazioni su come aprire Studio, consulta [Avvia Amazon SageMaker Studio](studio-updated-launch.md). 1. Scegli **JupyterLab**. 1. Scegli **Crea JupyterLab spazio**. 1. Per **Nome**, specifica il nome dello spazio. 1. (Facoltativo) Seleziona **Condividi con il mio dominio** per creare uno spazio condiviso. 1. Scegli **Crea spazio**. 1. (Facoltativo) In **Istanza**, specifica l’istanza Amazon EC2 che esegue lo spazio. 1. (Facoltativo) In **Immagine**, specifica un’immagine fornita dall’amministratore per personalizzare l’ambiente. **Importante** Le policy IAM personalizzate che consentono agli utenti di Studio di creare spazi devono concedere anche le autorizzazioni per elencare le immagini (`sagemaker: ListImage`) per poter visualizzare le immagini personalizzate. Per aggiungere l’autorizzazione, consulta [Add or remove identity permissions](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) in *AWS Identity and Access Management* User Guide. [AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che concedono le autorizzazioni per creare risorse SageMaker AI includono già le autorizzazioni per elencare le immagini durante la creazione di tali risorse. 1. (Facoltativo) In **Impostazioni spazio**, specifica quanto segue: + **Archiviazione (GB)**: fino a 100 GB o la quantità specificata dall’amministratore. + **Configurazione del ciclo di vita**: una configurazione del ciclo di vita specificata dall’amministratore. + **Allega un file system EFS personalizzato**: un Amazon EFS per il quale l’amministratore fornisce l’accesso. 1. Scegli **Esegui lo spazio**. 1. Seleziona **Apri JupyterLab**. # Configurazione di uno spazio Dopo aver creato uno JupyterLab spazio, puoi configurarlo per eseguire le seguenti operazioni: + Cambiare il tipo di istanza. + Modificare il volume di archiviazione. + (È richiesta la configurazione dell’amministratore) Utilizzare un’immagine personalizzata. + (È richiesta la configurazione dell’amministratore) Utilizzare una configurazione del ciclo di vita. + (È richiesta la configurazione dell’amministratore) Collegare un Amazon EFS personalizzato. **Importante** È necessario interrompere lo JupyterLab spazio ogni volta che lo si configura. Utilizza la procedura seguente per configurare lo spazio. **Per configurare uno spazio** 1. All'interno di Studio, accedi alla pagina JupyterLab dell'applicazione. 1. Scegli il nome dello spazio. 1. (Facoltativo) In **Immagine**, specifica un’immagine fornita dall’amministratore per personalizzare l’ambiente. **Importante** Le policy IAM personalizzate che consentono agli utenti di Studio di creare spazi devono concedere anche le autorizzazioni per elencare le immagini (`sagemaker: ListImage`) per poter visualizzare le immagini personalizzate. Per aggiungere l’autorizzazione, consulta [Add or remove identity permissions](https://docs.aws.amazon.com/IAM/latest/UserGuide/access_policies_manage-attach-detach.html) in *AWS Identity and Access Management* User Guide. [AWS politiche gestite per Amazon SageMaker AI](security-iam-awsmanpol.md)che concedono le autorizzazioni per creare risorse SageMaker AI includono già le autorizzazioni per elencare le immagini durante la creazione di tali risorse. 1. (Facoltativo) In **Impostazioni spazio**, specifica quanto segue: + **Archiviazione (GB)**: fino a 100 GB o la quantità che l’amministratore ha configurato per lo spazio. + **Configurazione del ciclo di vita**: una configurazione del ciclo di vita fornita dall’amministratore. + **Allega un file system EFS personalizzato**: un Amazon EFS per il quale l’amministratore fornisce l’accesso. 1. Scegli **Esegui lo spazio**. Quando apri l' JupyterLab applicazione, il tuo spazio ha la configurazione aggiornata. # Personalizzazione dell’ambiente con un gestore dei pacchetti Utilizza pip o conda per personalizzare il tuo ambiente. Consigliamo di utilizzare gestori dei pacchetti anziché script di configurazione del ciclo di vita. ## Creazione e attivazione dell’ambiente personalizzato Questa sezione fornisce esempi di diversi modi in cui è possibile configurare un ambiente JupyterLab. Un ambiente conda di base ha il numero minimo di pacchetti necessari per i flussi di lavoro in SageMaker AI. Utilizza il modello seguente per creare un ambiente conda di base: ``` # initialize conda for shell interaction conda init # create a new fresh environment conda create --name test-env # check if your new environment is created successfully conda info --envs # activate the new environment conda activate test-env # install packages in your new conda environment conda install pip boto3 pandas ipykernel # list all packages install in your new environment conda list # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # to exit your new environment conda deactivate ``` L’immagine seguente mostra la posizione dell’ambiente creato. ![\[L’ambiente test-env viene visualizzato nell’angolo in alto a destra della schermata.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/juptyer-notebook-environment-location.png) Per modificare l’ambiente, selezionalo e scegli un’opzione dal menu a discesa. ![\[Il segno di spunta e il testo corrispondente mostrano un ambiente di esempio creato in precedenza.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/jupyter-notebook-select-env.png) Scegli **Seleziona** per selezionare un kernel per l’ambiente. ## Creazione di un ambiente conda con una specifica versione di Python La pulizia degli ambienti conda non utilizzati può aiutare a liberare spazio su disco e migliorare le prestazioni. Utilizza il modello seguente per pulire un ambiente conda: ``` # create a conda environment with a specific python version conda create --name py38-test-env python=3.8.10 # activate and test your new python version conda activate py38-test-env & python3 --version # Install ipykernel to facilicate env registration conda install ipykernel # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # deactivate your py38 test environment conda deactivate ``` ## Creazione di un ambiente conda con un set specifico di pacchetti Utilizza il modello seguente per creare un ambiente conda con una versione di Python e un set di pacchetti specifici: ``` # prefill your conda environment with a set of packages, conda create --name py38-test-env python=3.8.10 pandas matplotlib=3.7 scipy ipykernel # activate your conda environment and ensure these packages exist conda activate py38-test-env # check if these packages exist conda list | grep -E 'pandas|matplotlib|scipy' # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # deactivate your conda environment conda deactivate ``` ## Clonazione di conda da un ambiente esistente Clona il tuo ambiente conda per preservarne lo stato di funzionamento. Conduci esperimenti nell’ambiente clonato senza temere di introdurre modifiche pericolose nel tuo ambiente di test. Utilizza il comando seguente per clonare un ambiente. ``` # create a fresh env from a base environment conda create --name py310-base-ext --clone base # replace 'base' with another env # activate your conda environment and ensure these packages exist conda activate py310-base-ext # install ipykernel to register your env conda install ipykernel # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | cut -d : -f 2 | tr -d ' ') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env:($CURRENT_ENV_NAME)" # deactivate your conda environment conda deactivate ``` ## Clonazione di conda da un file YAML di riferimento Crea un ambiente conda da un file YAML di riferimento. Di seguito è riportato un file YAML di esempio che puoi utilizzare. ``` # anatomy of a reference environment.yml name: py311-new-env channels: - conda-forge dependencies: - python=3.11 - numpy - pandas - scipy - matplotlib - pip - ipykernel - pip: - git+https://github.com/huggingface/transformers ``` In `pip`, consigliamo di specificare solo le dipendenze che non sono disponibili con conda. Utilizza i comandi seguenti per creare un ambiente conda da un file YAML. ``` # create your conda environment conda env create -f environment.yml # activate your env conda activate py311-new-env ``` # Pulizia di un ambiente conda La pulizia degli ambienti conda non utilizzati può aiutare a liberare spazio su disco e migliorare le prestazioni. Utilizza il modello seguente per pulire un ambiente conda: ``` # list your environments to select an environment to clean conda info --envs # or conda info -e # once you've selected your environment to purge conda remove --name test-env --all # run conda environment list to ensure the target environment is purged conda info --envs # or conda info -e ``` # Condivisione di ambienti conda tra diversi tipi di istanze Puoi condividere gli ambienti conda salvandoli in una directory Amazon EFS esterna al tuo volume Amazon EBS. Un altro utente può accedere all’ambiente nella directory in cui lo hai salvato. **Importante** La condivisione degli ambienti presenta delle limitazioni. Ad esempio, non consigliamo di preferire un ambiente progettato per l’esecuzione su un’istanza GPU di Amazon EC2 rispetto a un ambiente in esecuzione su un’istanza CPU. Utilizza i comandi seguenti come modello per specificare la directory di destinazione in cui stai creando un ambiente personalizzato. Stai creando un conda all’interno di un percorso particolare. Lo crei all’interno della directory Amazon EFS. Puoi avviare una nuova istanza ed eseguire il percorso di attivazione conda all’interno di Amazon EFS. ``` # if you know your environment path for your conda environment conda create --prefix /home/sagemaker-user/my-project/py39-test python=3.9 # activate the env with full path from prefix conda activate home/sagemaker-user/my-project/py39-test # parse env name information from your new environment export CURRENT_ENV_NAME=$(conda info | grep "active environment" | awk -F' : ' '{print $2}' | awk -F'/' '{print $NF}') # register your new environment as Jupyter Kernel for execution python3 -m ipykernel install --user --name $CURRENT_ENV_NAME --display-name "user-env-prefix:($CURRENT_ENV_NAME)" # deactivate your conda environment conda deactivate ``` # Utilizzo di Amazon Q per accelerare i flussi di lavoro di machine learning Amazon Q Developer è il tuo partner basato sull’IA per lo sviluppo del machine learning. Con Amazon Q Developer, puoi: + Ricevi step-by-step indicazioni sull'utilizzo delle funzionalità di SageMaker intelligenza artificiale in modo indipendente o in combinazione con altri AWS servizi. + Ottieni codice di esempio per iniziare le tue attività di machine learning come la preparazione dei dati, la formazione, l'inferenza e MLOps. + Ricevere assistenza sulla risoluzione dei problemi per eseguire il debug e correggere gli errori riscontrati durante l’esecuzione del codice. Amazon Q Developer si integra perfettamente nel tuo JupyterLab ambiente. Per utilizzare Amazon Q Developer, scegli **Q** dalla barra di navigazione a sinistra del tuo JupyterLab ambiente o dall'ambiente Code Editor. Se non vedi l’icona **Q**, il tuo amministratore deve configurarla per te. Per ulteriori informazioni sulla configurazione di Amazon Q Developer, consulta [Configurazione di Amazon Q Developer per i tuoi utenti](studio-updated-amazon-q-admin-guide-set-up.md). Amazon Q fornisce automaticamente suggerimenti per aiutarti a scrivere il codice. Puoi anche chiedere suggerimenti tramite l’interfaccia della chat. # JupyterLab guida per amministratori **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. Questa guida per gli amministratori descrive JupyterLab le risorse SageMaker AI, come quelle di Amazon Elastic Block Store (Amazon EBS) e Amazon Elastic Compute Cloud (Amazon EC2) Elastic Compute Cloud (Amazon EC2). Gli argomenti mostrano anche come fornire l’accesso agli utenti e modificare la dimensione dell’archiviazione. Uno JupyterLab spazio SageMaker AI è composto dalle seguenti risorse: + Un volume Amazon EBS distinto che archivia tutti i dati, come il codice e le variabili di ambiente. + L’istanza Amazon EC2 utilizzata per eseguire lo spazio. + L'immagine utilizzata per l'esecuzione JupyterLab. **Nota** Le applicazioni non hanno accesso al volume EBS di altre applicazioni. Ad esempio, Code Editor, basato su Code-OSS, Visual Studio Code - Open Source non ha accesso al volume EBS per. JupyterLab Per ulteriori informazioni sui volumi EBS, consulta [Amazon Elastic Block Store (Amazon EBS)](https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/AmazonEBS.html). Puoi utilizzare l' SageMaker API Amazon per effettuare le seguenti operazioni: + Modificare la dimensione dell’archiviazione predefinita del volume EBS per i tuoi utenti. + Modificare la dimensione massima dell’archiviazione EBS. + Specificare le impostazioni utente per l’applicazione. Ad esempio, puoi specificare se l’utente sta utilizzando un’immagine personalizzata o un repository di codice. + Specificare il tipo di applicazione di supporto. La dimensione predefinita del volume Amazon EBS è di 5 GB. Puoi aumentarla fino a un massimo di 16.384 GB. Se non apporti modifiche, gli utenti possono aumentare la dimensione del volume fino a 100 GB. La dimensione del volume può essere modificata solo una volta in un intervallo di sei ore. I kernel associati all' JupyterLab applicazione vengono eseguiti sulla stessa istanza Amazon EC2 in esecuzione. JupyterLab Quando crei uno spazio, per impostazione predefinita viene utilizzata la versione più recente dell'immagine di SageMaker distribuzione. Per ulteriori informazioni sulle immagini SageMaker di distribuzione, vedere[SageMaker Politica di supporto delle immagini di Studio](sagemaker-distribution.md). **Importante** Per informazioni sull'aggiornamento dello spazio per utilizzare la versione più recente di SageMaker AI Distribution Image, consulta[Aggiorna l'immagine SageMaker di distribuzione](studio-updated-jl-update-distribution-image.md). La directory di lavoro degli utenti all’interno del volume di archiviazione è `/home/sagemaker-user`. Se specifichi la tua AWS KMS chiave per crittografare il volume, tutto ciò che si trova nella directory di lavoro viene crittografato utilizzando la chiave gestita dal cliente. Se non si specifica alcuna AWS KMS chiave, i dati all'interno `/home/sagemaker-user` vengono crittografati con una chiave AWS gestita. Indipendentemente dal fatto che venga specificata una AWS KMS chiave, tutti i dati al di fuori della directory di lavoro vengono crittografati con una chiave AWS gestita. Le sezioni seguenti forniscono istruzioni sulle configurazioni che devi eseguire in qualità di amministratore. **Topics** + [Concessione agli utenti dell’accesso agli spazi](studio-updated-jl-admin-guide-permissions.md) + [Modifica la dimensione di archiviazione predefinita per i tuoi utenti JupyterLab](studio-updated-jl-admin-guide-storage-size.md) + [Configurazioni del ciclo di vita con JupyterLab](jl-lcc.md) + [Repos Git in JupyterLab](studio-updated-jl-admin-guide-git-attach.md) + [Immagini personalizzate](studio-updated-jl-admin-guide-custom-images.md) + [Aggiorna l'immagine SageMaker di distribuzione](studio-updated-jl-update-distribution-image.md) + [Eliminazione delle risorse inutilizzate](studio-updated-jl-admin-guide-clean-up.md) + [Quote](studio-updated-jl-admin-guide-quotas.md) # Concessione agli utenti dell’accesso agli spazi Per consentire agli utenti di accedere a spazi privati o condivisi, devi collegare una policy di autorizzazione ai loro ruoli IAM. Puoi utilizzare la policy di autorizzazione anche per limitare gli spazi privati e le relative applicazioni associate a un profilo utente specifico. La policy di autorizzazione seguente consente l’accesso a spazi privati e condivisi. Consente agli utenti di creare il proprio spazio ed elencare altri spazi all’interno del proprio dominio. Un utente con questa policy non può accedere allo spazio privato di un altro utente. Per informazioni sull’utilizzo degli spazi di Studio, consulta [Spazi Amazon SageMaker Studio](studio-updated-spaces.md). La policy di esempio seguente fornisce le autorizzazioni per: + Spazi privati o spazi condivisi. + Un profilo utente per accedere a tali spazi. Per fornire le autorizzazioni, puoi definire l’ambito delle autorizzazioni della policy seguente e aggiungerla ai ruoli IAM dei tuoi utenti. Puoi utilizzare questa policy anche per limitare i tuoi spazi e le relative applicazioni associate a un profilo utente specifico. ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "sagemaker:CreateApp", "sagemaker:DeleteApp" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/*", "Condition": { "Null": { "sagemaker:OwnerUserProfileArn": "true" } } }, { "Sid": "SMStudioCreatePresignedDomainUrlForUserProfile", "Effect": "Allow", "Action": [ "sagemaker:CreatePresignedDomainUrl" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName" }, { "Sid": "SMStudioAppPermissionsListAndDescribe", "Effect": "Allow", "Action": [ "sagemaker:ListApps", "sagemaker:ListDomains", "sagemaker:ListUserProfiles", "sagemaker:ListSpaces", "sagemaker:DescribeApp", "sagemaker:DescribeDomain", "sagemaker:DescribeUserProfile", "sagemaker:DescribeSpace" ], "Resource": "*" }, { "Sid": "SMStudioAppPermissionsTagOnCreate", "Effect": "Allow", "Action": [ "sagemaker:AddTags" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:*/*", "Condition": { "Null": { "sagemaker:TaggingAction": "false" } } }, { "Sid": "SMStudioRestrictSharedSpacesWithoutOwners", "Effect": "Allow", "Action": [ "sagemaker:CreateSpace", "sagemaker:UpdateSpace", "sagemaker:DeleteSpace" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*", "Condition": { "Null": { "sagemaker:OwnerUserProfileArn": "true" } } }, { "Sid": "SMStudioRestrictSpacesToOwnerUserProfile", "Effect": "Allow", "Action": [ "sagemaker:CreateSpace", "sagemaker:UpdateSpace", "sagemaker:DeleteSpace" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:space/sagemaker:DomainId/*", "Condition": { "ArnLike": { "sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName" }, "StringEquals": { "sagemaker:SpaceSharingType": [ "Private", "Shared" ] } } }, { "Sid": "SMStudioRestrictCreatePrivateSpaceAppsToOwnerUserProfile", "Effect": "Allow", "Action": [ "sagemaker:CreateApp", "sagemaker:DeleteApp" ], "Resource": "arn:aws:sagemaker:us-east-2:111122223333:app/sagemaker:DomainId/*", "Condition": { "ArnLike": { "sagemaker:OwnerUserProfileArn": "arn:aws:sagemaker:us-east-2:111122223333:user-profile/sagemaker:DomainId/sagemaker:UserProfileName" }, "StringEquals": { "sagemaker:SpaceSharingType": [ "Private" ] } } } ] } ``` ------ # Modifica la dimensione di archiviazione predefinita per i tuoi utenti JupyterLab Puoi modificare le impostazioni di archiviazione predefinite per gli utenti. Puoi anche modificare le impostazioni di archiviazione predefinite in base ai requisiti organizzativi e alle esigenze degli utenti. Per modificare la dimensione dell’archiviazione, questa sezione fornisce i comandi per: 1. Aggiorna le impostazioni di storage di Amazon EBS nel dominio Amazon SageMaker AI (dominio). 1. Creare un profilo utente e specificare le impostazioni di archiviazione al suo interno. Utilizza i seguenti comandi AWS Command Line Interface (AWS CLI) per modificare la dimensione di storage predefinita. Utilizzate il seguente AWS CLI comando per aggiornare il dominio: ``` aws --region Regione AWS sagemaker update-domain \ --domain-id domain-id \ --default-user-settings '{ "SpaceStorageSettings": { "DefaultEbsStorageSettings":{ "DefaultEbsVolumeSizeInGb":5, "MaximumEbsVolumeSizeInGb":100 } } }' ``` Utilizzate il seguente AWS CLI comando per creare il profilo utente e specificare le impostazioni di archiviazione predefinite: ``` aws --region Regione AWS sagemaker create-user-profile \ --domain-id domain-id \ --user-profile-name user-profile-name \ --user-settings '{ "SpaceStorageSettings": { "DefaultEbsStorageSettings":{ "DefaultEbsVolumeSizeInGb":5, "MaximumEbsVolumeSizeInGb":100 } } }' ``` Utilizza i seguenti AWS CLI comandi per aggiornare le impostazioni di archiviazione predefinite nel profilo utente: ``` aws --region Regione AWS sagemaker update-user-profile \ --domain-id domain-id \ --user-profile-name user-profile-name \ --user-settings '{ "SpaceStorageSettings": { "DefaultEbsStorageSettings":{ "DefaultEbsVolumeSizeInGb":25, "MaximumEbsVolumeSizeInGb":200 } } }' ``` # Configurazioni del ciclo di vita con JupyterLab Le configurazioni del ciclo di vita sono script di shell attivati da JupyterLab eventi del ciclo di vita, come l'avvio di un nuovo notebook. JupyterLab È possibile utilizzare le configurazioni del ciclo di vita per automatizzare la personalizzazione del proprio ambiente. JupyterLab Questa personalizzazione include l'installazione di pacchetti personalizzati, la configurazione delle estensioni dei notebook, il precaricamento di set di dati e la configurazione di repository di codice sorgente. L'utilizzo delle configurazioni del ciclo di vita offre flessibilità e controllo per la configurazione in base alle esigenze specifiche. JupyterLab Ad esempio, puoi creare un set minimo di immagini del container di base con i pacchetti e le librerie utilizzati più di frequente. Puoi quindi utilizzare le configurazioni del ciclo di vita per installare pacchetti aggiuntivi per casi d’uso specifici per i team di data science e machine learning. **Nota** Ogni script ha un limite di **16.384 caratteri**. **Topics** + [Errore di configurazione del ciclo di vita](jl-lcc-create.md) + [Esecuzione del debug delle configurazioni del ciclo di vita](jl-lcc-debug.md) + [Scollegamento delle configurazioni del ciclo di vita](jl-lcc-delete.md) # Errore di configurazione del ciclo di vita Questo argomento include istruzioni per creare e associare una configurazione del ciclo di vita a. JupyterLab È possibile utilizzare il AWS Command Line Interface (AWS CLI) o il Console di gestione AWS per automatizzare la personalizzazione del proprio ambiente. JupyterLab Le configurazioni del ciclo di vita sono script di shell attivati da eventi del JupyterLab ciclo di vita, come l'avvio di un nuovo notebook. JupyterLab Per ulteriori informazioni sulle configurazioni del ciclo di vita, consulta [Configurazioni del ciclo di vita con JupyterLab](jl-lcc.md). ## Creazione di una configurazione del ciclo di vita (AWS CLI) Scopri come creare una configurazione del ciclo di vita utilizzando AWS Command Line Interface ()AWS CLI per automatizzare la personalizzazione del tuo ambiente Studio. ### Prerequisiti Prima di iniziare, completa i seguenti prerequisiti: + Aggiorna il file AWS CLI seguendo la procedura descritta in [Installazione](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) della versione corrente. AWS CLI + Dal computer locale, esegui `aws configure` e inserisci le tue credenziali AWS . Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS credenziali](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html). + Effettua l'onboard nel dominio Amazon SageMaker AI. Per informazioni concettuali, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md). Per una guida di avvio rapido, consulta [Usa la configurazione rapida per Amazon SageMaker AI](onboard-quick-start.md). ### Fase 1: creazione di una configurazione del ciclo di vita La procedura seguente mostra come creare uno script di configurazione del ciclo di vita che stampa `Hello World`. **Nota** Ogni script può contenere un massimo di **16.384 caratteri.** 1. Dal computer locale, crea un file denominato `my-script.sh` con il contenuto seguente: ``` #!/bin/bash set -eux echo 'Hello World!' ``` 1. Utilizza quanto segue per convertire il file `my-script.sh` nel formato base64. Questo requisito previene gli errori dovuti alla codifica della spaziatura e delle interruzioni di riga. ``` LCC_CONTENT=`openssl base64 -A -in my-script.sh` ``` 1. Creazione di una configurazione del ciclo di vita da utilizzare con Studio. Il comando seguente crea una configurazione del ciclo di vita che viene eseguita all’avvio di un’applicazione `JupyterLab` associata: ``` aws sagemaker create-studio-lifecycle-config \ --region region \ --studio-lifecycle-config-name my-jl-lcc \ --studio-lifecycle-config-content $LCC_CONTENT \ --studio-lifecycle-config-app-type JupyterLab ``` Prendi nota dell’ARN (nome della risorsa Amazon) della configurazione del ciclo di vita appena creata che viene restitutio. L’ARN è richiesto per collegare la configurazione del ciclo di vita all'applicazione. ### Fase 2: collega la configurazione del ciclo di vita al dominio Amazon SageMaker AI (dominio) e al profilo utente Per collegare la configurazione del ciclo di vita, devi aggiornare `UserSettings` per il tuo dominio o profilo utente. Gli script di configurazione del ciclo di vita associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, gli script associati a livello di profilo utente sono limitati a un utente specifico. Puoi creare un nuovo profilo utente, dominio o spazio a cui è collegata una configurazione del ciclo di vita utilizzando i comandi seguenti: + [create-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-user-profile.html) + [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) + [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html) Il comando seguente crea un profilo utente con una configurazione del ciclo di vita. Aggiungi l’ARN della configurazione del ciclo di vita della fase precedente alle impostazioni `JupyterLabAppSettings` dell’utente. Se inoltri un elenco di configurazioni del ciclo di vita, puoi aggiungere più configurazioni contemporaneamente. Quando un utente avvia un' JupyterLab applicazione con AWS CLI, può specificare una configurazione del ciclo di vita anziché utilizzare quella predefinita. La configurazione del ciclo di vita inoltrata dall'utente deve appartenere all'elenco delle configurazioni del ciclo di vita in `JupyterLabAppSettings`. ``` # Create a new UserProfile aws sagemaker create-user-profile --domain-id domain-id \ --user-profile-name user-profile-name \ --region region \ --user-settings '{ "JupyterLabAppSettings": { "LifecycleConfigArns": [lifecycle-configuration-arn-list] } }' ``` ## Creazione di una configurazione del ciclo di vita (console) Scopri come creare una configurazione del ciclo di vita utilizzando Console di gestione AWS per automatizzare la personalizzazione del tuo ambiente Studio. ### Fase 1: creazione di una configurazione del ciclo di vita Utilizza la procedura seguente per creare uno script di configurazione del ciclo di vita che stampa `Hello World`. **Per creare una configurazione del ciclo di vita** 1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Nel pannello di navigazione sinistro scegli **Configurazioni admin**. 1. In **Configurazioni admin**, scegli **Configurazioni del ciclo di vita**. 1. Scegli la scheda **JupyterLab**. 1. Scegli **Crea configurazione**. 1. In **Nome**, specifica il nome della configurazione del ciclo di vita. 1. Nella casella di testo sotto **Script**, specifica la configurazione del ciclo di vita seguente: ``` #!/bin/bash set -eux echo 'Hello World!' ``` 1. Scegli **Crea configurazione**. ### Fase 2: collega la configurazione del ciclo di vita al dominio Amazon SageMaker AI (dominio) e al profilo utente Gli script di configurazione del ciclo di vita associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, gli script associati a livello di profilo utente sono limitati a un utente specifico. Puoi collegare più configurazioni del ciclo di vita a un dominio o a un profilo utente per. JupyterLab Utilizza la procedura seguente per collegare una configurazione del ciclo di vita a un dominio. **Per collegare una configurazione del ciclo di vita a un dominio** 1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**. 1. In **Configurazioni di amministrazione**, scegli **Domini**. 1. Dall’elenco di domini, seleziona il dominio a cui collegare la configurazione del ciclo di vita. 1. Da **Dettagli del dominio**, seleziona la scheda **Ambiente**. 1. In **Configurazioni del ciclo di vita per app Studio personali**, scegli **Collega**. 1. In **Origine**, scegli **Configurazione esistente**. 1. In **Configurazioni del ciclo di vita in Studio**, seleziona la configurazione del ciclo di vita creata nella fase precedente. 1. Seleziona **Collega al dominio**. Utilizza la procedura seguente per collegare una configurazione del ciclo di vita a un profilo utente. **Per collegare una configurazione del ciclo di vita a un profilo utente** 1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/). 1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**. 1. In **Configurazioni di amministrazione**, scegli **Domini**. 1. Dall’elenco di domini, seleziona il dominio che contiene il profilo utente a cui collegare la configurazione del ciclo di vita. 1. In **Profili utente**, seleziona il profilo utente. 1. Nella pagina **Dettagli utente** seleziona **Modifica**. 1. Nella barra di navigazione a sinistra, scegli **Impostazioni di Studio**. 1. In **Configurazioni del ciclo di vita collegate all'utente**, scegli **Collega**. 1. In **Origine**, scegli **Configurazione esistente**. 1. In **Configurazioni del ciclo di vita in Studio**, seleziona la configurazione del ciclo di vita creata nella fase precedente. 1. Seleziona **Collega al profilo utente**. # Esecuzione del debug delle configurazioni del ciclo di vita I seguenti contenuti spiegano come recuperare le informazioni sulle configurazioni del ciclo di vita e come eseguirne il debug. **Topics** + [Verifica il processo di configurazione del ciclo di vita da Logs CloudWatch](#jl-lcc-debug-logs) + [Timeout della configurazione del ciclo di vita](#jl-lcc-debug-timeout) ## Verifica il processo di configurazione del ciclo di vita da Logs CloudWatch Le configurazioni del ciclo di vita eseguono solo log `STDOUT` e `STDERR`. `STDOUT` è il formato di output predefinito per gli script bash. Puoi scrivere in `STDERR` aggiungendo `>&2` alla fine di un comando bash. Ad esempio, `echo 'hello'>&2`. I log per le configurazioni del ciclo di vita vengono pubblicati su Amazon che utilizza Amazon. Account AWS CloudWatch Questi log possono essere trovati nel flusso di `/aws/sagemaker/studio` log della console. CloudWatch 1. Apri la CloudWatch console all'indirizzo [https://console.aws.amazon.com/cloudwatch/](https://console.aws.amazon.com/cloudwatch/). 1. Seleziona **Log** dal riquadro di navigazione a sinistra. Dal menu a discesa, seleziona **Gruppi di log**. 1. Nella pagina **Gruppi di log**, cerca `aws/sagemaker/studio`. 1. Seleziona il gruppo di log . 1. Nella pagina **Dettagli gruppo di log**, scegli la scheda **Flussi di log**. 1. Per trovare i log di uno spazio specifico, cerca nei flussi di log utilizzando il seguente formato: ``` domain-id/space-name/app-type/default/LifecycleConfigOnStart ``` Ad esempio, per trovare i log di configurazione del ciclo di vita per l’ID dominio `d-m85lcu8vbqmz`, lo spazio `i-sonic-js` e il tipo di applicazione `JupyterLab`, utilizza la stringa di ricerca seguente: ``` d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart ``` ## Timeout della configurazione del ciclo di vita Il limite di timeout della configurazione del ciclo di vita è di 5 minuti. Se l’esecuzione di uno script di configurazione del ciclo di vita impiega più di cinque minuti, viene visualizzato un errore. Per risolvere questo errore, assicurati che lo script di configurazione del ciclo di vita venga completato in meno di cinque minuti. Per ridurre il runtime degli script, prova quanto segue: + Elimina le fasi superflue. Ad esempio, limita gli ambienti conda in cui installare pacchetti di grandi dimensioni. + Esegui le attività in processi paralleli. + Utilizza il comando nohup nello script, che permette allo script di ignorare i segnali di arresto e, quindi, di completare l’esecuzione senza interruzioni. # Scollegamento delle configurazioni del ciclo di vita Per aggiornare lo script, devi creare un nuovo script di configurazione del ciclo di vita e collegarlo al rispettivo dominio Amazon SageMaker AI (dominio), profilo utente o spazio condiviso. Uno script di configurazione del ciclo di vita non può essere modificato dopo che è stato creato. Per ulteriori informazioni su come creare e collegare la configurazione del ciclo di vita, consulta [Errore di configurazione del ciclo di vita](jl-lcc-create.md). La sezione seguente mostra come scollegare una configurazione del ciclo di vita utilizzando la AWS Command Line Interface (AWS CLI). ## Scollega utilizzando il AWS CLI Per scollegare una configurazione del ciclo di vita utilizzando la AWS CLI, rimuovi la configurazione del ciclo di vita desiderata dall’elenco delle configurazioni del ciclo di vita collegate alla risorsa. Quindi, passa l’elenco come parte del rispettivo comando: + [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html) + [update-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) + [update-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-space.html) Ad esempio, il comando seguente rimuove tutte le configurazioni del ciclo di vita per l' JupyterLab applicazione collegata al dominio. ``` aws sagemaker update-domain --domain-id domain-id \ --region region \ --default-user-settings '{ "JupyterLabAppSettings": { "LifecycleConfigArns": [] } }' ``` # Repos Git in JupyterLab JupyterLab offre un'estensione Git per inserire l'URL di un repository Git (repo), clonarlo in un ambiente, inviare modifiche e visualizzare la cronologia dei commit. Puoi anche allegare il repository Git consigliato URLs a un dominio (dominio) o a un profilo utente Amazon SageMaker AI. Le seguenti sezioni mostrano come collegare o scollegare il URLs repository Git. **Topics** + [Collegamento di un repository Git (AWS CLI)](studio-updated-git-attach-cli.md) + [Scollegare il repository Git URLs](studio-updated-git-detach.md) # Collegamento di un repository Git (AWS CLI) Questa sezione mostra come allegare un URL del repository Git (repo) utilizzando il. AWS CLI Dopo aver collegato l’URL dei repository Git, puoi clonarlo seguendo le fasi descritte in [Clona un repository Git in Amazon Studio SageMaker](#studio-updated-tasks-git). ## Prerequisiti Prima di iniziare, completa i seguenti prerequisiti: + Aggiorna il AWS CLI seguendo la procedura descritta in [Installazione della versione corrente AWS Command Line Interface](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled). + Dal computer locale, esegui `aws configure` e inserisci le tue credenziali AWS . Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS credenziali](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html). + Effettua l'onboard nel dominio Amazon SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md). ## Collega il repository Git a un dominio Amazon SageMaker AI (dominio) o a un profilo utente I repository URLs Git associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, i repository URLs Git associati a livello di profilo utente sono riservati a un utente specifico. Puoi collegare più repository Git URLs a un dominio Amazon SageMaker AI o a un profilo utente passando un elenco di repository URLs. Le sezioni seguenti mostrano come collegare un URL dei repository Git al tuo dominio e profilo utente. ### Collegamento a un dominio Amazon SageMaker AI Il comando seguente collega un URL dei repository Git a un dominio esistente: ``` aws sagemaker update-domain --region region --domain-id domain-id \ --default-user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]} ``` ### Collegamento a un profilo utente Il comando seguente collega un URL dei repository Git a un profilo utente esistente: ``` aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\ --user-settings JupyterLabAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]} ``` ## Clona un repository Git in Amazon Studio SageMaker Amazon SageMaker Studio si connette solo a un repository Git locale. Per accedere ai file nel repository, clona il repository Git dall’interno di Studio. A tale scopo, Studio offre un’estensione Git che ti consente di inserire l’URL di un repository Git, clonarlo nel tuo ambiente, apportare modifiche e visualizzare la cronologia dei commit. Se il repository è privato e richiede credenziali per l’accesso, viene richiesto di inserire le credenziali utente, che includono il nome utente e il token di accesso personale. Per ulteriori informazioni sui token di accesso personali, consulta [Managing your personal access tokens](https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens). Gli amministratori possono anche allegare il repository Git consigliato a URLs livello di dominio Amazon SageMaker AI o profilo utente. Gli utenti possono quindi selezionare l'URL del repository dall'elenco di suggerimenti e clonarlo in Studio. Per ulteriori informazioni sul collegamento di repository suggeriti, consulta [Allega repository Git consigliati ad Amazon SageMaker Studio Classic](studio-git-attach.md). # Scollegare il repository Git URLs Questa sezione mostra come scollegare l'archivio Git URLs da un dominio Amazon SageMaker AI (dominio) o da un profilo utente. Puoi scollegare il repository URLs utilizzando AWS Command Line Interface (AWS CLI) o la console Amazon SageMaker AI. ## Stacca un repository Git usando il AWS CLI Per scollegare tutti i repository Git URLs da un dominio o da un profilo utente, devi passare un elenco vuoto di repository di codice. Questo elenco viene passato come parte del parametro `JupyterLabAppSettings` in un comando `update-domain` o `update-user-profile`. Per scollegare solo un URL repository Git, passa l'elenco dei repository di codice senza l'URL repository Git desiderato. ### Staccare da un dominio Amazon SageMaker AI Il comando seguente scollega tutti i repository Git URLs da un dominio: ``` aws sagemaker update-domain --region region --domain-name domain-name \ --domain-settings JupyterLabAppSettings={CodeRepositories=[]} ``` ### Scollegamento da un profilo utente Il comando seguente scollega tutti i repository Git URLs da un profilo utente: ``` aws sagemaker update-user-profile --domain-name domain-name --user-profile-name user-name\ --user-settings JupyterLabAppSettings={CodeRepositories=[]} ``` # Immagini personalizzate Se hai bisogno di funzionalità diverse da quelle fornite dalla SageMaker distribuzione, puoi aggiungere la tua immagine con estensioni e pacchetti personalizzati. Puoi anche usarla per personalizzare l' JupyterLab interfaccia utente in base alle tue esigenze di branding o di conformità. La pagina seguente fornirà informazioni e modelli JupyterLab specifici per creare immagini AI personalizzate SageMaker . Questo ha lo scopo di integrare le informazioni e le istruzioni di Amazon SageMaker Studio su come creare la propria immagine SageMaker AI e portare la propria immagine in Studio. Per informazioni sulle immagini Amazon SageMaker AI personalizzate e su come portare la tua immagine in Studio, consulta[Bring Your Own Image (BYOI)](studio-updated-byoi.md). **Topics** + [Controllo dell’integrità e URL per le applicazioni](#studio-updated-jl-admin-guide-custom-images-app-healthcheck) + [Esempi di Dockerfile](#studio-updated-jl-custom-images-dockerfile-templates) ## Controllo dell’integrità e URL per le applicazioni + `Base URL`: l’URL di base per l’applicazione BYOI deve essere `jupyterlab/default`. È possibile avere una sola applicazione e deve avere sempre il nome `default`. + `HealthCheck API`— L' SageMaker intelligenza artificiale utilizza l'endpoint Health Check presso la porta `8888` per verificare lo stato dell' JupyterLabapplicazione. `jupyterlab/default/api/status`è l'endpoint per il controllo dello stato di salute. + `Home/Default URL`— Le `/opt/ml` directory `/opt/.sagemakerinternal` e che vengono utilizzate da. AWS Il file di metadati `/opt/ml` contiene metadati relativi a risorse come `DomainId`. + Autenticazione: per abilitare l’autenticazione per i tuoi utenti, disattiva il token dei notebook Jupyter o l’autenticazione basata su password e consenti tutte le origini. ## Esempi di Dockerfile Gli esempi seguenti sono `Dockerfile` che soddisfano le informazioni descritte sopra e quelle in [Specifiche dell’immagine personalizzata](studio-updated-byoi-specs.md). **Nota** Se stai trasferendo la tua immagine in SageMaker Unified Studio, dovrai seguire le [specifiche di Dockerfile nella Guida](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html) per l'utente di *Amazon SageMaker Unified* Studio. `Dockerfile`alcuni esempi di SageMaker Unified Studio sono disponibili nell'[esempio di Dockerfile](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/byoi-specifications.html#byoi-specifications-example) nella *Amazon SageMaker Unified* Studio User Guide. ------ #### [ Example AL2023 Dockerfile ] L’esempio seguente è un Dockerfile AL2023 che soddisfa le informazioni descritte sopra e quelle in [Specifiche dell’immagine personalizzata](studio-updated-byoi-specs.md). ``` FROM public.ecr.aws/amazonlinux/amazonlinux:2023 ARG NB_USER="sagemaker-user" ARG NB_UID=1000 ARG NB_GID=100 # Install Python3, pip, and other dependencies RUN yum install -y \ python3 \ python3-pip \ python3-devel \ gcc \ shadow-utils && \ useradd --create-home --shell /bin/bash --gid "${NB_GID}" --uid ${NB_UID} ${NB_USER} && \ yum clean all RUN python3 -m pip install --no-cache-dir \ 'jupyterlab>=4.0.0,<5.0.0' \ urllib3 \ jupyter-activity-monitor-extension \ --ignore-installed # Verify versions RUN python3 --version && \ jupyter lab --version USER ${NB_UID} CMD jupyter lab --ip 0.0.0.0 --port 8888 \ --ServerApp.base_url="/jupyterlab/default" \ --ServerApp.token='' \ --ServerApp.allow_origin='*' ``` ------ #### [ Example SageMaker Distribuzione Amazon Dockerfile ] L’esempio seguente è un Dockerfile Amazon SageMaker Distribution che soddisfa le informazioni descritte sopra e quelle in [Specifiche dell’immagine personalizzata](studio-updated-byoi-specs.md). ``` FROM public.ecr.aws/sagemaker/sagemaker-distribution:latest-cpu ARG NB_USER="sagemaker-user" ARG NB_UID=1000 ARG NB_GID=100 ENV MAMBA_USER=$NB_USER USER root RUN apt-get update RUN micromamba install sagemaker-inference --freeze-installed --yes --channel conda-forge --name base USER $MAMBA_USER ENTRYPOINT ["entrypoint-jupyter-server"] ``` ------ # Aggiorna l'immagine SageMaker di distribuzione **Importante** Questo argomento presuppone che tu abbia creato uno spazio e concesso l’accesso all’utente. Per ulteriori informazioni, consulta [Concessione agli utenti dell’accesso agli spazi](studio-updated-jl-admin-guide-permissions.md). Aggiorna gli JupyterLab spazi che hai già creato per utilizzare l'ultima versione dell'immagine di SageMaker distribuzione per accedere alle funzionalità più recenti. Puoi utilizzare l'interfaccia utente di Studio o AWS Command Line Interface (AWS CLI) per aggiornare l'immagine. Nelle sezioni seguenti vengono fornite informazioni sull’aggiornamento di un’immagine. ## Aggiornamento dell’immagine (interfaccia utente) L'aggiornamento dell'immagine comporta il riavvio dello JupyterLab spazio dell'utente. Utilizzate la procedura seguente per aggiornare JupyterLab lo spazio dell'utente con l'immagine più recente. **Per aggiornare l’immagine (interfaccia utente)** 1. Apri Studio. Per informazioni su come aprire Studio, consulta [Avvia Amazon SageMaker Studio](studio-updated-launch.md). 1. Scegli **JupyterLab**. 1. Seleziona lo JupyterLab spazio del tuo utente. 1. Scegli **Interrompi spazio**. 1. Per **Immagine**, seleziona una versione aggiornata di SageMaker AI Distribution Image. Per l’immagine più recente, scegli **Più recente**. 1. Scegli **Esegui lo spazio**. ## Aggiornamento dell’immagine (AWS CLI) Questa sezione presuppone che tu abbia installato AWS Command Line Interface (AWS CLI). Per informazioni sull'installazione di AWS CLI, consulta [Installare o aggiornare alla versione più recente di AWS CLI](https://docs.aws.amazon.com/cli/latest/userguide/getting-started-install.html). Per aggiornare l’immagine, esegui queste operazioni per lo spazio dell’utente: 1. Eliminare l' JupyterLab applicazione 1. Aggiornamento dello spazio 1. Creazione dell’applicazione **Importante** Per aggiornare l’immagine, devi disporre delle informazioni seguenti: ID di dominio: l'ID del dominio Amazon SageMaker AI del tuo utente. Tipo di applicazione: JupyterLab. Nome dell’applicazione: predefinito. Nome dello spazio: il nome specificato per lo spazio. Tipo di istanza: il tipo di istanza Amazon EC2 utilizzata per eseguire l’applicazione. Ad esempio, `ml.t3.medium`. SageMaker ARN dell'immagine: Amazon Resource Name (ARN) dell'immagine di distribuzione AI SageMaker . Puoi fornire la versione più recente dell' SageMaker AI Distribution Image specificando una delle due `sagemaker-distribution-cpu` o `sagemaker-distribution-gpu` come identificatore di risorsa. Per eliminare l' JupyterLab applicazione, esegui il seguente comando: ``` aws sagemaker delete-app \ --domain-id your-user's-domain-id --app-type JupyterLab \ --app-name default \ --space-name name-of-your-user's-space ``` Per aggiornare lo spazio dell’utente, utilizza il comando seguente: ``` aws sagemaker update-space \ --space-name name-of-your-user's-space \ --domain-id your-user's-domain-id ``` Se hai aggiornato correttamente lo spazio, vedrai l’ARN dello spazio nella risposta: ``` { "SpaceArn": "arn:aws:sagemaker:Regione AWS:111122223333:space/your-user's-domain-id/name-of-your-user's-space" } ``` Per creare l’applicazione, utilizza il comando seguente: ``` aws sagemaker create-app \ --domain-id your-user's-domain-id \ --app-type JupyterLab \ --app-name default \ --space-name name-of-your-user's-space \ --resource-spec "InstanceType=instance-type,SageMakerImageArn=arn:aws:sagemaker:Regione AWS:555555555555:image/sagemaker-distribution-resource-identifier" ``` # Eliminazione delle risorse inutilizzate Per evitare di incorrere in costi di gestione aggiuntivi JupyterLab, consigliamo di eliminare le risorse non utilizzate nel seguente ordine: 1. JupyterLab applicazioni 1. Spazi 1. Profili utente 1. domains Utilizzate i seguenti comandi AWS Command Line Interface (AWS CLI) per eliminare le risorse all'interno di un dominio: ------ #### [ Delete a JupyterLab application ] ``` aws --region Regione AWS sagemaker delete-app --domain-id example-domain-id --app-name default --app-type JupyterLab --space-name example-space-name ``` ------ #### [ Delete a space ] **Importante** Se elimini uno spazio, elimini anche il volume Amazon EBS associato. Ti consigliamo di eseguire il backup di tutti i dati importanti prima di eliminare lo spazio. ``` aws --region Regione AWS sagemaker delete-space --domain-id example-domain-id --space-name example-space-name ``` ------ #### [ Delete a user profile ] ``` aws --region Regione AWS sagemaker delete-user-profile --domain-id example-domain-id --user-profile example-user-profile ``` ------ # Quote JupyterLab, ha quote per quanto segue: + La somma di tutti i volumi Amazon EBS all’interno di un Account AWS. + I tipi di istanze disponibili per gli utenti. + Il numero di istanze che gli utenti possono avviare per un particolare elemento. Per aumentare le capacità di archiviazione e di calcolo per i tuoi utenti, richiedi un aumento delle quote di AWS . Per ulteriori informazioni sulla richiesta di un aumento delle quote, consulta [Endpoint e quote Amazon SageMaker AI](https://docs.aws.amazon.com/general/latest/gr/sagemaker.html).