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.
# 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).
Amazon SageMaker Studio Classic è un ambiente di sviluppo integrato (IDE) basato sul Web per l'apprendimento automatico (ML). Studio Classic consente di creare, addestrare, eseguire il debug, implementare e monitorare i modelli di ML. Studio Classic include tutti gli strumenti necessari per gestire le varie fasi dei modelli, dalla preparazione dei dati alla sperimentazione fino alla produzione, aumentando al tempo stesso la produttività. Puoi eseguire tutte queste attività in un’unica interfaccia visiva:
+ Scrivere ed eseguire codice nei notebook Jupyter
+ Preparare dati per il machine learning
+ Costruire e addestrare modelli di ML
+ Distribuire i modelli e monitorare le prestazioni delle previsioni
+ Monitorare ed eseguire il debug degli esperimenti di ML
+ Collaborare con altri utenti in tempo reale
Per informazioni sulla procedura di onboarding per Studio Classic, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
Per informazioni sulla collaborazione con altri utenti in tempo reale, consulta [Collaborazione con spazi condivisi](domain-space.md).
Per le AWS regioni supportate da Studio Classic, consulta[Regioni e quote supportate](regions-quotas.md).
## Piano della fase di manutenzione di Amazon SageMaker Studio Classic
La tabella seguente fornisce informazioni sulla tempistica di inizio della fase di manutenzione estesa di Amazon SageMaker Studio Classic.
| Data | Description |
| --- | --- |
| 31/12/2024 | Il 31 dicembre Studio Classic ha raggiunto la fine della manutenzione. Da questa data in poi, Studio Classic non riceverà più aggiornamenti e correzioni di sicurezza. Tutti i nuovi domini verranno creati con Amazon SageMaker Studio come impostazione predefinita. |
| 31/1/2025 | A partire dal 31 gennaio, gli utenti non potranno più creare JupyterLab 3 nuovi notebook in Studio Classic. Inoltre, non possono riavviare o aggiornare i notebook esistenti. L’accesso alle applicazioni Studio Classic esistenti da Studio è consentito solo al fine di eliminare o arrestare i notebook esistenti. |
**Nota**
La migrazione a Studio non viene eseguita automaticamente per il tuo dominio Studio Classic esistente. Per ulteriori informazioni sulla migrazione, consulta [Migrazione da Amazon SageMaker Studio Classic](studio-updated-migrate.md).
**Topics**
+ [Piano della fase di manutenzione di Amazon SageMaker Studio Classic](#studio-deprecation)
+ [Caratteristiche di Amazon SageMaker Studio Classic](#studio-features)
+ [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md)
+ [Avvia Amazon SageMaker Studio Classic](studio-launch.md)
+ [JupyterLab Controllo delle versioni in Amazon SageMaker Studio Classic](studio-jl.md)
+ [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
+ [Usa i notebook Amazon SageMaker Studio Classic](notebooks.md)
+ [Personalizzazione di Amazon SageMaker Studio Classic](studio-customize.md)
+ [Esegui attività comuni in Amazon SageMaker Studio Classic](studio-tasks.md)
+ [Prezzi di Amazon SageMaker Studio Classic](studio-pricing.md)
+ [Risoluzione dei problemi di Amazon SageMaker Studio Classic](studio-troubleshooting.md)
## Caratteristiche di Amazon SageMaker Studio Classic
Studio Classic include le seguenti funzionalità:
+ [SageMaker Pilota automatico](https://docs.aws.amazon.com/sagemaker/latest/dg/autopilot-automate-model-development.html)
+ [SageMaker Chiarire](https://docs.aws.amazon.com/sagemaker/latest/dg/model-explainability.html)
+ [SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html)
+ [SageMaker Debugger](https://docs.aws.amazon.com/sagemaker/latest/dg/debugger-on-studio.html)
+ [SageMaker Experiments](https://docs.aws.amazon.com/sagemaker/latest/dg/experiments.html)
+ [SageMaker Feature Store](https://docs.aws.amazon.com/sagemaker/latest/dg/feature-store-use-with-studio.html)
+ [SageMaker JumpStart](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html)
+ [Amazon SageMaker Pipeline](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-studio.html)
+ [SageMaker Registro dei modelli](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry.html)
+ [SageMaker Progetti](https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-projects.html)
+ [SageMakerNotebook Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html)
+ [SageMaker Notebook universale Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-notebooks-emr-cluster.html)
# Panoramica dell'interfaccia utente 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).
Amazon SageMaker Studio Classic estende le funzionalità JupyterLab con risorse personalizzate in grado di accelerare il processo di Machine Learning (ML) sfruttando la potenza dell' AWS elaborazione. Gli utenti precedenti di JupyterLab noteranno la somiglianza dell'interfaccia utente. Gli elementi più importanti sono illustrati nei dettagli nelle sezioni seguenti. Per una panoramica dell' JupyterLab interfaccia originale, vedere [L' JupyterLabinterfaccia](https://jupyterlab.readthedocs.io/en/latest/user/interface.html).
L'immagine seguente mostra la visualizzazione predefinita all'avvio di Amazon SageMaker Studio Classic. Il *pannello di navigazione a sinistra* mostra tutte le categorie di funzionalità di primo livello e una *[Pagina iniziale di Amazon SageMaker Studio Classic](#studio-ui-home)* è aperta nell’*area di lavoro principale.* È possibile tornare a questo punto centrale di orientamento scegliendo l’icona **Home** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/house.png)) in qualsiasi momento, quindi selezionando il nodo **Home** nel menu di navigazione.
Prova il **notebook Getting** started per una guida pratica integrata nel prodotto su come configurare e acquisire familiarità con le funzionalità di Amazon SageMaker Studio Classic. Nella sezione **Azioni rapide** della home page di Studio Classic, scegli **Apri notebook Nozioni di base**.
![\[SageMaker Home page di Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-home.png)
**Nota**
Questo capitolo si basa sull'interfaccia utente (UI) aggiornata di Studio Classic disponibile nella versione JupyterLab 3 `v5.38.x` e successive.
Per recuperare la versione dell’interfaccia utente di Studio Classic, apri un terminale di sistema da [Utilità di avvio di Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-launcher.html), quindi
Esegui `conda activate studio`
Esegui `jupyter labextension list`
Cerca la versione visualizzata dopo `@amzn/sagemaker-ui version` nell’output.
Per informazioni sull'aggiornamento di Amazon SageMaker Studio Classic, consulta[Chiudi e aggiorna Amazon SageMaker Studio Classic](studio-tasks-update-studio.md).
**Topics**
+ [Pagina iniziale di Amazon SageMaker Studio Classic](#studio-ui-home)
+ [Layout Amazon SageMaker Studio Classic](#studio-ui-layout)
## Pagina iniziale di Amazon SageMaker Studio Classic
La Home page consente di accedere alle attività e ai flussi di lavoro comuni. In particolare, include un elenco di **Azioni rapide** per attività comuni come **Apri utilità di avvio** per creare notebook e altre risorse e **Importa e prepara dati visivamente** per creare un nuovo flusso in Data Wrangler. La **Home page** offre anche suggerimenti sui controlli chiave dell’interfaccia utente.
Le **soluzioni predefinite e automatizzate** ti aiutano a iniziare rapidamente con le soluzioni low-code di SageMaker AI come Amazon SageMaker JumpStart e Autopilot.
In **Workflows and tasks**, puoi trovare un elenco di attività pertinenti per ogni fase del flusso di lavoro ML che ti porta allo strumento giusto per il lavoro. Ad esempio, **Transform, analyse, and export data ti porta ad Amazon SageMaker Data** Wrangler e apre il flusso di lavoro per creare un nuovo flusso di dati, oppure **Visualizza tutti gli esperimenti** ti porta a SageMaker Esperimenti e apre la visualizzazione elenco degli esperimenti.
All’avvio di Studio Classic, la **home page** si apre nell’area di lavoro principale. **Puoi personalizzare la tua **home** page SageMaker AI scegliendo l'icona **Personalizza layout** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/layout.png)) in alto a destra nella scheda Home.**
## Layout Amazon SageMaker Studio Classic
L'interfaccia di Amazon SageMaker Studio Classic è composta da una *barra dei menu* nella parte superiore, una *barra laterale sinistra* pieghevole che mostra una varietà di icone come l'icona **Home** e il **File Browser**, una *barra di stato* nella parte inferiore dello schermo e un'*area centrale* divisa orizzontalmente in due riquadri. Il pannello a sinistra è un *pannello di navigazione* pieghevole. Il pannello a destra, o area di lavoro principale, contiene una o più schede per risorse quali utilità di avvio, notebook, terminali, parametri e grafici e può essere ulteriormente suddiviso.
**Segnala un bug** in Studio Classic o scegli l'icona di notifica (![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Notification.png)) per visualizzare le notifiche di Studio Classic, come nuove versioni di Studio Classic e nuove funzionalità di SageMaker intelligenza artificiale, nell'angolo destro della barra dei menu. Per eseguire l’aggiornamento a una nuova versione di Studio Classic, consulta [Chiudi e aggiorna Amazon SageMaker Studio Classic e le app](studio-tasks-update.md).
Le sezioni seguenti descrivono le aree principali dell’interfaccia utente di Studio Classic.
### Barra laterale sinistra
La *barra laterale sinistra* include le seguenti icone. Quando si passa il mouse su un’icona, un suggerimento visualizza il nome dell’icona. Un solo clic su un’icona apre il pannello di navigazione a sinistra con le funzionalità descritte. Un doppio clic minimizza il pannello di navigazione a sinistra.
| Icon | Description |
| --- | --- |
| ![\[L’icona Home.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/house@2x.png) | **Home** Scegli l’icona **Home** per aprire un menu di navigazione di primo livello nel pannello di *navigazione a sinistra*. Utilizzando il menu di navigazione **Home**, puoi scoprire e accedere agli strumenti giusti per ogni fase del flusso di lavoro ML. Il menu fornisce anche scorciatoie per soluzioni di avvio rapido e risorse di apprendimento come documentazione e tutorial guidati. Le categorie del menu raggruppano le funzioni pertinenti. **Choosing Data**, ad esempio, amplia le funzionalità di SageMaker intelligenza artificiale pertinenti per le attività di preparazione dei dati. Da qui, puoi preparare i tuoi dati con Data Wrangler, creare e archiviare funzionalità di machine learning con Amazon SageMaker Feature Store e gestire i cluster Amazon EMR per l'elaborazione di dati su larga scala. Le categorie sono ordinate in base a un tipico flusso di lavoro ML, dalla preparazione dei dati alla creazione, addestramento e distribuzione di modelli ML (dati, pipeline, modelli e implementazioni). Quando scegli un nodo specifico (come Data Wrangler), viene aperta una pagina corrispondente nell’area di lavoro principale. Scegli **Home** nel menu di navigazione per aprire [Pagina iniziale di Amazon SageMaker Studio Classic](#studio-ui-home) |
| ![\[L’icona Browser di file.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/folder@2x.png) | **Browser di file** Il **browser di file** visualizza gli elenchi dei notebook, degli esperimenti, delle prove, dei componenti di prova e degli endpoint. Il fatto che ci si trovi in uno spazio personale o condiviso determina chi ha accesso ai propri file. È possibile identificare il tipo di spazio in cui ci si trova guardando l’angolo in alto a destra. **Se utilizzi un'app personale, vedi un'icona utente seguita da *[user\$1name]***/Personal Studio** e se lavori in uno spazio collaborativo, vedi l'icona a forma di globo seguita da "/» *[user\$1name] *** *[space\$1name].* [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/studio-ui.html) Per le voci gerarchiche, un breadcrumb selezionabile nella parte superiore del browser mostra la tua posizione nella gerarchia. |
| ![\[L’icona Controllo proprietà.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/gears@2x.png) | **Property Inspector** Property Inspector è un inspector degli strumenti delle celle dei notebook che visualizza le impostazioni delle proprietà contestuali quando è aperto. |
| ![\[L’icona Terminali e kernel in esecuzione.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/running-terminals-kernels@2x.png) | **Terminali e kernel in esecuzione** È possibile controllare l’elenco di tutti i *kernel* e i *terminali* attualmente in esecuzione su tutti i notebook, le console di codice e le directory. Puoi arrestare risorse singole, inclusi notebook, terminali, kernel, app e istanze. Puoi anche arrestare contemporaneamente tutte le risorse di una di queste categorie. Per ulteriori informazioni, consulta [Chiudi le risorse di Amazon SageMaker Studio Classic](notebooks-run-and-manage-shut-down.md). |
| ![\[L’icona Git.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/git@2x.png) | **Git** È possibile connettersi a un repository Git e quindi accedere a una gamma completa di strumenti e operazioni Git. Per ulteriori informazioni, consulta [Clona un repository Git in Amazon Studio Classic SageMaker](studio-tasks-git.md). |
| ![\[L’icona Sommario.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/table-of-contents@2x.png) | **Sommario**È possibile navigare nella struttura di un documento quando un notebook o file Python sono aperti. Vene generato automaticamente un sommario nel pannello di navigazione a sinistra quando sono aperti un notebook, file Markdown o file Python. Puoi fare clic sulle voci e scorrere il documento fino all’intestazione in questione. |
| ![\[L’icona Estensioni.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/extensions@2x.png) | **Estensioni** Puoi attivare e gestire estensioni di terze parti JupyterLab . Puoi controllare le estensioni già installate e cercarle digitando il nome nella barra di ricerca. Una volta trovata l’estensione che desideri installare, scegli **Installa**. Dopo aver installato le nuove estensioni, assicurati di riavviare il browser JupyterLab aggiornando il browser. Per ulteriori informazioni, consulta la [documentazione JupyterLab sulle estensioni](https://jupyterlab.readthedocs.io/en/stable/user/extensions.html). |
### Pannello di navigazione a sinistra
Il contenuto del pannello di navigazione a sinistra varia a seconda dell’icona selezionata nella barra laterale sinistra.
Ad esempio, scegliendo l’icona **Home** viene visualizzato il menu di navigazione. Scegliendo **Browser di file** vengono elencati tutti i file e le directory disponibili nell’area di lavoro (notebook, esperimenti, flussi di dati, versioni di prova, componenti di prova, endpoint o soluzioni di codice a uso limitato).
Nel menu di navigazione, scegliendo un nodo viene visualizzata la pagina di funzionalità corrispondente nell’area di lavoro principale. Ad esempio, selezionando **Data Wrangler** nel menu **Dati** si apre **Data Wrangler** che elenca tutti i flussi esistenti.
### Area di lavoro principale
L’area di lavoro principale è costituita da più schede che contengono i notebook e i terminali aperti e informazioni dettagliate sugli esperimenti e sugli endpoint. Nell’area di lavoro principale, è possibile organizzare documenti (come notebook e file di testo) e altre attività (come terminali e console di codice) in pannelli di schede che è possibile ridimensionare o suddividere. Trascina una scheda al centro di un pannello a schede per spostarla sul pannello. Suddividi un pannello a schede trascinandolo verso sinistra, destra, in alto o in basso rispetto al pannello. La scheda per l’attività attuale è contrassegnata da un bordo superiore colorato (blu per impostazione predefinita).
**Nota**
Tutte le pagine di funzionalità forniscono un aiuto contestuale integrato nel prodotto. Per accedere alla guida, scegli **Mostra informazioni**. L’interfaccia di aiuto fornisce una breve introduzione allo strumento e collegamenti a risorse aggiuntive, come video, tutorial o blog.
# Avvia 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).
Dopo aver effettuato l'onboarding su un dominio Amazon SageMaker AI, puoi avviare un'applicazione Amazon SageMaker Studio Classic dalla console SageMaker AI o dal. AWS CLI Per ulteriori informazioni sull’onboarding in un dominio, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
**Topics**
+ [Avvia Amazon SageMaker Studio Classic utilizzando la console Amazon SageMaker AI](#studio-launch-console)
+ [Avvia Amazon SageMaker Studio Classic utilizzando AWS CLI](#studio-launch-cli)
## Avvia Amazon SageMaker Studio Classic utilizzando la console Amazon SageMaker AI
Il processo per accedere a Studio Classic dalla console Amazon SageMaker AI varia a seconda che Studio Classic o Amazon SageMaker Studio siano impostati come esperienza predefinita per il tuo dominio. Per ulteriori informazioni su come configurare l’esperienza predefinita per il tuo dominio, consulta [Migrazione da Amazon SageMaker Studio Classic](studio-updated-migrate.md).
**Topics**
+ [Prerequisito](#studio-launch-console-prerequisites)
### Prerequisito
Per completare questa procedura, devi effettuare l'onboarding su un dominio seguendo i passaggi descritti in [Onboard to Amazon SageMaker AI](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html) domain.
### Avvio di Studio Classic se Studio è la tua esperienza predefinita
1. Passa a Studio seguendo la procedura indicata in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Dall’interfaccia utente di Studio, trova il riquadro delle applicazioni sulla sinistra.
1. Dal riquadro delle applicazioni, seleziona **Studio Classic**.
1. Nella pagina di destinazione di Studio Classic, seleziona l’istanza di Studio Classic da aprire.
1. Scegli “Apri”.
## Avvia Amazon SageMaker Studio Classic utilizzando AWS CLI
Puoi utilizzare AWS Command Line Interface (AWS CLI) per avviare Amazon SageMaker Studio Classic creando un URL di dominio predefinito.
**Prerequisiti**
Prima di iniziare, completa i seguenti prerequisiti:
+ Effettua l'onboard nel dominio Amazon SageMaker AI. Per ulteriori informazioni, consulta [Onboard to Amazon SageMaker AI domain](https://docs.aws.amazon.com//sagemaker/latest/dg/gs-studio-onboard.html).
+ Aggiorna il AWS CLI seguendo la procedura descritta in [Installazione della AWS CLI versione corrente](https://docs.aws.amazon.com//cli/latest/userguide/install-cliv1.html#install-tool-bundled).
+ Dal computer locale, esegui `aws configure` e fornisci AWS le tue credenziali. Per informazioni sulle AWS credenziali, consulta [Comprendere e ottenere le AWS](https://docs.aws.amazon.com//general/latest/gr/aws-sec-cred-types.html) credenziali.
Il seguente frammento di codice mostra come avviare Amazon SageMaker Studio Classic AWS CLI utilizzando un URL di dominio predefinito. Per ulteriori informazioni, consulta [create-presigned-domain-url](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-presigned-domain-url.html).
```
aws sagemaker create-presigned-domain-url \
--region region \
--domain-id domain-id \
--space-name space-name \
--user-profile-name user-profile-name \
--session-expiration-duration-in-seconds 43200
```
# JupyterLab Controllo delle versioni 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).
L'interfaccia Amazon SageMaker Studio Classic si basa su JupyterLab, un ambiente di sviluppo interattivo basato sul Web per notebook, codice e dati. Studio Classic supporta solo l'utilizzo di 3. JupyterLab
Se hai creato il dominio e il profilo utente utilizzando il codice Console di gestione AWS precedente al 31/08/2022 o il precedente 22/02/23, l' AWS Command Line Interface istanza di Studio Classic è impostata come predefinita su 1. JupyterLab Dopo il 07/01/2024, non è possibile creare alcuna applicazione Studio Classic che esegua 1. JupyterLab
## JupyterLab 3
JupyterLab 3 include le seguenti funzionalità che non sono disponibili nelle versioni precedenti. Per ulteriori informazioni su queste funzionalità, vedi [è stata rilasciata la JupyterLab versione 3.0\$1](https://blog.jupyter.org/jupyterlab-3-0-is-out-4f58385e25bb) .
+ Debugger visivo quando utilizzi i kernel Base Python 2.0 e Data Science 2.0.
+ Filtro del browser di file
+ Sommario
+ Supporto multilingue
+ Modalità semplice
+ Modalità interfaccia singola
### Modifiche importanti a JupyterLab 3
Quando usi JupyterLab 3, considera quanto segue:
+ Quando impostate la JupyterLab versione utilizzando il AWS CLI, selezionate l'immagine corrispondente per la vostra regione e JupyterLab versione dall'elenco delle immagini in[Dal AWS CLI](#studio-jl-set-cli).
+ In JupyterLab 3, è necessario attivare l'ambiente `studio` conda prima di installare le estensioni. Per ulteriori informazioni, consulta [Installazione JupyterLab e estensioni di Jupyter Server](#studio-jl-install).
+ Debugger è supportato solo quando si utilizzano le seguenti immagini:
+ Base Python 2.0
+ Data Science 2.0
+ Base Python 3.0
+ Data Science 3.0
## Limitazione della JupyterLab versione predefinita utilizzando una chiave di condizione della policy IAM
Puoi utilizzare le chiavi delle condizioni della policy IAM per limitare la versione JupyterLab che gli utenti possono lanciare.
La seguente politica mostra come limitare la JupyterLab versione a livello di dominio.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "BlockJupyterLab3DomainLevelAppCreation",
"Effect": "Deny",
"Action": [
"sagemaker:CreateDomain",
"sagemaker:UpdateDomain"
],
"Resource": "*",
"Condition": {
"ForAnyValue:ArnLike": {
"sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3"
}
}
}
]
}
```
------
La seguente politica mostra come limitare la JupyterLab versione a livello di profilo utente.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "BlockUsersFromCreatingJupyterLab3Apps",
"Effect": "Deny",
"Action": [
"sagemaker:CreateUserProfile",
"sagemaker:UpdateUserProfile"
],
"Resource": "*",
"Condition": {
"ForAnyValue:ArnLike": {
"sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3"
}
}
}
]
}
```
------
La seguente politica mostra come limitare la JupyterLab versione a livello di applicazione. La richiesta `CreateApp` deve includere l’ARN immagine affinché questa policy venga applicata.
------
#### [ JSON ]
****
```
{
"Version":"2012-10-17",
"Statement": [
{
"Sid": "BlockJupyterLab3AppLevelAppCreation",
"Effect": "Deny",
"Action": "sagemaker:CreateApp",
"Resource": "*",
"Condition": {
"ForAnyValue:ArnLike": {
"sagemaker:ImageArns": "arn:aws:sagemaker:us-east-1:111122223333:image/jupyter-server-3"
}
}
}
]
}
```
------
## Impostazione di una JupyterLab versione predefinita
Nelle sezioni seguenti viene illustrato come impostare una JupyterLab versione predefinita per Studio Classic utilizzando la console o il AWS CLI.
### Mediante la console
È possibile selezionare la JupyterLab versione predefinita da utilizzare a livello di dominio o di profilo utente durante la creazione delle risorse. Per impostare la JupyterLab versione predefinita utilizzando la console, vedere[Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
### Dal AWS CLI
È possibile selezionare la JupyterLab versione predefinita da utilizzare a livello di dominio o di profilo utente utilizzando AWS CLI.
Per impostare la JupyterLab versione predefinita utilizzando AWS CLI, è necessario includere l'ARN della JupyterLab versione predefinita desiderata come parte di un AWS CLI comando. Questo ARN si differenzia in base alla versione e alla regione del SageMaker dominio AI.
La tabella seguente elenca le ARNs JupyterLab versioni disponibili per ogni regione:
| Region | JL3 |
| --- | --- |
| us-east-1 | arn:aws:sagemaker:us-east-1:081325390199:image/jupyter-server-3 |
| us-east-2 | arn:aws:sagemaker:us-east-2:429704687514:image/jupyter-server-3 |
| us-west-1 | arn:aws:sagemaker:us-west-1:742091327244:image/jupyter-server-3 |
| us-west-2 | arn:aws:sagemaker:us-west-2:236514542706:image/jupyter-server-3 |
| af-south-1 | arn:aws:sagemaker:af-south-1:559312083959:image/jupyter-server-3 |
| ap-east-1 | arn:aws:sagemaker:ap-east-1:493642496378:image/jupyter-server-3 |
| ap-south-1 | arn:aws:sagemaker:ap-south-1:394103062818:image/jupyter-server-3 |
| ap-northeast-2 | arn:aws:sagemaker:ap-northeast-2:806072073708:image/jupyter-server-3 |
| ap-southeast-1 | arn:aws:sagemaker:ap-southeast-1:492261229750:image/jupyter-server-3 |
| ap-southeast-2 | arn:aws:sagemaker:ap-southeast-2:452832661640:image/jupyter-server-3 |
| ap-northeast-1 | arn:aws:sagemaker:ap-northeast-1:102112518831:image/jupyter-server-3 |
| ca-central-1 | arn:aws:sagemaker:ca-central-1:310906938811:image/jupyter-server-3 |
| eu-central-1 | arn:aws:sagemaker:eu-central-1:936697816551:image/jupyter-server-3 |
| eu-west-1 | arn:aws:sagemaker:eu-west-1:470317259841:image/jupyter-server-3 |
| eu-west-2 | arn:aws:sagemaker:eu-west-2:712779665605:image/jupyter-server-3 |
| eu-west-3 | arn:aws:sagemaker:eu-west-3:615547856133:image/jupyter-server-3 |
| eu-north-1 | arn:aws:sagemaker:eu-north-1:243637512696:image/jupyter-server-3 |
| eu-south-1 | arn:aws:sagemaker:eu-south-1:592751261982:image/jupyter-server-3 |
| eu-south-2 | arn:aws:sagemaker:eu-south-2:127363102723:image/jupyter-server-3 |
| sa-east-1 | arn:aws:sagemaker:sa-east-1:782484402741:image/jupyter-server-3 |
| cn-north-1 | arn:aws-cn:sagemaker:cn-north-1:390048526115:image/jupyter-server-3 |
| cn-northwest-1 | arn:aws-cn:sagemaker:cn-northwest-1:390780980154:image/jupyter-server-3 |
#### Creazione o aggiornamento del dominio
È possibile impostare una JupyterServer versione predefinita a livello di dominio richiamando [CreateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateDomain.html)o [UpdateDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateDomain.html)e passando il `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn` campo.
Di seguito viene illustrato come creare un dominio con JupyterLab 3 come impostazione predefinita, utilizzando: AWS CLI
```
aws --region \
sagemaker create-domain \
--domain-name \
--auth-mode \
--subnet-ids \
--vpc-id \
--default-user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
Di seguito viene illustrato come aggiornare un dominio per utilizzare JupyterLab 3 come predefinito, utilizzando AWS CLI:
```
aws --region \
sagemaker update-domain \
--domain-id \
--default-user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
#### Creazione o aggiornamento di un profilo utente
È possibile impostare una JupyterServer versione predefinita a livello di profilo utente richiamando [CreateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateUserProfile.html)o [UpdateUserProfile](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateUserProfile.html)e passando il `UserSettings.JupyterServerAppSettings.DefaultResourceSpec.SageMakerImageArn` campo.
Di seguito viene illustrato come creare un profilo utente con JupyterLab 3 come impostazione predefinita su un dominio esistente, utilizzando: AWS CLI
```
aws --region \
sagemaker create-user-profile \
--domain-id \
--user-profile-name \
--query UserProfileArn --output text \
--user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
Di seguito viene illustrato come aggiornare un profilo utente per utilizzare JupyterLab 3 come predefinito, utilizzando AWS CLI:
```
aws --region \
sagemaker update-user-profile \
--domain-id \
--user-profile-name \
--user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"SageMakerImageArn": "arn:aws:sagemaker:::image/jupyter-server-3",
"InstanceType": "system"
}
}
}'
```
## Visualizza e aggiorna la JupyterLab versione di un'applicazione dalla console
Di seguito viene illustrato come visualizzare e aggiornare la JupyterLab versione di un'applicazione.
1. Vai alla pagina dei **domini SageMaker ** AI.
1. Seleziona un dominio per visualizzarne i profili utente.
1. Seleziona un utente per visualizzarne le applicazioni.
1. Per visualizzare la JupyterLab versione di un'applicazione, seleziona il nome dell'applicazione.
1. Per aggiornare la JupyterLab versione, seleziona **Azione**.
1. Dal menu a discesa, seleziona **Cambia JupyterLab versione**.
1. Dalla pagina delle **impostazioni di Studio Classic**, seleziona la JupyterLab versione dal menu a discesa.
1. Dopo aver aggiornato correttamente la JupyterLab versione del profilo utente, riavvia l' JupyterServer applicazione per rendere effettive le modifiche alla versione. Per ulteriori informazioni sul riavvio di un' JupyterServer applicazione, vedere. [Chiudi e aggiorna Amazon SageMaker Studio Classic](studio-tasks-update-studio.md)
## Installazione JupyterLab e estensioni di Jupyter Server
In JupyterLab 3, è necessario attivare l'ambiente `studio` conda prima di installare le estensioni. Il metodo varia se stai installando le estensioni da Studio Classic o con uno script di configurazione del ciclo di vita.
### Installazione dell’estensione da Studio Classic
Prima di installare le estensioni da Studio Classic, devi attivare l’ambiente `studio`.
```
# Before installing extensions
conda activate studio
# Install your extensions
pip install
# After installing extensions
conda deactivate
```
### Installazione delle estensioni tramite uno script di configurazione del ciclo di vita
Se state installando JupyterLab estensioni di Jupyter Server nello script di configurazione del ciclo di vita, dovete modificare lo script in modo che funzioni con 3. JupyterLab Le sezioni seguenti mostrano il codice necessario per gli script di configurazione del ciclo di vita esistenti e nuovi.
#### Script di configurazione del ciclo di vita
Se stai riutilizzando uno script di configurazione del ciclo di vita esistente che deve funzionare con entrambe le versioni di JupyterLab, utilizza il codice seguente nello script:
```
# Before installing extension
export AWS_SAGEMAKER_JUPYTERSERVER_IMAGE="${AWS_SAGEMAKER_JUPYTERSERVER_IMAGE:-'jupyter-server'}"
if [ "$AWS_SAGEMAKER_JUPYTERSERVER_IMAGE" = "jupyter-server-3" ] ; then
eval "$(conda shell.bash hook)"
conda activate studio
fi;
# Install your extensions
pip install
# After installing extension
if [ "$AWS_SAGEMAKER_JUPYTERSERVER_IMAGE" = "jupyter-server-3" ]; then
conda deactivate
fi;
```
#### Nuovo script di configurazione del ciclo di vita
Se stai scrivendo un nuovo script di configurazione del ciclo di vita che utilizza solo JupyterLab 3, puoi utilizzare il seguente codice nello script:
```
# Before installing extension
eval "$(conda shell.bash hook)"
conda activate studio
# Install your extensions
pip install
conda deactivate
```
# Usa Amazon SageMaker Studio Classic Launcher
**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 usare Amazon SageMaker Studio Classic Launcher per creare notebook e file di testo e per avviare terminali e shell Python interattive.
Puoi aprire l’utilità di avvio di Studio Classic nei seguenti modi:
+ Scegli **Amazon SageMaker Studio Classic** nella parte superiore sinistra dell'interfaccia di Studio Classic.
+ Utilizza la scelta rapida da tastiera `Ctrl + Shift + L`.
+ Dal menu di Studio Classic, scegli **File**, quindi **Nuova utilità di avvio**.
+ Se il browser di file SageMaker AI è aperto, scegli il segno più (**\$1**) nel menu del file browser di Studio Classic.
+ Nella sezione **Azioni rapide** della scheda **Home**, scegli **Apri utilità di avvio**. L’utilità di avvio viene aperta in una nuova scheda. La sezione **Azioni rapide** è visibile per impostazione predefinita ma può essere disattivata. Scegli **Personalizza layout** per riattivare questa sezione.
![\[SageMaker Avvio di Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-new-launcher.png)
L’utilità di avvio include le due sezioni seguenti:
**Topics**
+ [Notebook e risorse di calcolo](#studio-launcher-launch)
+ [Utilità e file](#studio-launcher-other)
## Notebook e risorse di calcolo
In questa sezione puoi creare un notebook, aprire un terminale di immagini o aprire una console Python.
Per creare o avviare uno di questi elementi:
1. Scegliete **Cambia ambiente** per selezionare un' SageMaker immagine, un kernel, un tipo di istanza e, facoltativamente, aggiungere uno script di configurazione del ciclo di vita da eseguire all'avvio dell'immagine. Per ulteriori informazioni sugli script di configurazione del ciclo di vita, consulta [Usa le configurazioni del ciclo di vita per personalizzare Amazon Studio Classic SageMaker](studio-lcc.md). Per ulteriori informazioni sugli aggiornamenti del kernel, consulta [Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
1. Selezione di un elemento.
**Nota**
Quando scegli un articolo da questa sezione, potresti incorrere in costi di utilizzo aggiuntivi. Per ulteriori informazioni, consulta [Misurazione dell'utilizzo per i notebook Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Sono disponibili i seguenti tipi di elementi:
+ **Notebook**
Avvia il notebook in una sessione del kernel sull'immagine scelta. SageMaker
Crea il notebook nella cartella attualmente selezionata nel browser di file. Per visualizzare il browser di file, nella barra laterale sinistra di Studio Classic seleziona l’icona **Browser di file**.
+ **Console**
Avvia la shell in una sessione del kernel sull'immagine scelta. SageMaker
Apre la shell nella cartella attualmente selezionata nel browser di file.
+ **Immagine del terminale**
Avvia il terminale in una sessione terminale sull'immagine scelta. SageMaker
Apre il terminale nella cartella principale dell’utente (come mostrato dalla cartella **Home** nel browser di file).
**Nota**
Per impostazione predefinita, le istanze CPU vengono avviate su un’istanza `ml.t3.medium`, mentre le istanze GPU vengono avviate su un’istanza `ml.g4dn.xlarge`.
## Utilità e file
In questa sezione, è possibile aggiungere un aiuto contestuale in un notebook, creare file Python, Markdown e di testo e aprire un terminale di sistema.
**Nota**
Gli articoli in questa sezione vengono eseguiti nel contesto di Amazon SageMaker Studio Classic e non comportano costi di utilizzo.
Sono disponibili i seguenti tipi di elementi:
+ **Mostra la guida contestuale**
Apre una nuova scheda che mostra la guida contestuale per le funzioni in un notebook di Studio Classic. Per visualizzare la guida, scegli una funzione in un notebook attivo. Per facilitare la visualizzazione della guida nel contesto, trascina la scheda di aiuto in modo che sia adiacente alla scheda del notebook. Per aprire la scheda della guida dall’interno di un notebook, premi `Ctrl + I`.
Lo screenshot seguente mostra la guida contestuale per il metodo `Experiment.create`.
![\[SageMaker Guida contestuale di Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-context-help.png)
+ **Terminale di sistema**
Apre una shell `bash` nella cartella principale dell’utente (come mostrato dalla cartella **Home** nel browser di file).
+ **File di testo** e **file Markdown**
Crea un file del tipo associato nella cartella attualmente selezionata nel browser di file. Per visualizzare il browser di file, nella barra laterale sinistra seleziona l'icona **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)).
# 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 |
# Personalizzazione 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).
Esistono quattro opzioni per personalizzare il tuo ambiente Amazon SageMaker Studio Classic. Puoi portare la tua SageMaker immagine, utilizzare uno script di configurazione del ciclo di vita, allegare repository Git suggeriti a Studio Classic o creare kernel utilizzando ambienti Conda persistenti in Amazon EFS. Puoi scegliere se usare una sola opzione o usarle insieme.
+ **Porta la tua SageMaker immagine: un'** SageMaker immagine è un file che identifica i kernel, i pacchetti linguistici e le altre dipendenze necessarie per eseguire un notebook Jupyter in Amazon Studio Classic. SageMaker Amazon SageMaker AI fornisce molte immagini integrate da utilizzare. Se hai bisogno di altre funzionalità, puoi utilizzare le tue immagini personalizzate in Studio Classic.
+ **Usa le configurazioni del ciclo di vita con Amazon SageMaker Studio Classic:** le configurazioni del ciclo di vita sono script di shell attivati da eventi del ciclo di vita di Amazon SageMaker Studio Classic, come l'avvio di un nuovo notebook Studio Classic. Puoi utilizzare le configurazioni del ciclo di vita per automatizzare la personalizzazione del tuo ambiente Studio Classic. Ad esempio, puoi installare pacchetti personalizzati, configurare estensioni per notebook, precaricare set di dati e configurare repository di codice sorgente.
+ **Allega repository Git suggeriti a Studio Classic:** puoi allegare il repository Git consigliato URLs a livello di dominio Amazon SageMaker AI o profilo utente. Quindi, puoi selezionare l’URL del repository dall’elenco dei suggerimenti e clonarlo nel tuo ambiente utilizzando l’estensione Git in Studio Classic.
+ **Rendi gli ambienti Conda persistenti sul volume Amazon EFS di Studio Classic:** Studio Classic utilizza un volume Amazon EFS come livello di archiviazione persistente. Puoi salvare il tuo ambiente Conda su questo volume Amazon EFS, quindi utilizzare l'ambiente salvato per creare kernel. Studio Classic preleva automaticamente tutti gli ambienti validi salvati in Amazon EFS come KernelGateway kernel. Questi kernel perdurano, anche dopo il riavvio del kernel, dell’app e di Studio Classic. Per ulteriori informazioni, consulta la sezione **Persistenza degli ambienti Conda nel volume Studio Classic EFS** in [Quattro approcci per gestire i pacchetti Python nei notebook Amazon SageMaker ](https://aws.amazon.com/blogs/machine-learning/four-approaches-to-manage-python-packages-in-amazon-sagemaker-studio-notebooks/) Studio Classic.
I seguenti argomenti mostrano come utilizzare queste tre opzioni per personalizzare l'ambiente Amazon SageMaker Studio Classic.
**Topics**
+ [Immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi.md)
+ [Usa le configurazioni del ciclo di vita per personalizzare Amazon Studio Classic SageMaker](studio-lcc.md)
+ [Allega repository Git consigliati ad Amazon SageMaker Studio Classic](studio-git-attach.md)
# Immagini personalizzate 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).
Un' SageMaker immagine è un file che identifica i kernel, i pacchetti linguistici e altre dipendenze necessarie per eseguire un notebook Jupyter in Amazon Studio Classic. SageMaker Queste immagini vengono utilizzate per creare un ambiente da cui poi eseguire i notebook Jupyter. Amazon SageMaker AI fornisce molte immagini integrate da utilizzare. Per l'elenco delle immagini integrate, consulta [SageMaker Immagini Amazon disponibili per l'uso con i notebook Studio Classic](notebooks-available-images.md).
Se hai bisogno di altre funzionalità, puoi utilizzare le tue immagini personalizzate in Studio Classic. Puoi creare immagini e versioni di immagini e allegare versioni di immagini al tuo dominio o spazio condiviso utilizzando il pannello di controllo SageMaker AI [AWS SDK per Python (Boto3)](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html), e il [AWS Command Line Interface (AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/). Puoi anche creare immagini e versioni di immagini utilizzando la console SageMaker AI, anche se non hai effettuato l'onboarding a un dominio SageMaker AI. SageMaker AI fornisce Dockerfile di esempio da utilizzare come punto di partenza per le SageMaker immagini personalizzate nel repository [SageMaker Studio Classic Custom](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/) Image Samples.
I seguenti argomenti spiegano come importare la propria immagine utilizzando la console SageMaker AI o AWS CLI come avviare l'immagine in Studio Classic. Per un articolo di blog simile, consulta [Porting your own R environment to Amazon SageMaker Studio Classic](https://aws.amazon.com/blogs/machine-learning/bringing-your-own-r-environment-to-amazon-sagemaker-studio/). Per i notebook che mostrano come utilizzare la propria immagine per la formazione e l'inferenza, consulta [Amazon SageMaker Studio Classic Container](https://github.com/aws/amazon-sagemaker-examples/tree/main/aws_sagemaker_studio/sagemaker_studio_image_build) Build CLI.
## Terminologia chiave
La sezione seguente definisce i termini chiave da conoscere quando si utilizza la propria immagine con Studio Classic.
+ **File Docker:** un file Docker è un file che identifica pacchetti linguistici e altre dipendenze della tua immagine Docker.
+ **Immagine Docker:** l'immagine Docker è un file Docker integrato. Questa immagine viene archiviata in Amazon ECR e funge da base per l'immagine SageMaker AI.
+ **SageMaker immagine:** Un' SageMaker immagine è un supporto per un set di versioni di immagini SageMaker AI basate su immagini Docker. Le singole versioni dell’immagine non sono modificabili.
+ **Versione immagine:** una versione immagine di un' SageMaker immagine rappresenta un'immagine Docker ed è archiviata in un repository Amazon ECR. Le singole versioni dell’immagine non sono modificabili. Queste versioni dell’immagine possono essere collegate a un dominio o a uno spazio condiviso e utilizzate con Studio Classic.
**Topics**
+ [Terminologia chiave](#studio-byoi-basics)
+ [Specifiche di SageMaker immagine personalizzate per Amazon SageMaker Studio Classic](studio-byoi-specs.md)
+ [Prerequisiti per le immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi-prereq.md)
+ [Aggiungi un'immagine Docker compatibile con Amazon SageMaker Studio Classic ad Amazon ECR](studio-byoi-sdk-add-container-image.md)
+ [Crea un' SageMaker immagine personalizzata per Amazon SageMaker Studio Classic](studio-byoi-create.md)
+ [Allega un' SageMaker immagine personalizzata in Amazon SageMaker Studio Classic](studio-byoi-attach.md)
+ [Avvio di un' SageMaker immagine personalizzata in Amazon SageMaker Studio Classic](studio-byoi-launch.md)
+ [Risorse di pulizia per immagini personalizzate in Amazon SageMaker Studio Classic](studio-byoi-cleanup.md)
# Specifiche di SageMaker immagine personalizzate per 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).
Le seguenti specifiche si applicano all'immagine del contenitore rappresentata da una versione di immagine SageMaker AI.
**Esecuzione dell'immagine**
`ENTRYPOINT`e `CMD` le istruzioni vengono sovrascritte per consentire all'immagine di funzionare come KernelGateway app.
La porta 8888 nell'immagine è riservata all'esecuzione del server KernelGateway Web.
**Arresto dell'immagine**
L’API `DeleteApp` invia l’equivalente di un comando `docker stop`. Gli altri processi nel contenitore non riceveranno i SIGKILL/SIGTERM segnali.
**Riconoscimento dei kernel**
SageMaker [L'intelligenza artificiale riconosce i kernel come definito dalle specifiche del kernel di Jupyter.](https://jupyter-client.readthedocs.io/en/latest/kernels.html#kernelspecs)
Puoi specificare una lista di kernel da visualizzare prima di eseguire l'immagine. In caso contrario, viene visualizzato python3. Usa l'[DescribeAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeAppImageConfig.html)API per visualizzare l'elenco dei kernel.
Per impostazione predefinita, gli ambienti conda sono riconosciuti come specifiche del kernel.
**File system**
Le directory `/opt/.sagemakerinternal` e `/opt/ml` sono riservate. I dati presenti in queste directory potrebbero non essere visibili durante il runtime.
**Dati utente**
A ogni utente di un dominio viene associata una directory utente su un volume Amazon Elastic File System condiviso nell'immagine. La posizione della directory dell'utente corrente sul volume Amazon EFS è configurabile. Per impostazione predefinita, la posizione della directory è `/home/sagemaker-user`.
SageMaker L'IA configura le UID/GID mappature POSIX tra l'immagine e l'host. L'impostazione predefinita è la mappatura dell'utente root UID/GID (0/0) su quello dell'host. UID/GID
È possibile specificare questi valori utilizzando l'API. [CreateAppImageConfig](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateAppImageConfig.html)
**Limiti GID/UID**
Amazon SageMaker Studio Classic supporta solo `DefaultUID` le seguenti `DefaultGID` combinazioni:
+ DefaultUID 1000 e DefaultGID 100, che corrisponde a un utente senza privilegi.
+ DefaultUID 0 e DefaultGID 0, che corrisponde all'accesso root.
**Metadati**
Un file di metadati si trova in `/opt/ml/metadata/resource-metadata.json`. Alle variabili definite nell'immagine non viene aggiunta alcuna variabile di ambiente. Per ulteriori informazioni, consulta [Ottenere i metadati dell’app](notebooks-run-and-manage-metadata.md#notebooks-run-and-manage-metadata-app).
**GPU**
In un'istanza GPU, l'immagine viene eseguita con l'opzione `--gpus`. Nell'immagine deve essere incluso solo il toolkit CUDA, non i driver NVIDIA. Per ulteriori informazioni, consulta [Guida per l'utente di NVIDIA](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/user-guide.html).
**Parametri e logging**
I log del KernelGateway processo vengono inviati ad Amazon CloudWatch nell'account del cliente. Il nome del gruppo di log è `/aws/sagemaker/studio`. Il nome del flusso di log è `$domainID/$userProfileName/KernelGateway/$appName`.
**Dimensione dell’immagine**
Massimo 35 GB. Per visualizzare le dimensioni della tua immagine, esegui `docker image ls`.
## File Docker di esempio
Il seguente file Docker di esempio crea un’immagine basata su Amazon Linux 2, installa pacchetti di terze parti e il kernel `python3` e imposta l'ambito dell’utente senza privilegi.
```
FROM public.ecr.aws/amazonlinux/amazonlinux:2
ARG NB_USER="sagemaker-user"
ARG NB_UID="1000"
ARG NB_GID="100"
RUN \
yum install --assumeyes python3 shadow-utils && \
useradd --create-home --shell /bin/bash --gid "${NB_GID}" --uid ${NB_UID} ${NB_USER} && \
yum clean all && \
jupyter-activity-monitor-extension \
python3 -m pip install ipykernel && \
python3 -m ipykernel install
USER ${NB_UID}
```
# Prerequisiti per le immagini personalizzate 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).
È necessario soddisfare i seguenti prerequisiti per portare il proprio contenitore da utilizzare con Amazon SageMaker Studio Classic.
+ L'applicazione Docker. Per informazioni sulla configurazione di Docker, consulta [Orientation and setup](https://docs.docker.com/get-started/).
+ Installa il AWS CLI seguendo la procedura descritta in [Guida introduttiva a](https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-getting-started.html). AWS CLI
+ Una copia locale di ogni Dockerfile per creare un’immagine compatibile con Studio Classic. Per immagini personalizzate di esempio, consulta il repository di [esempi di immagini personalizzate SageMaker AI Studio Classic](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/).
+ Autorizzazioni per accedere al servizio Amazon Elastic Container Registry (Amazon ECR). Per ulteriori informazioni, consulta [Amazon ECR Managed Policies ](https://docs.aws.amazon.com/AmazonECR/latest/userguide/ecr_managed_policies.html).
+ Un ruolo di AWS Identity and Access Management esecuzione a cui è allegata la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)policy. Se hai effettuato l'onboarding nel dominio Amazon SageMaker AI, puoi ottenere il ruolo dalla sezione **Domain Summary** del pannello di controllo SageMaker AI.
+ Installa la CLI di creazione di immagini Studio Classic seguendo i passaggi di [SageMaker Docker](https://github.com/aws-samples/sagemaker-studio-image-build-cli) Build. Questa CLI consente di creare un Dockerfile utilizzando. AWS CodeBuild
# Aggiungi un'immagine Docker compatibile con Amazon SageMaker Studio Classic ad Amazon ECR
**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).
Esegui le seguenti fasi per aggiungere un'immagine del container ad Amazon ECR:
+ Crea un repository Amazon ECR.
+ Effettua l'autenticazione su Amazon ECR.
+ Crea un’immagine Docker compatibile con Studio Classic.
+ Inserisci l'immagine nel repository Amazon ECR.
**Nota**
Il repository Amazon ECR deve trovarsi nello stesso spazio di Studio Regione AWS Classic.
**Per creare e aggiungere un'immagine da un container ad Amazon ECR**
1. Crea un repository in Amazon ECR tramite la AWS CLI. Per creare il repository utilizzando la console Amazon ECR, consulta la sezione [Creating a repository](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-create.html).
```
aws ecr create-repository \
--repository-name smstudio-custom \
--image-scanning-configuration scanOnPush=true
```
Il risultato dovrebbe essere simile al seguente.
```
{
"repository": {
"repositoryArn": "arn:aws:ecr:us-east-2:acct-id:repository/smstudio-custom",
"registryId": "acct-id",
"repositoryName": "smstudio-custom",
"repositoryUri": "acct-id.dkr.ecr.us-east-2.amazonaws.com/smstudio-custom",
...
}
}
```
1. Crea il `Dockerfile` utilizzando la CLI di Studio Classic Image Build. Il punto (.) specifica che il file Docker deve trovarsi nel contesto del comando build. Questo comando crea l'immagine e carica l'immagine creata nel repository ECR. Quindi, genera l'URI dell'immagine.
```
sm-docker build . --repository smstudio-custom:custom
```
Il risultato dovrebbe essere simile al seguente.
```
Image URI: .dkr.ecr..amazonaws.com/
```
# Crea un' SageMaker immagine personalizzata per 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).
Questo argomento descrive come creare un' SageMaker immagine personalizzata utilizzando la console SageMaker AI o. AWS CLI
Quando crei un'immagine dalla console, SageMaker AI crea anche una versione iniziale dell'immagine. Ogni versione dell’immagine rappresenta un'immagine del container presente in [Amazon Elastic Container Registry (ECR)](https://console.aws.amazon.com/ecr/). L'immagine del contenitore deve soddisfare i requisiti per essere utilizzata in Amazon SageMaker Studio Classic. Per ulteriori informazioni, consulta [Specifiche di SageMaker immagine personalizzate per Amazon SageMaker Studio Classic](studio-byoi-specs.md). Per informazioni su come testare l'immagine localmente e risolvere i problemi più comuni, consulta il repository [SageMaker Studio Classic Custom Image Samples](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md).
Dopo aver creato SageMaker l'immagine personalizzata, è necessario allegarla al dominio o allo spazio condiviso per utilizzarla con Studio Classic. Per ulteriori informazioni, consulta [Allega un' SageMaker immagine personalizzata in Amazon SageMaker Studio Classic](studio-byoi-attach.md).
## Crea un' SageMaker immagine dalla console
La sezione seguente mostra come creare un' SageMaker immagine personalizzata dalla console SageMaker AI.
**Come creare un’immagine**
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 **Immagini**.
1. Nella pagina **Immagini personalizzate**, scegli **Crea immagine**.
1. In **Origine dell’immagine**, inserisci il percorso di registrazione dell'immagine del container in Amazon ECR. Il percorso si presenta nel formato seguente:
` acct-id.dkr.ecr.region.amazonaws.com/repo-name[:tag] or [@digest] `
1. Seleziona **Successivo**.
1. In **Proprietà dell’immagine**, inserisci quanto segue:
+ Nome immagine: il nome deve essere univoco per il tuo account nella Regione AWS corrente.
+ (Facoltativo) Nome visualizzato: il nome visualizzato nell’interfaccia utente di Studio Classic. Se non fornito, viene visualizzato `Image name`.
+ (Facoltativo) Descrizione: descrizione dell’immagine.
+ Ruolo IAM: al ruolo deve essere associata la [AmazonSageMakerFullAccess](https://console.aws.amazon.com/iam/home?#/policies/arn:aws:iam::aws:policy/AmazonSageMakerFullAccess)policy. Usa il menu a discesa per selezionare una delle seguenti opzioni:
+ Crea un nuovo ruolo: specifica eventuali bucket Amazon Simple Storage Service (Amazon S3) a cui desideri che gli utenti dei tuoi notebook abbiano accesso. Se preferisci non consentire l'accesso ad altri bucket, scegli **Nessuno**.
SageMaker L'intelligenza artificiale associa la `AmazonSageMakerFullAccess` policy al ruolo. Il ruolo consente agli utenti dei tuoi notebook di accedere ai bucket S3 elencati accanto ai segni di spunta.
+ Inserisci un ARN personalizzato per il ruolo IAM: inserisci il nome della risorsa Amazon (ARN) del ruolo IAM.
+ Usa un ruolo esistente: scegli dell’elenco uno dei tuoi ruoli già esistenti.
+ (Facoltativo) Tagga l’immagine: scegli **Aggiungi nuovo tag**. Puoi aggiungere fino a 50 tag. I tag sono ricercabili utilizzando l'interfaccia utente di Studio Classic, la console SageMaker AI o l'`Search`API SageMaker AI.
1. Seleziona **Invia**.
La nuova immagine viene visualizzata nell'elenco **Immagini personalizzate** ed evidenziata per qualche secondo. Una volta che l'immagine è stata creata con successo, puoi scegliere il nome dell'immagine per visualizzarne le proprietà o scegliere **Crea versione** per crearne un'altra versione.
**Per creare un'altra versione dell'immagine**
1. Scegli **Crea versione** sulla stessa riga dell'immagine.
1. In **Origine dell’immagine**, inserisci il percorso di registrazione dell'immagine del container Amazon ECR. L'immagine del contenitore non deve essere la stessa immagine utilizzata in una versione precedente dell' SageMaker immagine.
## Crea un' SageMaker immagine da AWS CLI
Per creare SageMaker un'immagine dall'immagine del contenitore, effettuate le seguenti operazioni utilizzando il AWS CLI.
+ Creazione di `Image`.
+ Creazione di `ImageVersion`.
+ Creazione di un file di configurazione.
+ Creazione di `AppImageConfig`.
**Per creare le entità SageMaker dell'immagine**
1. Crea un' SageMaker immagine.
```
aws sagemaker create-image \
--image-name custom-image \
--role-arn arn:aws:iam:::role/service-role/
```
Il risultato dovrebbe essere simile al seguente.
```
{
"ImageArn": "arn:aws:sagemaker:us-east-2:acct-id:image/custom-image"
}
```
1. Crea una versione SageMaker dell'immagine dall'immagine del contenitore.
```
aws sagemaker create-image-version \
--image-name custom-image \
--base-image .dkr.ecr..amazonaws.com/smstudio-custom:custom-image
```
Il risultato dovrebbe essere simile al seguente.
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1"
}
```
1. Verifica che la versione dell'immagine sia stata creata correttamente.
```
aws sagemaker describe-image-version \
--image-name custom-image \
--version-number 1
```
Il risultato dovrebbe essere simile al seguente.
```
{
"ImageVersionArn": "arn:aws:sagemaker:us-east-2:acct-id:image-version/custom-image/1",
"ImageVersionStatus": "CREATED"
}
```
**Nota**
Se l’esito è `"ImageVersionStatus": "CREATED_FAILED"`, l’esito include anche il motivo dell'errore. Un problema di autorizzazioni è una causa di errore comune. Puoi anche controllare CloudWatch i log di Amazon se riscontri un errore durante l'avvio o l'esecuzione dell' KernelGateway app per un'immagine personalizzata. Il nome del gruppo di log è `/aws/sagemaker/studio`. Il nome del flusso di log è `$domainID/$userProfileName/KernelGateway/$appName`.
1. Creazione di un file di configurazione denominato `app-image-config-input.json`. Il `Name` valore di `KernelSpecs` deve corrispondere al nome del kernelSpec disponibile nell'immagine associata a questa `AppImageConfig`. Questo valore prevede la distinzione tra lettere maiuscole e minuscole. Puoi trovare i kernelSpec disponibili in un'immagine eseguendo `jupyter-kernelspec list` da una shell all'interno del container. `MountPath` è il percorso all'interno dell'immagine per montare la home directory Amazon Elastic File System (Amazon EFS). Deve essere diverso dal percorso che usi all'interno del container, perché quel percorso verrà sovrascritto una volta montata la tua home directory Amazon EFS.
**Nota**
Le combinazioni seguenti `DefaultUID` e `DefaultGID` sono gli unici valori accettati:
DefaultUID 1000 e DefaultGID 100
DefaultUID 0 e DefaultGID 0
```
{
"AppImageConfigName": "custom-image-config",
"KernelGatewayImageConfig": {
"KernelSpecs": [
{
"Name": "python3",
"DisplayName": "Python 3 (ipykernel)"
}
],
"FileSystemConfig": {
"MountPath": "/home/sagemaker-user",
"DefaultUid": 1000,
"DefaultGid": 100
}
}
}
```
1. Crea il file AppImageConfig utilizzando il file creato nel passaggio precedente.
```
aws sagemaker create-app-image-config \
--cli-input-json file://app-image-config-input.json
```
Il risultato dovrebbe essere simile al seguente.
```
{
"AppImageConfigArn": "arn:aws:sagemaker:us-east-2:acct-id:app-image-config/custom-image-config"
}
```
# Allega un' SageMaker immagine personalizzata 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).
Per utilizzare un' SageMaker immagine personalizzata, devi allegare una versione dell'immagine al tuo dominio o spazio condiviso. Quando alleghi una versione dell'immagine, questa viene visualizzata in SageMaker Studio Classic Launcher ed è disponibile nell'elenco a discesa **Seleziona immagine**, che gli utenti utilizzano per avviare un'attività o modificare l'immagine utilizzata da un taccuino.
Per rendere disponibile un' SageMaker immagine personalizzata a tutti gli utenti all'interno di un dominio, è necessario allegare l'immagine al dominio. Collegando un’immagine a uno spazio condiviso, la si rende disponibile a tutti gli utenti all'interno di quello spazio condiviso. Collegando un’immagine a un profilo utente, la si rende disponibile a quel singolo utente. Quando alleghi un'immagine, l' SageMaker IA utilizza la versione più recente dell'immagine per impostazione predefinita. È inoltre possibile collegare una versione specifica dell'immagine. Dopo aver allegato la versione, puoi scegliere la versione da SageMaker AI Launcher o dal selettore di immagini quando avvii un notebook.
Il numero di versioni dell’immagine che si possono collegare in un dato momento è limitato. Una volta raggiunto il limite, dovrai scollegare una versione per collegare un'altra versione dell'immagine.
Le sezioni seguenti mostrano come allegare un' SageMaker immagine personalizzata al tuo dominio utilizzando la console SageMaker AI o il. AWS CLI Puoi collegare un’immagine personalizzata a uno spazio condiviso solo utilizzando la AWS CLI.
## Allega l' SageMaker immagine a un dominio
### Allega l' SageMaker immagine utilizzando la console
Questo argomento descrive come allegare una versione di SageMaker immagine personalizzata esistente al dominio utilizzando il pannello di controllo SageMaker AI. Puoi anche creare un' SageMaker immagine e una versione dell'immagine personalizzate e quindi allegare quella versione al tuo dominio. Per conoscere la procedura per creare un'immagine e una versione dell'immagine, consulta [Crea un' SageMaker immagine personalizzata per Amazon SageMaker Studio Classic](studio-byoi-create.md).
**Per collegare un'immagine esistente**
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. Nella pagina **Domini**, seleziona il dominio a cui collegare l’immagine.
1. Dalla pagina **Dettagli del dominio**, seleziona la scheda **Ambiente**.
1. Nella scheda **Ambiente**, in **Immagini Custom SageMaker Studio Classic allegate al dominio**, scegli **Allega immagine**.
1. In **Origine dell’immagine**, scegli **Immagine esistente**.
1. Seleziona un’immagine esistente dall'elenco.
1. Seleziona una versione dell'immagine dall'elenco.
1. Seleziona **Successivo**.
1. Verifica i valori per **Nome dell’immagine**, **Nome visualizzato dell’immagine** e **Descrizione**.
1. Seleziona il ruolo IAM. Per ulteriori informazioni, consulta [Crea un' SageMaker immagine personalizzata per Amazon SageMaker Studio Classic](studio-byoi-create.md).
1. (Facoltativo) Aggiunta di tag all'immagine.
1. Specifica il percorso di montaggio EFS. Si tratta del percorso all'interno dell'immagine dove montare la directory principale Amazon Elastic File System (EFS) dell'utente.
1. Per **Tipo di immagine**, seleziona **Immagine da SageMaker Studio**
1. In **Nome kernel**, inserisci nell’immagine il nome di un kernel esistente. Per informazioni su come ottenere le informazioni sul kernel dall'immagine, vedete [SVILUPPO](https://github.com/aws-samples/sagemaker-studio-custom-image-samples/blob/main/DEVELOPMENT.md) nel repository SageMaker Studio Classic Custom Image Samples. Per ulteriori informazioni, consulta le sezioni **Kernel discovery** e **User data** di [Specifiche di SageMaker immagine personalizzate per Amazon SageMaker Studio Classic](studio-byoi-specs.md).
1. (Facoltativo) In **Nome di visualizzazione del kernel**, inserisci il nome visualizzato per il kernel.
1. Scegli **Aggiungi kernel**.
1. Seleziona **Invia**.
1. Attendi che la versione dell'immagine venga collegata al dominio. Una volta collegata, la versione viene visualizzata nella lista **Immagini personalizzate** ed evidenziata per qualche secondo.
### Allega l' SageMaker immagine usando il AWS CLI
Nelle sezioni seguenti viene illustrato come allegare SageMaker un'immagine personalizzata quando si crea un nuovo dominio o si aggiorna il dominio esistente utilizzando il AWS CLI.
#### Allega l' SageMaker immagine a un nuovo dominio
La sezione seguente mostra come creare un nuovo dominio collegandovi la versione dell’immagine. Queste fasi richiedono di specificare le informazioni sul cloud privato virtuale (VPC) di Amazon e sul ruolo di esecuzione, necessarie per creare il dominio. Per creare il dominio e allegare l' SageMaker immagine personalizzata, attenersi alla seguente procedura:
+ Ottieni l'ID VPC e la sottorete predefiniti. IDs
+ Crea il file di configurazione per il dominio, il quale specifica l'immagine.
+ Crea il dominio con il file di configurazione.
**Per aggiungere l' SageMaker immagine personalizzata al tuo dominio**
1. Ottieni l’ID del tuo VPC predefinito.
```
aws ec2 describe-vpcs \
--filters Name=isDefault,Values=true \
--query "Vpcs[0].VpcId" --output text
```
Il risultato dovrebbe essere simile al seguente.
```
vpc-xxxxxxxx
```
1. Ottieni la tua sottorete predefinita IDs utilizzando l'ID VPC del passaggio precedente.
```
aws ec2 describe-subnets \
--filters Name=vpc-id,Values= \
--query "Subnets[*].SubnetId" --output json
```
Il risultato dovrebbe essere simile al seguente.
```
[
"subnet-b55171dd",
"subnet-8a5f99c6",
"subnet-e88d1392"
]
```
1. Crea un file di configurazione denominato `create-domain-input.json`. Inserisci l'ID VPC, la sottorete IDs e `AppImageConfigName` dai passaggi precedenti. `ImageName` Poiché `ImageVersionNumber` non è specificato, si usa la versione più recente dell'immagine, che, in questo caso, è anche l'unica.
```
{
"DomainName": "domain-with-custom-image",
"VpcId": "",
"SubnetIds": [
""
],
"DefaultUserSettings": {
"ExecutionRole": "",
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "custom-image",
"AppImageConfigName": "custom-image-config"
}
]
}
},
"AuthMode": "IAM"
}
```
1. Crea il dominio con l'immagine personalizzata SageMaker allegata.
```
aws sagemaker create-domain \
--cli-input-json file://create-domain-input.json
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx",
"Url": "https://d-xxxxxxxxxxxx.studio.us-east-2.sagemaker.aws/..."
}
```
#### Allega l' SageMaker immagine al tuo dominio attuale
Se hai effettuato l'onboarding a un dominio SageMaker AI, puoi allegare l'immagine personalizzata al tuo dominio attuale. Per ulteriori informazioni sull'onboarding in un dominio SageMaker AI, consulta. [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md) Non è necessario specificare le informazioni sul VPC e sul ruolo di esecuzione per collegare un'immagine personalizzata al tuo dominio corrente. Dopo aver collegato la versione, devi eliminare tutte le app all’interno del dominio e riaprire Studio Classic. Per informazioni su come eliminare le app, consulta [Eliminare un dominio Amazon SageMaker AI](gs-studio-delete-domain.md).
Per aggiungere l' SageMaker immagine al dominio corrente, procedi nel seguente modo.
+ Scaricala `DomainID` dal pannello di controllo SageMaker AI.
+ Usa il `DomainID` per ottenere `DefaultUserSettings` per il dominio.
+ Aggiungi `ImageName` e `AppImageConfig` come `CustomImage` a `DefaultUserSettings`.
+ Aggiornamento del tuo dominio per includere l'immagine personalizzata.
**Per aggiungere l' SageMaker immagine personalizzata al tuo 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. Nella pagina **Domini**, seleziona il dominio a cui collegare l’immagine.
1. Dalla pagina **Dettagli del dominio**, seleziona la scheda **Impostazioni del dominio**.
1. Nella scheda **Impostazioni del dominio**, in **Impostazioni generali**, trova `DomainId`. L'ID è nel formato seguente: `d-xxxxxxxxxxxx`.
1. Utilizza l'ID del dominio per generare la descrizione del dominio.
```
aws sagemaker describe-domain \
--domain-id
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainId": "d-xxxxxxxxxxxx",
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Salva la sezione delle impostazioni utente predefinite del risultato in un file denominato `default-user-settings.json`.
1. Inserisci `ImageName` e `AppImageConfigName` dalle fasi precedenti come immagine personalizzata. Poiché `ImageVersionNumber` non è specificato, si usa la versione più recente dell'immagine, che, in questo caso, è anche l'unica.
```
{
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "string",
"AppImageConfigName": "string"
}
],
...
}
}
}
```
1. Utilizza l'ID del dominio e il file delle impostazioni utente predefinite per aggiornare il dominio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-user-settings.json
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
## Allega l' SageMaker immagine a uno spazio condiviso
È possibile allegare l' SageMaker immagine a uno spazio condiviso solo utilizzando AWS CLI. Dopo aver collegato la versione, devi eliminare tutte le applicazioni all’interno del tuo spazio condiviso e riaprire Studio Classic. Per informazioni su come eliminare le app, consulta [Eliminare un dominio Amazon SageMaker AI](gs-studio-delete-domain.md).
Per aggiungere l' SageMaker immagine a uno spazio condiviso, si eseguono le seguenti operazioni.
+ Scaricala `DomainID` dal pannello di controllo SageMaker AI.
+ Usa il `DomainID` per ottenere `DefaultSpaceSettings` per il dominio.
+ Aggiungi `ImageName` e `AppImageConfig` come `CustomImage` a `DefaultSpaceSettings`.
+ Aggiornamento del tuo dominio per includere l'immagine personalizzata per lo spazio condiviso.
**Per aggiungere l' SageMaker immagine personalizzata al tuo spazio condiviso**
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. Nella pagina **Domini**, seleziona il dominio a cui collegare l’immagine.
1. Dalla pagina **Dettagli del dominio**, seleziona la scheda **Impostazioni del dominio**.
1. Nella scheda **Impostazioni del dominio**, in **Impostazioni generali**, trova `DomainId`. L'ID è nel formato seguente: `d-xxxxxxxxxxxx`.
1. Utilizza l'ID del dominio per generare la descrizione del dominio.
```
aws sagemaker describe-domain \
--domain-id
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainId": "d-xxxxxxxxxxxx",
...
"DefaultSpaceSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
}
}
}
```
1. Salva la sezione delle impostazioni spazio predefinite che visualizzi nel risultato in un file denominato `default-space-settings.json`.
1. Inserisci `ImageName` e `AppImageConfigName` dalle fasi precedenti come immagine personalizzata. Poiché `ImageVersionNumber` non è specificato, si usa la versione più recente dell'immagine, che, in questo caso, è anche l'unica.
```
{
"DefaultSpaceSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
{
"ImageName": "string",
"AppImageConfigName": "string"
}
],
...
}
}
}
```
1. Utilizza l'ID del dominio e il file delle impostazioni spazio predefinite per aggiornare il dominio.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-space-settings.json
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
## Visualizza l'immagine allegata in SageMaker AI
Dopo aver creato l' SageMaker immagine personalizzata e averla associata al dominio, l'immagine viene visualizzata nella scheda **Ambiente** del dominio. È possibile visualizzare solo le immagini allegate per gli spazi condivisi AWS CLI utilizzando il comando seguente.
```
aws sagemaker describe-domain \
--domain-id
```
# Avvio di un' SageMaker immagine personalizzata 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).
Dopo aver creato SageMaker l'immagine personalizzata e averla associata al dominio o allo spazio condiviso, l'immagine e il kernel personalizzati vengono visualizzati nei selettori della finestra di dialogo **Cambia ambiente** di Studio Classic Launcher.
**Per avviare e selezionare la propria immagine personalizzata e il kernel**
1. In Amazon SageMaker Studio Classic, apri il Launcher. 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)
![\[SageMaker Launcher di Studio Classic.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-new-launcher.png)
1. Nell’utilità di avvio, nella sezione **Notebooks and compute resources**, scegli **Cambia ambiente**.
1. Nella finestra di dialogo **Cambia ambiente**, usa i menu a discesa per selezionare la tua **immagine** dalla sezione **Immagine personalizzata** e il tuo **kernel**, quindi scegli **Seleziona**.
1. Nell’utilità di avvio, scegli **Crea notebook** o **Open image terminal**. Il notebook o il terminale si avvia nell'immagine personalizzata e nel kernel selezionati.
Per modificare l'immagine o il kernel in un notebook aperto, consulta [Modifica dell'immagine o di un kernel per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-change-image.md).
**Nota**
Se riscontri un errore durante l'avvio dell'immagine, controlla i CloudWatch log di Amazon. Il nome del gruppo di log è `/aws/sagemaker/studio`. Il nome del flusso di log è `$domainID/$userProfileName/KernelGateway/$appName`.
# Risorse di pulizia per immagini personalizzate 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).
Le sezioni seguenti mostrano come ripulire le risorse create nelle sezioni precedenti dalla console SageMaker AI o. AWS CLI Per pulire le risorse, procedi come segue:
+ Scollega l'immagine e le relative versioni dal tuo dominio.
+ Elimina l'immagine, la versione dell'immagine e la configurazione dell'immagine nell'app.
+ Elimina l'immagine e il repository del container da Amazon ECR. Per ulteriori informazioni, consulta [Deleting a repository](https://docs.aws.amazon.com/AmazonECR/latest/userguide/repository-delete.html).
## Pulisci le risorse dalla console SageMaker AI
La sezione seguente mostra come pulire le risorse dalla console SageMaker AI.
Quando si scollega un'immagine da un dominio, vengono scollegate anche tutte le versioni dell'immagine. Quando un'immagine viene scollegata, tutti gli utenti del dominio perdono l'accesso alle versioni dell'immagine. Un notebook in esecuzione che ha una sessione del kernel su una versione dell’immagine continua a funzionare anche quando questa viene scollegata. Quando il notebook viene interrotto o il kernel viene arrestato, la versione dell'immagine non risulta più disponibile.
**Per scollegare un'immagine**
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 **Immagini**.
1. In **Immagini Custom SageMaker Studio Classic allegate al dominio**, scegli l'immagine, quindi scegli **Scollega.**
1. (Facoltativo) Per eliminare l'immagine e tutte le versioni da SageMaker AI, seleziona **Elimina anche le immagini selezionate**... . Questa azione non elimina le immagini del container associate da Amazon ECR.
1. Seleziona **Scollega**.
## Ripulisci le risorse di AWS CLI
La sezione seguente mostra come pulire risorse da AWS CLI.
**Per eliminare le risorse**
1. Scollega l'immagine e le versioni delle immagini dal tuo dominio inoltrando al dominio un elenco di immagini personalizzate vuoto. Apri il file `default-user-settings.json` creato in [Allega l' SageMaker immagine al tuo dominio attuale](studio-byoi-attach.md#studio-byoi-sdk-attach-current-domain). Per scollegare l'immagine e la versione dell'immagine da uno spazio condiviso, apri il file `default-space-settings.json`.
1. Elimina le immagini personalizzate e quindi salva il file.
```
"DefaultUserSettings": {
"KernelGatewayAppSettings": {
"CustomImages": [
],
...
},
...
}
```
1. Utilizza l'ID del dominio e il file delle impostazioni utente predefinite per aggiornare il dominio. Utilizza il file delle impostazioni dello spazio predefinito per aggiornare lo spazio condiviso.
```
aws sagemaker update-domain \
--domain-id \
--cli-input-json file://default-user-settings.json
```
Il risultato dovrebbe essere simile al seguente.
```
{
"DomainArn": "arn:aws:sagemaker:us-east-2:acct-id:domain/d-xxxxxxxxxxxx"
}
```
1. Elimina la configurazione dell'immagine dell'app.
```
aws sagemaker delete-app-image-config \
--app-image-config-name custom-image-config
```
1. Eliminare l' SageMaker immagine, eliminando anche tutte le versioni dell'immagine. Le immagini dei container in ECR rappresentate dalle versioni delle immagini non vengono eliminate.
```
aws sagemaker delete-image \
--image-name custom-image
```
# Usa le configurazioni del ciclo di vita per personalizzare Amazon Studio Classic SageMaker
**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).
Amazon SageMaker Studio Classic attiva gli script della shell di configurazione del ciclo di vita durante importanti eventi del ciclo di vita, come l'avvio di un nuovo notebook Studio Classic. Puoi utilizzare le configurazioni del ciclo di vita per automatizzare la personalizzazione del tuo ambiente Studio Classic. 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.
Le configurazioni del ciclo di vita ti offrono la flessibilità e il controllo necessari per configurare Studio Classic in base alle tue esigenze specifiche. Ad esempio, puoi utilizzare immagini del container personalizzate con script di configurazione del ciclo di vita per modificare l’ambiente. Crea prima di tutto un set minimo di immagini del container di base, quindi installa i pacchetti e le librerie utilizzati più di frequente in tali immagini. Dopo aver completato le immagini, utilizza le configurazioni del ciclo di vita per installare pacchetti aggiuntivi per casi d’uso specifici. Questa procedura offre la flessibilità necessaria per modificare l’ambiente nei vari team di data science e machine learning in base alle loro esigenze specifiche.
Gli utenti possono selezionare solo gli script di configurazione del ciclo di vita a cui hanno accesso. Sebbene sia possibile consentire l’accesso a più script di configurazione del ciclo di vita, puoi anche scegliere di impostare script di configurazione del ciclo di vita predefiniti per le risorse. A seconda della risorsa per cui è impostata la configurazione del ciclo di vita predefinita, l’opzione predefinita viene eseguita automaticamente oppure viene mostrata per prima.
[Per esempi di script di configurazione del ciclo di vita, consulta l'archivio di esempi di Studio Classic Lifecycle Configuration. GitHub ](https://github.com/aws-samples/sagemaker-studio-lifecycle-config-examples) Per un blog sull'implementazione della configurazione del ciclo di vita, consulta Personalizza [Amazon SageMaker Studio Classic usando le configurazioni del ciclo di vita](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/).
**Nota**
Ogni script ha un limite di **16.384 caratteri**.
**Topics**
+ [Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker](studio-lcc-create.md)
+ [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md)
+ [Configurazioni del ciclo di vita di debug in Amazon Studio Classic SageMaker](studio-lcc-debug.md)
+ [Aggiorna e scollega le configurazioni del ciclo di vita in Amazon Studio Classic SageMaker](studio-lcc-delete.md)
# Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker
**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).
Amazon SageMaker AI fornisce applicazioni interattive che abilitano l'interfaccia visiva, la creazione di codice e l'esperienza di esecuzione di Studio Classic. Questa serie mostra come creare una configurazione del ciclo di vita e associarla a un SageMaker dominio AI.
I tipi di applicazione possono essere `JupyterServer` o `KernelGateway`.
+ **Applicazioni `JupyterServer`:** questo tipo di applicazioni consente l’accesso all’interfaccia visiva di Studio Classic. Ogni utente e spazio condiviso in Studio Classic dispone della propria applicazione. JupyterServer
+ **Applicazioni `KernelGateway`:** questo tipo di applicazioni consente l’accesso all’ambiente di esecuzione del codice e ai kernel per i notebook e i terminali Studio Classic. Per ulteriori informazioni, consulta [Jupyter Kernel Gateway](https://jupyter-kernel-gateway.readthedocs.io/en/latest/).
Per ulteriori informazioni sull'architettura di Studio Classic e sulle applicazioni Studio Classic, consulta [Usare Amazon SageMaker Studio Classic Notebooks](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html).
**Topics**
+ [Crea una configurazione del ciclo di vita da per AWS CLI Amazon Studio Classic SageMaker](studio-lcc-create-cli.md)
+ [Crea una configurazione del ciclo di vita dalla console SageMaker AI per Amazon Studio Classic SageMaker](studio-lcc-create-console.md)
# Crea una configurazione del ciclo di vita da per AWS CLI Amazon Studio Classic SageMaker
**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).
L'argomento seguente mostra come creare una configurazione del ciclo di vita utilizzando AWS CLI per automatizzare la personalizzazione dell'ambiente Studio Classic.
## Prerequisiti
Prima di iniziare, completa i seguenti prerequisiti:
+ AWS CLI Aggiornate il file 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'accesso al dominio SageMaker AI seguendo i passaggi indicati. [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.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 tuo computer locale, crea un file locale denominato `my-script.sh` con il seguente contenuto.
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. Converti il file `my-script.sh` in 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 Classic. Il comando seguente crea una configurazione del ciclo di vita che viene eseguita all'avvio di un'applicazione `KernelGateway` associata.
```
aws sagemaker create-studio-lifecycle-config \
--region region \
--studio-lifecycle-config-name my-studio-lcc \
--studio-lifecycle-config-content $LCC_CONTENT \
--studio-lifecycle-config-app-type KernelGateway
```
Prendi nota dell'ARN (nome della risorsa Amazon) della configurazione del ciclo di vita appena creata che viene restituito. L’ARN è richiesto per collegare la configurazione del ciclo di vita all'applicazione.
## Fase 2: collegamento della configurazione del ciclo di vita al proprio dominio, profilo utente o spazio condiviso
Per collegare la configurazione del ciclo di vita, devi aggiornare `UserSettings` del tuo dominio o profilo utente o `SpaceSettings` per uno spazio condiviso. 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, mentre gli script associati a livello di spazio condiviso sono limitati allo spazio condiviso.
Nell'esempio seguente viene illustrato come creare un nuovo profilo utente con la configurazione del ciclo di vita collegata. Puoi anche creare un nuovo dominio o spazio con una configurazione del ciclo di vita collegata utilizzando rispettivamente i comandi [create-domain](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-domain.html) e [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html).
Aggiungi l'ARN della configurazione del ciclo di vita della fase precedente alle impostazioni del tipo di app appropriato. Ad esempio, inseriscilo in `JupyterServerAppSettings` dell'utente. Puoi aggiungere più configurazioni del ciclo di vita contemporaneamente inoltrando un elenco di configurazioni del ciclo di vita. Quando un utente avvia un' JupyterServer applicazione con il AWS CLI, può passare una configurazione del ciclo di vita da utilizzare al posto di quella predefinita. La configurazione del ciclo di vita inoltrata dall'utente deve appartenere all'elenco delle configurazioni del ciclo di vita in `JupyterServerAppSettings`.
```
# Create a new UserProfile
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"JupyterServerAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
Nell'esempio seguente viene illustrato come aggiornare uno spazio condiviso esistente per collegare la configurazione del ciclo di vita. [È inoltre possibile aggiornare un dominio o un profilo utente esistente con una configurazione del ciclo di vita allegata utilizzando il comando update-domain o. [update-user-profile](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-user-profile.html)](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/update-domain.html) Quando aggiorni l'elenco delle configurazioni del ciclo di vita collegate, devi inoltrare tutte le configurazioni del ciclo di vita come parte dell'elenco. Se una configurazione del ciclo di vita non fa parte di questo elenco, non verrà collegata all'applicazione.
```
aws sagemaker update-space --domain-id domain-id \
--space-name space-name \
--region region \
--space-settings '{
"JupyterServerAppSettings": {
"LifecycleConfigArns":
[lifecycle-configuration-arn-list]
}
}'
```
Per informazioni sull'impostazione di una configurazione del ciclo di vita predefinita per una risorsa, consulta [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md).
## Fase 3: avvio dell'applicazione con configurazione del ciclo di vita
Dopo aver collegato una configurazione del ciclo di vita a un dominio, un profilo utente o uno spazio, l'utente può selezionarla all'avvio di un'applicazione con la AWS CLI. Questa sezione spiega come avviare un'applicazione con una configurazione del ciclo di vita collegata. Per informazioni sulla modifica della configurazione del ciclo di vita predefinita dopo l'avvio di un'applicazione, vedere. JupyterServer [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md)
Avvia il tipo di applicazione desiderato utilizzando il comando `create-app` e specifica l'ARN della configurazione del ciclo di vita nell'argomento `resource-spec`.
+ L'esempio seguente mostra come creare un’applicazione `JupyterServer` con una configurazione del ciclo di vita associata. Quando crei il `JupyterServer`, il `app-name` deve essere `default`. La configurazione del ciclo di vita ARN passata come parte del `resource-spec` parametro deve far parte dell'elenco delle configurazioni del ciclo di vita ARNs specificate in `UserSettings` per il dominio o il profilo utente o per uno spazio condiviso. `SpaceSettings`
```
aws sagemaker create-app --domain-id domain-id \
--region region \
--user-profile-name user-profile-name \
--app-type JupyterServer \
--resource-spec LifecycleConfigArn=lifecycle-configuration-arn \
--app-name default
```
+ L'esempio seguente mostra come creare un’applicazione `KernelGateway` con una configurazione del ciclo di vita associata.
```
aws sagemaker create-app --domain-id domain-id \
--region region \
--user-profile-name user-profile-name \
--app-type KernelGateway \
--resource-spec LifecycleConfigArn=lifecycle-configuration-arn,SageMakerImageArn=sagemaker-image-arn,InstanceType=instance-type \
--app-name app-name
```
# Crea una configurazione del ciclo di vita dalla console SageMaker AI per Amazon Studio Classic SageMaker
**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).
L'argomento seguente mostra come creare una configurazione del ciclo di vita dalla console Amazon SageMaker AI per automatizzare la personalizzazione per il tuo ambiente Studio Classic.
## Prerequisiti
Prima di procedere con questo tutorial, completa i prerequisiti descritti di seguito:
+ Effettua il login su Amazon SageMaker Studio Classic. Per ulteriori informazioni, consulta [Onboard to Amazon SageMaker Studio Classic](https://docs.aws.amazon.com/sagemaker/latest/dg/gs-studio-onboard.html).
## Fase 1: creazione di una nuova configurazione del ciclo di vita
Puoi creare una configurazione del ciclo di vita inserendo uno script dalla console Amazon SageMaker AI.
**Nota**
Ogni script può contenere un massimo di **16.384 caratteri.**
La procedura seguente mostra come creare uno script di configurazione del ciclo di vita che stampa `Hello World`.
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 **Studio**.
1. Scegli **Crea configurazione**.
1. In **Seleziona il tipo di configurazione**, seleziona il tipo di applicazione a cui collegare la configurazione del ciclo di vita. Per ulteriori informazioni sulla scelta dell'applicazione a cui collegare la configurazione del ciclo di vita, consulta [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md).
1. Scegli **Next (Successivo)**.
1. Nella sezione denominata **Impostazioni di configurazione**, inserisci un nome per la configurazione del ciclo di vita.
1. Nella sezione **Script**, inserisci il seguente contenuto.
```
#!/bin/bash
set -eux
echo 'Hello World!'
```
1. (Facoltativo) Crea un tag per la configurazione del ciclo di vita.
1. Seleziona **Invia**.
## Fase 2: collegamento della configurazione del ciclo di vita al un dominio o a un 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 entrambe le JupyterServer applicazioni. KernelGateway
**Nota**
Per collegare una configurazione del ciclo di vita a uno spazio condiviso, è necessario utilizzare la AWS CLI. Per ulteriori informazioni, consulta [Crea una configurazione del ciclo di vita da per AWS CLI Amazon Studio Classic SageMaker](studio-lcc-create-cli.md).
Le sezioni seguenti spiegano come collegare una configurazione del ciclo di vita al proprio dominio o profilo utente.
### Collegamento a un dominio
Di seguito viene illustrato come collegare una configurazione del ciclo di vita al dominio esistente dalla console AI. SageMaker
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**.
### Collegamento al proprio profilo utente
Di seguito viene illustrato come collegare una configurazione del ciclo di vita al proprio profilo utente esistente.
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**.
## Fase 3: avvio di un’applicazione con la configurazione del ciclo di vita
Dopo aver collegato una configurazione del ciclo di vita a un dominio o a un profilo utente, puoi avviare un'applicazione con quella configurazione del ciclo di vita collegata. La scelta della configurazione del ciclo di vita da avviare dipende dal tipo di applicazione.
+ **JupyterServer**: Quando avvia un' JupyterServerapplicazione dalla console, l' SageMaker intelligenza artificiale utilizza sempre la configurazione predefinita del ciclo di vita. Non è possibile utilizzare una configurazione del ciclo di vita diversa quando si avvia dalla console. Per informazioni sulla modifica della configurazione del ciclo di vita predefinita dopo l'avvio di un'applicazione, consulta. JupyterServer [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md)
Per selezionare un’altra configurazione del ciclo di vita collegata, devi eseguire l’avvio con AWS CLI. Per ulteriori informazioni sull'avvio di un' JupyterServer applicazione con una configurazione del ciclo di vita associata da, vedere. AWS CLI[Crea una configurazione del ciclo di vita da per AWS CLI Amazon Studio Classic SageMaker](studio-lcc-create-cli.md)
+ **KernelGateway**: È possibile selezionare una qualsiasi delle configurazioni del ciclo di vita allegate all'avvio di un' KernelGateway applicazione utilizzando Studio Classic Launcher.
La procedura seguente descrive come avviare un' KernelGateway applicazione con una configurazione del ciclo di vita collegata dalla console AI. SageMaker
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Avvia Studio Classic. Per ulteriori informazioni, consulta [Avvia Amazon SageMaker Studio Classic](studio-launch.md).
1. Nell’interfaccia utente di Studio Classic, apri l’utilità di avvio di Studio Classic. Per ulteriori informazioni, consulta [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md).
1. Nell’utilità di avvio di Studio Classic, vai alla sezione **Notebook e risorse di calcolo**.
1. Fai clic sul tasto **Cambia ambiente**.
1. Nella finestra di dialogo **Cambia ambiente**, usa i menu a discesa per selezionare **immagine**, **kernel**, **tipo di istanza** e **script di avvio**. Se non esiste una configurazione predefinita del ciclo di vita, il valore dello **script di avvio** predefinito è `No script`. Altrimenti, il valore dello **script di avvio** è la configurazione del ciclo di vita predefinita. Dopo aver selezionato una configurazione del ciclo di vita, puoi visualizzare l'intero script.
1. Fai clic su **Seleziona**.
1. Tornando all’utilità di avvio, fai clic su **Crea notebook** per avviare un nuovo kernel del notebook con l'immagine e la configurazione del ciclo di vita selezionate.
## Fase 4: visualizzazione dei log di una configurazione del ciclo di vita
Puoi visualizzare i log relativi alla configurazione del ciclo di vita dopo averla collegata a un dominio o a un profilo utente.
1. Innanzitutto, fornisci l'accesso CloudWatch al tuo ruolo AWS Identity and Access Management (IAM). Aggiungi le autorizzazioni di lettura per i seguenti gruppo di log e flusso di log.
+ **Gruppo di log:**`/aws/sagemaker/studio`
+ **Flusso di log:**`domain/user-profile/app-type/app-name/LifecycleConfigOnStart`
Per informazioni sull'aggiunta di autorizzazioni, consulta [Abilitazione della registrazione da determinati AWS servizi](https://docs.aws.amazon.com/AmazonCloudWatch/latest/logs/AWS-logs-and-resource-policy.html).
1. Da Studio Classic, vai all’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)) per monitorare la configurazione del ciclo di vita.
1. Seleziona un'applicazione dall'elenco delle applicazioni in esecuzione. Le applicazioni con configurazioni del ciclo di vita collegate hanno un'icona indicatore ![\[Code brackets symbol representing programming or markup languages.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/studio-lcc-indicator-icon.png)collegata.
1. Seleziona l'icona indicatore per la tua applicazione. Si aprirà un nuovo pannello su cui verrà visualizzata la configurazione del ciclo di vita.
1. Dal nuovo pannello, seleziona `View logs`. Si aprirà una nuova scheda su cui verranno visualizzati i log.
# Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker
**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).
Sebbene sia possibile allegare più script di configurazione del ciclo di vita a una singola risorsa, è possibile impostare solo una configurazione del ciclo di vita predefinita per ciascuna applicazione. JupyterServer KernelGateway Il comportamento della configurazione del ciclo di vita predefinita dipende dal fatto che sia impostata per o app. JupyterServer KernelGateway
+ **JupyterServer app:** se impostato come script di configurazione del ciclo di vita predefinito per JupyterServer le app, lo script di configurazione del ciclo di vita viene eseguito automaticamente quando l'utente accede a Studio Classic per la prima volta o riavvia Studio Classic. Utilizza questa configurazione predefinita del ciclo di vita per automatizzare le azioni di configurazione una tantum per l'ambiente di sviluppo Studio Classic, come l'installazione di estensioni per notebook o la configurazione di un repository. GitHub Per un esempio di ciò, consulta [Personalizzare Amazon SageMaker Studio utilizzando le configurazioni del ciclo](https://aws.amazon.com/blogs/machine-learning/customize-amazon-sagemaker-studio-using-lifecycle-configurations/) di vita.
+ **KernelGateway app:** se impostato come script di configurazione del ciclo di vita predefinito per KernelGateway le app, la configurazione del ciclo di vita viene selezionata per impostazione predefinita nel launcher di Studio Classic. Gli utenti possono avviare un notebook o un terminale con lo script predefinito selezionato oppure selezionarne uno diverso dall'elenco delle configurazioni del ciclo di vita.
SageMaker L'intelligenza artificiale supporta l'impostazione di una configurazione del ciclo di vita predefinita per le seguenti risorse:
+ Domini
+ Profili utente
+ Spazi condivisi
Sebbene i domini e i profili utente supportino l'impostazione di una configurazione del ciclo di vita predefinita sia dalla console Amazon SageMaker AI che dagli spazi condivisi supportano solo l'impostazione di una configurazione del ciclo di vita predefinita da. AWS Command Line Interface AWS CLI
Puoi impostare una configurazione del ciclo di vita come predefinita quando crei una nuova risorsa o aggiorni una risorsa esistente. I seguenti argomenti mostrano come impostare una configurazione del ciclo di vita predefinita utilizzando la console AI e. SageMaker AWS CLI
## Ereditarietà della configurazione del ciclo di vita
Le configurazioni del ciclo di vita predefinite impostate a livello di *dominio* vengono ereditate da tutti gli utenti e da tutti gli spazi condivisi. Le configurazioni del ciclo di vita predefinite impostate a livello di *utente* e *spazio condiviso* sono limitate a quell'utente o a quello spazio condiviso. Le impostazioni predefinite per utente e spazio hanno la precedenza su quelle impostate a livello di dominio.
Un set di configurazione KernelGateway del ciclo di vita predefinito per un dominio si applica a tutte le KernelGateway applicazioni avviate nel dominio. A meno che l’utente non selezioni una configurazione del ciclo di vita diversa dall’elenco presente nell’utilità di avvio di Studio Classic, viene applicata la configurazione del ciclo di vita predefinita. Lo script predefinito viene eseguito anche se `No Script` è selezionato dall'utente. Per ulteriori informazioni su come selezionare uno script, consulta [Fase 3: avvio di un’applicazione con la configurazione del ciclo di vita](studio-lcc-create-console.md#studio-lcc-create-console-step3).
**Topics**
+ [Ereditarietà della configurazione del ciclo di vita](#studio-lcc-defaults-inheritance)
+ [Imposta i valori predefiniti da per AWS CLI Amazon Studio Classic SageMaker](studio-lcc-defaults-cli.md)
+ [Imposta i valori predefiniti dalla console SageMaker AI per Amazon Studio Classic SageMaker](studio-lcc-defaults-console.md)
# Imposta i valori predefiniti da per AWS CLI Amazon Studio Classic SageMaker
**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).
È possibile impostare gli script di configurazione del ciclo di vita predefiniti dalle seguenti AWS CLI risorse:
+ Domini
+ Profili utente
+ Spazi condivisi
Le sezioni seguenti spiegano come impostare gli script di configurazione del ciclo di vita predefiniti dalla AWS CLI.
**Topics**
+ [Prerequisiti](#studio-lcc-defaults-cli-prereq)
+ [Impostazione di una configurazione del ciclo di vita predefinita quando si crea una nuova risorsa](#studio-lcc-defaults-cli-new)
+ [Impostazione di una configurazione del ciclo di vita predefinita per una risorsa esistente](#studio-lcc-defaults-cli-existing)
## Prerequisiti
Prima di iniziare, completa i seguenti prerequisiti:
+ AWS CLI Aggiornate il file seguendo la procedura descritta in [Installazione della](https://docs.aws.amazon.com/cli/latest/userguide/install-cliv1.html#install-tool-bundled) 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'accesso al dominio SageMaker AI seguendo i passaggi indicati. [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md)
+ Crea una configurazione del ciclo di vita seguendo le fasi descritte in [Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker](studio-lcc-create.md).
## Impostazione di una configurazione del ciclo di vita predefinita quando si crea una nuova risorsa
Per impostare una configurazione del ciclo di vita predefinita durante la creazione di un nuovo dominio, profilo utente o spazio, passa l'ARN della configurazione del ciclo di vita precedentemente creata come parte di uno dei seguenti comandi: AWS CLI
+ [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/opensearch/create-domain.html)
+ [create-space](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/sagemaker/create-space.html)
È necessario passare l'ARN di configurazione del ciclo di vita per i seguenti valori nelle impostazioni o predefinite: KernelGateway JupyterServer
+ `DefaultResourceSpec`:`LifecycleConfigArn`: specifica la configurazione del ciclo di vita predefinita per il tipo di applicazione.
+ `LifecycleConfigArns`: è l'elenco di tutte le configurazioni del ciclo di vita collegate al tipo di applicazione. Anche la configurazione del ciclo di vita predefinita deve far parte di questo elenco.
Ad esempio, la seguente chiamata API crea un nuovo profilo utente con una configurazione del ciclo di vita predefinita.
```
aws sagemaker create-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"KernelGatewayAppSettings": {
"DefaultResourceSpec": {
"InstanceType": "ml.t3.medium",
"LifecycleConfigArn": "lifecycle-configuration-arn"
},
"LifecycleConfigArns": [lifecycle-configuration-arn-list]
}
}'
```
## Impostazione di una configurazione del ciclo di vita predefinita per una risorsa esistente
Per impostare o aggiornare la configurazione del ciclo di vita predefinita per una risorsa esistente, passa l'ARN della configurazione del ciclo di vita precedentemente creata come parte di uno dei seguenti comandi: AWS CLI
+ [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)
È necessario passare l'ARN di configurazione del ciclo di vita per i seguenti valori nelle impostazioni o predefinite: KernelGateway JupyterServer
+ `DefaultResourceSpec`:`LifecycleConfigArn`: specifica la configurazione del ciclo di vita predefinita per il tipo di applicazione.
+ `LifecycleConfigArns`: è l'elenco di tutte le configurazioni del ciclo di vita collegate al tipo di applicazione. Anche la configurazione del ciclo di vita predefinita deve far parte di questo elenco.
Ad esempio, la seguente chiamata API aggiorna un nuovo profilo utente con una configurazione del ciclo di vita predefinita.
```
aws sagemaker update-user-profile --domain-id domain-id \
--user-profile-name user-profile-name \
--region region \
--user-settings '{
"KernelGatewayAppSettings": {
"DefaultResourceSpec": {
"InstanceType": "ml.t3.medium",
"LifecycleConfigArn": "lifecycle-configuration-arn"
},
"LifecycleConfigArns": [lifecycle-configuration-arn-list]
}
}'
```
La seguente chiamata API aggiorna un dominio per impostare una nuova configurazione del ciclo di vita predefinita.
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"JupyterServerAppSettings": {
"DefaultResourceSpec": {
"InstanceType": "system",
"LifecycleConfigArn": "lifecycle-configuration-arn"
},
"LifecycleConfigArns": [lifecycle-configuration-arn-list]
}
}'
```
# Imposta i valori predefiniti dalla console SageMaker AI per Amazon Studio Classic SageMaker
**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 impostare script di configurazione del ciclo di vita predefiniti dalla console SageMaker AI per le seguenti risorse.
+ Domini
+ Profili utente
Non è possibile impostare script di configurazione del ciclo di vita predefiniti per gli spazi condivisi dalla console AI. SageMaker Per informazioni su come impostare i valori predefiniti per gli spazi condivisi, consulta [Imposta i valori predefiniti da per AWS CLI Amazon Studio Classic SageMaker](studio-lcc-defaults-cli.md).
Le sezioni seguenti descrivono come impostare gli script di configurazione del ciclo di vita predefiniti dalla console AI. SageMaker
**Topics**
+ [Prerequisiti](#studio-lcc-defaults-cli-prerequisites)
+ [Impostazione di una configurazione del ciclo di vita predefinita per un dominio](#studio-lcc-defaults-cli-domain)
+ [Impostazione di una configurazione del ciclo di vita predefinita per un profilo utente](#studio-lcc-defaults-cli-user-profile)
## Prerequisiti
Prima di iniziare, completa i seguenti prerequisiti:
+ Effettua l'accesso al dominio SageMaker AI seguendo i passaggi indicati. [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md)
+ Crea una configurazione del ciclo di vita seguendo le fasi descritte in [Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker](studio-lcc-create.md).
## Impostazione di una configurazione del ciclo di vita predefinita per un dominio
La procedura seguente mostra come impostare una configurazione del ciclo di vita predefinita per un dominio dalla SageMaker console AI.
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Dall'elenco dei domini, seleziona il nome del dominio per cui impostare la configurazione del ciclo di vita.
1. Da **Dettagli del dominio**, seleziona la scheda **Ambiente**.
1. In **Lifecycle configurations for personal Studio apps**, seleziona la configurazione del ciclo di vita che desideri impostare come predefinita per il dominio. Puoi impostare impostazioni predefinite JupyterServer e KernelGateway applicazioni distinte.
1. Scegli **Imposta come predefinito**. Si apre una finestra pop-up che elenca le impostazioni predefinite correnti per e le applicazioni. JupyterServer KernelGateway
1. Scegli **Imposta come predefinito** per impostare la configurazione del ciclo di vita come predefinita per il rispettivo tipo di applicazione.
## Impostazione di una configurazione del ciclo di vita predefinita per un profilo utente
La procedura seguente mostra come impostare una configurazione del ciclo di vita predefinita per un profilo utente dalla console AI. SageMaker
1. Apri la console Amazon SageMaker AI all'indirizzo [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Dall'elenco dei domini, seleziona il nome del dominio che contiene il profilo utente per cui desideri impostare la configurazione del ciclo di vita predefinita.
1. Da **Dettagli del dominio**, seleziona la scheda **Profilo utente**.
1. Seleziona il nome del profilo utente per cui impostare la configurazione del ciclo di vita predefinita. Si aprirà una pagina denominata **Dettagli utente**.
1. Nella pagina **Dettagli utente** seleziona **Modifica**. Si aprirà una pagina denominata **Modifica profilo utente**.
1. Dalla pagina **Modifica profilo utente**, scegli **Impostazioni Studio fase 2**.
1. In **Lifecycle configurations attached to user**, seleziona la configurazione del ciclo di vita che desideri impostare come predefinita per il profilo utente. Puoi impostare impostazioni predefinite JupyterServer e KernelGateway applicazioni distinte.
1. Scegli **Imposta come predefinito**. Si apre una finestra pop-up che elenca le impostazioni predefinite correnti per e le applicazioni. JupyterServer KernelGateway
1. Scegli **Imposta come predefinito** per impostare la configurazione del ciclo di vita come predefinita per il rispettivo tipo di applicazione.
# Configurazioni del ciclo di vita di debug in Amazon Studio Classic SageMaker
**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 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](#studio-lcc-debug-logs)
+ [JupyterServer errore dell'app](#studio-lcc-debug-jupyterserver)
+ [KernelGateway errore dell'app](#studio-lcc-debug-kernel)
+ [Timeout della configurazione del ciclo di vita](#studio-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. Scegli **Log** dal lato sinistro. 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 un'app specifica, cerca nei flussi di log utilizzando il seguente formato:
```
domain-id/space-name/app-type/default/LifecycleConfigOnStart
```
Ad esempio, per trovare i log della configurazione del ciclo di vita per il dominio `d-m85lcu8vbqmz`, il nome dello spazio `i-sonic-js` e il tipo di applicazione `JupyterLab`, utilizza la seguente stringa di ricerca:
```
d-m85lcu8vbqmz/i-sonic-js/JupyterLab/default/LifecycleConfigOnStart
```
## JupyterServer errore dell'app
Se JupyterServer l'app si blocca a causa di un problema con la configurazione del ciclo di vita allegata, Studio Classic visualizza il seguente messaggio di errore nella schermata di avvio di Studio Classic.
```
Failed to create SageMaker Studio due to start-up script failure
```
Seleziona il `View script logs` link per visualizzare i CloudWatch log dell'app. JupyterServer
Nel caso in cui la configurazione del ciclo di vita difettosa sia specificata in `DefaultResourceSpec` del dominio, del profilo utente o dello spazio condiviso, Studio Classic continua a utilizzare la configurazione del ciclo di vita anche dopo il riavvio di Studio Classic.
Per risolvere questo errore, segui le fasi descritte in [Imposta le configurazioni predefinite del ciclo di vita per Amazon Studio Classic SageMaker](studio-lcc-defaults.md) per rimuovere lo script di configurazione del ciclo di vita da `DefaultResourceSpec` o imposta un altro script come predefinito. Quindi avvia una nuova JupyterServer app.
## KernelGateway errore dell'app
Se KernelGateway l'app si blocca a causa di un problema con la configurazione del ciclo di vita allegata, Studio Classic visualizza il messaggio di errore nel notebook Studio Classic.
Scegli `View script logs` di visualizzare i CloudWatch log della tua app. KernelGateway
In questo caso, la configurazione del ciclo di vita viene specificata nell’utilità di avvio di Studio Classic all’avvio di un nuovo notebook Studio Classic.
Per risolvere questo errore, utilizza l’utilità di avvio di Studio Classic per selezionare un’altra configurazione del ciclo di vita o seleziona `No script`.
**Nota**
La configurazione KernelGateway del ciclo di vita predefinita specificata in `DefaultResourceSpec` si applica a tutte le KernelGateway immagini nel dominio, nel profilo utente o nello spazio condiviso, a meno che l'utente non selezioni uno script diverso dall'elenco presentato nel programma di avvio di Studio Classic. Lo script predefinito viene eseguito anche se `No Script` è selezionato dall'utente. Per ulteriori informazioni su come selezionare uno script, consulta [Fase 3: avvio di un’applicazione con la configurazione del ciclo di vita](studio-lcc-create-console.md#studio-lcc-create-console-step3).
## 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, Studio Classic genera un errore.
Per risolvere questo errore, assicurati che lo script di configurazione del ciclo di vita venga completato in meno di 5 minuti.
Per ridurre il tempo di esecuzione degli script, prova a:
+ Eliminare le fasi non necessarie. Ad esempio, limita gli ambienti conda in cui installare pacchetti di grandi dimensioni.
+ Esegui le attività in processi paralleli.
+ Utilizza il comando `nohup` nel tuo script per assicurarti che i segnali di arresto vengano ignorati e non interrompano l'esecuzione dello script.
# Aggiorna e scollega le configurazioni del ciclo di vita in Amazon Studio Classic SageMaker
**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).
Uno script di configurazione del ciclo di vita non può essere modificato dopo che è stato creato. Per aggiornare lo script, devi creare un nuovo script di configurazione del ciclo di vita e collegarlo al rispettivo dominio, profilo utente o spazio condiviso. Per ulteriori informazioni su come creare e collegare la configurazione del ciclo di vita, consulta [Crea e associa una configurazione del ciclo di vita con Amazon Studio Classic SageMaker](studio-lcc-create.md).
L'argomento seguente mostra come scollegare una configurazione del ciclo di vita utilizzando la console e AI. AWS CLI SageMaker
**Topics**
+ [Prerequisiti](#studio-lcc-delete-pre)
+ [Staccare utilizzando il AWS CLI](#studio-lcc-delete-cli)
## Prerequisiti
Prima di scollegare una configurazione del ciclo di vita, completa i seguenti prerequisiti.
+ Per scollegare correttamente una configurazione del ciclo di vita, nessuna applicazione in esecuzione deve utilizzare la configurazione del ciclo di vita. Come prima cosa, devi chiudere le applicazioni in esecuzione come illustrato in [Chiudi e aggiorna Amazon SageMaker Studio Classic e le app](studio-tasks-update.md).
## Staccare utilizzando il AWS CLI
Per scollegare una configurazione del ciclo di vita utilizzando il AWS CLI, rimuovete la configurazione del ciclo di vita desiderata dall'elenco delle configurazioni del ciclo di vita allegate alla risorsa e passate 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 collegate al dominio. KernelGateways
```
aws sagemaker update-domain --domain-id domain-id \
--region region \
--default-user-settings '{
"KernelGatewayAppSettings": {
"LifecycleConfigArns":
[]
}
}'
```
# Allega repository Git consigliati ad 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).
Amazon SageMaker Studio Classic offre un'estensione Git che ti consente di inserire l'URL di un repository Git (repo), clonarlo nel tuo ambiente, inviare modifiche e visualizzare la cronologia dei commit. Oltre a questa estensione Git, puoi anche allegare un repository Git consigliato URLs a livello di dominio Amazon SageMaker AI o profilo utente. Quindi, puoi selezionare l’URL del repository dall’elenco dei suggerimenti e clonarlo nel tuo ambiente utilizzando l’estensione Git in Studio Classic.
I seguenti argomenti mostrano come collegare il repository Git URLs a un dominio o a un profilo utente dalla AWS CLI console SageMaker AI. Imparerai anche come scollegare questi repository. URLs
**Topics**
+ [Collega un repository Git da AWS CLI per Amazon SageMaker Studio Classic](studio-git-attach-cli.md)
+ [Collega un repository Git dalla console SageMaker AI per Amazon SageMaker Studio Classic](studio-git-attach-console.md)
+ [Scollegare i repository Git da Amazon Studio Classic SageMaker](studio-git-detach.md)
# Collega un repository Git da AWS CLI per 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).
L'argomento seguente mostra come allegare l'URL di un repository Git utilizzando AWS CLI, in modo che Amazon SageMaker Studio Classic lo suggerisca automaticamente per la clonazione. Dopo aver collegato l'URL repository Git, puoi clonarlo seguendo le fasi descritte in [Clona un repository Git in Amazon Studio Classic SageMaker](studio-tasks-git.md).
## Prerequisiti
Prima di iniziare, completa i seguenti prerequisiti:
+ Aggiorna il AWS CLI seguendo i passaggi descritti in [Installazione della versione AWS CLI corrente](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](https://docs.aws.amazon.com/general/latest/gr/aws-sec-cred-types.html) credenziali.
+ Effettua l'onboard nel dominio Amazon SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Collegamento del repository Git a un dominio o a un profilo utente
I repository Git URLs 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 allegare più repository Git URLs a un dominio o a un profilo utente passando un elenco di repository URLs.
Le sezioni seguenti mostrano come collegare un URL dei repository Git al dominio e al profilo utente.
### Collegamento a un dominio
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 JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
### Collegamento a un profilo utente
L'esempio seguente mostra come collegare un URL repository Git a un profilo utente esistente.
```
aws sagemaker update-user-profile --domain-id domain-id --user-profile-name user-name\
--user-settings JupyterServerAppSettings={CodeRepositories=[{RepositoryUrl="repository"}]}
```
# Collega un repository Git dalla console SageMaker AI per 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).
L'argomento seguente mostra come associare un URL di repository Git dalla console Amazon SageMaker AI per clonarlo nel tuo ambiente Studio Classic. Dopo aver associato l'URL repository Git, puoi clonarlo seguendo le fasi descritte in [Clona un repository Git in Amazon Studio Classic SageMaker](studio-tasks-git.md).
## Prerequisiti
Prima di iniziare questo tutorial, devi effettuare l'onboarding del dominio Amazon SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md).
## Collegamento del repository Git a un dominio o a un profilo utente
I repository Git URLs associati a livello di dominio vengono ereditati da tutti gli utenti. Tuttavia, gli URL repository Git associati a livello di profilo utente sono limitati a un utente specifico.
Le sezioni seguenti mostrano come collegare un URL dei repository Git a un dominio e a un profilo utente.
### Collegamento a un dominio
**Per collegare un URL dei repository Git a un dominio esistente**
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. Seleziona il dominio a cui collegare il repository Git.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Ambiente**.
1. Nella scheda **Suggested code repositories for the domain**, scegli **Collega**.
1. In **Origine**, inserisci l'URL repository Git.
1. Seleziona **Collega al dominio**.
### Collegamento a un profilo utente
L'esempio seguente mostra come collegare un URL repository Git a un profilo utente esistente.
**Per collegare un URL repository Git 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. Seleziona il dominio che include il profilo utente a cui collegare il repository Git.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Profili utente**.
1. Seleziona il profilo utente a cui collegare l'URL repository Git.
1. Nella pagina **Dettagli utente**, scegli **Modifica**.
1. Nella pagina **Impostazioni di Studio**, scegli **Collega** dalla sezione **Suggested code repositories for the user**.
1. In **Origine**, inserisci l'URL repository Git.
1. Scegli **Collega all'utente**.
# Scollegare i repository Git da Amazon Studio Classic SageMaker
**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 guida mostra come scollegare l'archivio Git URLs da un dominio o profilo utente Amazon SageMaker AI utilizzando la console AWS CLI Amazon SageMaker AI.
**Topics**
+ [Stacca un repository Git usando il AWS CLI](#studio-git-detach-cli)
+ [Scollega il repository Git usando la SageMaker console AI](#studio-git-detach-console)
## 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 `JupyterServerAppSettings` 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. Questa sezione mostra come scollegare tutti i repository Git URLs dal tuo dominio o profilo utente usando AWS Command Line Interface ()AWS CLI.
### Scollegamento da un dominio
Il comando seguente scollega tutti i repository Git URLs da un dominio.
```
aws sagemaker update-domain --region region --domain-name domain-name \
--domain-settings JupyterServerAppSettings={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 JupyterServerAppSettings={CodeRepositories=[]}
```
## Scollega il repository Git usando la SageMaker console AI
Le seguenti sezioni mostrano come scollegare un URL del repository Git da un dominio o da un profilo utente utilizzando la console SageMaker AI.
### Scollegamento da un dominio
Utilizza le fasi seguenti per scollegare un URL dei repository Git da un dominio esistente.
**Per scollegare un URL dei repository Git da un dominio esistente**
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. Seleziona il dominio con l’URL dei repository Git che desideri scollegare.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Ambiente**.
1. Nella scheda **Repository di codice suggeriti per il dominio**, seleziona l'URL repository Git da scollegare.
1. Seleziona **Scollega**.
1. Nella nuova finestra, scegli **Scollega**.
### Scollegamento da un profilo utente
Utilizza le fasi seguenti per scollegare un URL repository Git da un profilo utente.
**Per scollegare un URL repository Git da 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. Seleziona il dominio che include il profilo utente con l’URL dei repository Git che desideri scollegare.
1. Nella pagina **Dettagli del dominio**, seleziona la scheda **Profili utente**.
1. Seleziona il profilo utente con l'URL repository Git che desideri scollegare.
1. Nella pagina **Dettagli utente**, scegli **Modifica**.
1. Nella pagina **Impostazioni di Studio**, seleziona l'URL repository Git da scollegare dalla scheda **Repository di codice suggeriti per l’utente**.
1. Seleziona **Scollega**.
1. Nella nuova finestra, scegli **Scollega**.
# Esegui attività comuni 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).
Le seguenti sezioni descrivono come eseguire attività comuni in Amazon SageMaker Studio Classic. Per una panoramica dell’interfaccia di Studio Classic, consulta [Panoramica dell'interfaccia utente di Amazon SageMaker Studio Classic](studio-ui.md).
**Topics**
+ [Caricare file su Amazon SageMaker Studio Classic](studio-tasks-files.md)
+ [Clona un repository Git in Amazon Studio Classic SageMaker](studio-tasks-git.md)
+ [Interrompi un corso di formazione in Amazon SageMaker Studio Classic](studio-tasks-stop-training-job.md)
+ [Utilizzo TensorBoard in Amazon SageMaker Studio Classic](studio-tensorboard.md)
+ [Usa Amazon Q Developer con Amazon SageMaker Studio Classic](sm-q.md)
+ [Gestisci il tuo volume di storage Amazon EFS in Amazon SageMaker Studio Classic](studio-tasks-manage-storage.md)
+ [Fornisci feedback su Amazon SageMaker Studio Classic](studio-tasks-provide-feedback.md)
+ [Chiudi e aggiorna Amazon SageMaker Studio Classic e le app](studio-tasks-update.md)
# Caricare file su 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).
Quando effettui l'onboarding su Amazon SageMaker Studio Classic, viene creata per te una home directory nel volume Amazon Elastic File System (Amazon EFS) creato per il tuo team. Studio Classic può aprire solo i file che sono stati caricati nella tua directory. Il browser di file di Studio Classic esegue la mappatura alla home directory.
**Nota**
Studio Classic non supporta il caricamento di cartelle. Sebbene sia possibile caricare solo singoli file, puoi caricare più file contemporaneamente.
**Per caricare i file nella home directory**
1. Nella barra laterale sinistra, selezionare 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)).
1. Nel browser di file, scegli l’icona **Carica file** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/File_upload_squid.png)).
1. Seleziona i file da caricare, quindi scegli **Apri**.
1. Fai doppio clic su un file per aprirlo in una nuova scheda in Studio Classic.
# Clona un repository Git in Amazon Studio Classic SageMaker
**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).
Amazon SageMaker Studio Classic può connettersi solo a un repository Git locale (repo). Ciò significa che devi clonare il repository Git dall’interno di Studio Classic per accedere ai file nel repository. Studio Classic 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, ti viene richiesto di inserire le credenziali utente. Ciò include 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 Classic. Per ulteriori informazioni sul collegamento di repository suggeriti, consulta [Allega repository Git consigliati ad Amazon SageMaker Studio Classic](studio-git-attach.md).
La procedura seguente mostra come clonare un GitHub repository da Studio Classic.
**Per clonare il repository**
1. Nella barra laterale sinistra, scegliere l'icona **Git** (![\[Black square icon representing a placeholder or empty image.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/git.png)).
1. Scegli **Clona un repository**. Si apre una nuova finestra.
1. Nella finestra **Clona un repository Git**, inserisci l'URL nel seguente formato per il repository Git che desideri clonare o seleziona un repository dall'elenco di **Repository suggeriti**.
```
https://github.com/path-to-git-repo/repo.git
```
1. Se hai inserito manualmente l'URL del repository Git, seleziona **Clone "*git-url*"** dal menu a discesa.
1. In **Directory del progetto in cui clonare**, inserisci il percorso della directory locale in cui vuoi clonare il repository Git. Se questo valore viene lasciato vuoto, Studio Classic clona il repository nella directory principale. JupyterLab
1. Seleziona **Clona**. Si apre una nuova finestra di terminale.
1. Se il repository richiede credenziali, ti viene richiesto di inserire il tuo nome utente e il token di accesso personale. Non si accettano password, pertanto devi utilizzare un 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).
1. Attendi la fine del download. Dopo la clonazione del repository, si apre il **Browser di file** per visualizzare il repository clonato.
1. Fare doppio clic sul repository per aprirlo.
1. Scegli l'icona **Git** per visualizzare l'interfaccia utente di Git che ora tiene traccia del repository.
1. Per tenere traccia di un repository diverso, apri il repository nel browser di file e poi scegli l'icona **Git**.
# Interrompi un corso di formazione 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).
Puoi interrompere un processo di formazione con l'interfaccia utente di Amazon SageMaker Studio Classic. Quando interrompi un processo di addestramento, il suo stato cambia in `Stopping` e la fatturazione cessa. Un algoritmo può ritardare la fine per salvare gli artefatti del modello dopo i quali lo stato del lavoro cambia in `Stopped`. Per ulteriori informazioni, consulta il metodo [stop\$1training\$1job](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.stop_training_job) in AWS SDK per Python (Boto3).
**Per interrompere un processo di addestramento**
1. Seguire la procedura [Visualizzare esperimenti ed esecuzioni](experiments-view-compare.md) su questa pagina fino ad aprire la scheda **Descrivi componente di prova** .
1. Nella parte in alto a destra della scheda, scegliere **Interrompi processo di addestramento**. Lo **stato** in alto a sinistra della scheda cambia in **Interrotto**.
1. Per visualizzare il tempo di addestramento e il tempo di fatturazione, scegli **Impostazioni AWS **.
# Utilizzo TensorBoard 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).
Il seguente documento descrive come installare ed eseguire TensorBoard Amazon SageMaker Studio Classic.
**Nota**
Questa guida mostra come aprire l' TensorBoard applicazione tramite un server notebook SageMaker Studio Classic di un profilo utente di un dominio SageMaker AI individuale. Per un' TensorBoard esperienza più completa integrata con SageMaker Training e le funzionalità di controllo degli accessi del dominio SageMaker AI, consulta[TensorBoard in Amazon SageMaker AI](tensorboard-on-sagemaker.md).
## Prerequisiti
Questo tutorial richiede un dominio SageMaker AI. Per ulteriori informazioni, consulta [Panoramica del dominio Amazon SageMaker AI](gs-studio-onboard.md)
## Configurazione di `TensorBoardCallback`
1. Avvia Studio Classic e apri l’utilità di avvio. Per ulteriori informazioni, consulta [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
1. In Amazon SageMaker Studio Classic Launcher, sotto`Notebooks and compute resources`, scegli il pulsante **Cambia ambiente**.
1. Nella finestra di dialogo **Cambia ambiente**, utilizza i menu a discesa per selezionare l’**immagine** `TensorFlow 2.6 Python 3.8 CPU Optimized` di Studio Classic.
1. Tornando all'utilità di avvio, fai clic sul riquadro **Crea notebook**. Studio Classic avvia e apre il notebook in una nuova scheda.
1. Esegui questo codice dall'interno delle celle del tuo notebook.
1. Importa i pacchetti richiesti.
```
import os
import datetime
import tensorflow as tf
```
1. Crea un modello Keras.
```
mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
def create_model():
return tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(512, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])
```
1. Crea una directory per i tuoi log TensorBoard
```
LOG_DIR = os.path.join(os.getcwd(), "logs/fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
```
1. Esegui l'allenamento con TensorBoard.
```
model = create_model()
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir=LOG_DIR, histogram_freq=1)
model.fit(x=x_train,
y=y_train,
epochs=5,
validation_data=(x_test, y_test),
callbacks=[tensorboard_callback])
```
1. Genera il percorso EFS per TensorBoard i log. Utilizza questo percorso per configurare i log dal terminale.
```
EFS_PATH_LOG_DIR = "/".join(LOG_DIR.strip("/").split('/')[1:-1])
print (EFS_PATH_LOG_DIR)
```
Recupera il valore `EFS_PATH_LOG_DIR`. Ti servirà nella sezione di TensorBoard installazione.
## Installa TensorBoard
1. Fai clic sul `Amazon SageMaker Studio Classic` pulsante nell'angolo in alto a sinistra di Studio Classic per aprire Amazon SageMaker Studio Classic Launcher. Questa utilità di avvio deve essere aperta dalla directory root. Per ulteriori informazioni, consulta [Usa Amazon SageMaker Studio Classic Launcher](studio-launcher.md)
1. Nell'utilità di avvio, in `Utilities and files`, fai clic su `System terminal`.
1. Dal terminale, esegui i comandi seguenti: Copia `EFS_PATH_LOG_DIR` dal notebook Jupyter. Devi eseguirlo dalla directory root di `/home/sagemaker-user`.
```
pip install tensorboard
tensorboard --logdir
```
## Avvia TensorBoard
1. Per avviare TensorBoard, copia l'URL di Studio Classic e `lab?` sostituiscilo con il `proxy/6006/` seguente. Devi includere il carattere `/` finale.
```
https://.studio.region.sagemaker.aws/jupyter/default/proxy/6006/
```
1. Vai all'URL per esaminare i risultati.
# Usa Amazon Q Developer con 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).
Amazon SageMaker Studio Classic è un ambiente di apprendimento automatico integrato in cui puoi creare, addestrare, distribuire e analizzare i tuoi modelli nella stessa applicazione. Puoi generare consigli sul codice e suggerire miglioramenti relativi ai problemi di codice utilizzando Amazon Q Developer con Amazon SageMaker AI.
Amazon Q Developer è un assistente conversazionale generativo basato sull'intelligenza artificiale (AI) che può aiutarti a comprendere, creare, estendere e utilizzare le applicazioni. AWS Nel contesto di un ambiente di AWS codifica integrato, Amazon Q può generare consigli sul codice degli sviluppatori e sui loro commenti in linguaggio naturale.
Amazon Q offre il supporto massimo per Java, Python,, C\$1, Go JavaScript TypeScript, PHP, Rust, Kotlin e SQL, oltre ai linguaggi Infrastructure as Code (IaC) JSON (), YAML (), HCL (Terraform CloudFormation) e CDK (CloudFormation Typescript, Python). Supporta anche la generazione di codice per Ruby, C\$1\$1, C, Shell e Scala. Per esempi di come Amazon Q si integra con Amazon SageMaker AI e visualizza suggerimenti di codice nell'IDE Amazon SageMaker Studio Classic, consulta [Code Examples](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/inline-suggestions-code-examples.html) nella *Amazon Q Developer User Guide*.
Per ulteriori informazioni sull'uso di Amazon Q con Amazon SageMaker Studio Classic, consulta la [Amazon Q Developer User Guide](https://docs.aws.amazon.com/amazonq/latest/qdeveloper-ug/sagemaker-setup.html).
# Gestisci il tuo volume di storage Amazon EFS 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).
La prima volta che un utente del tuo team accede ad Amazon SageMaker Studio Classic, Amazon SageMaker AI crea un volume Amazon Elastic File System (Amazon EFS) per il team. Nel volume viene creata una home directory per ogni utente che accede a Studio Classic come parte del team. I file di notebook e i file di dati sono archiviati in queste directory. Gli utenti non hanno accesso alle home directory degli altri membri del team. Il dominio Amazon SageMaker AI non supporta il montaggio di volumi Amazon EFS personalizzati o aggiuntivi.
**Importante**
Non eliminare il volume Amazon EFS. In caso contrario, il dominio non funzionerà più e tutti gli utenti perderanno il loro lavoro.
**Per trovare il volume Amazon EFS**
1. Apri la [console SageMaker AI](https://console.aws.amazon.com/sagemaker/).
1. Nel riquadro di navigazione a sinistra, scegli **Configurazioni admin**.
1. In **Configurazioni di amministrazione**, scegli **Domini**.
1. Dalla pagina **Domini**, seleziona il dominio per cui trovare l'ID.
1. Dalla pagina **Dettagli del dominio**, seleziona la scheda **Impostazioni del dominio**.
1. In **Impostazioni generali**, trova l'**ID dominio**. Il formato dell'ID sarà il seguente: `d-xxxxxxxxxxxx`.
1. Passa `Domain ID`, come `DomainId`, al metodo [describe\$1domain](https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/sagemaker.html#SageMaker.Client.describe_domain).
1. Nella risposta da `describe_domain`, prendi nota del valore per la chiave `HomeEfsFileSystemId`. Questo è l'ID del file system Amazon EFS da utilizzare.
1. Apri la [Console di Amazon EFS](https://console.aws.amazon.com/efs#/file-systems/). Assicurati che la AWS regione sia la stessa utilizzata da Studio Classic.
1. In **File system**, scegli l'ID del file system nella fase precedente.
1. Per verificare di aver scelto il file system corretto, seleziona l'intestazione **Tag**. Il valore corrispondente alla chiave `ManagedByAmazonSageMakerResource` deve corrispondere a `Studio Classic ID`.
Per informazioni su come accedere al volume Amazon EFS, consulta [Using file systems in Amazon EFS](https://docs.aws.amazon.com/efs/latest/ug/using-fs.html).
Per eliminare il volume Amazon EFS, consulta [Deleting an Amazon EFS file system](https://docs.aws.amazon.com/efs/latest/ug/delete-efs-fs.html).
# Fornisci feedback su 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).
Amazon SageMaker AI prende sul serio il tuo feedback. Ti invitiamo a fornire feedback.
**Per fornire feedback**
1. A destra di SageMaker Studio Classic, trova l'icona **Feedback** (![\[Speech bubble icon representing messaging or communication functionality.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/studio/icons/feedback.png)).
1. Scegli un'emoji sorridente per farci sapere quanto sei soddisfatto di SageMaker Studio Classic e aggiungi qualsiasi feedback che desideri condividere con noi.
1. Decidi se condividere la tua identità con noi, quindi seleziona **Invia**.
# Chiudi e aggiorna Amazon SageMaker Studio Classic e le app
**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).
Negli argomenti seguenti viene illustrato come chiudere e aggiornare le app SageMaker Studio Classic e Studio Classic.
Studio Classic fornisce un’icona di notifica (![\[Red circle icon with white exclamation mark, indicating an alert or warning.\]](http://docs.aws.amazon.com/it_it/sagemaker/latest/dg/images/icons/Notification.png)) nell’angolo in alto a destra dell’interfaccia utente di Studio Classic. Questa icona di notifica mostra il numero di avvisi non letti. Per leggere gli avvisi, seleziona l'icona.
Studio Classic offre due tipi di notifiche:
+ Aggiornamento: notifica visualizzata quando Studio Classic o una delle app di Studio Classic rilascia una nuova versione. Per aggiornare Studio Classic, consulta [Chiudi e aggiorna Amazon SageMaker Studio Classic](studio-tasks-update-studio.md). Per aggiornare le app di Studio Classic, consulta [Chiudi e aggiorna le app Amazon SageMaker Studio Classic](studio-tasks-update-apps.md).
+ Informazioni: viene visualizzata per nuove funzionalità e altre informazioni.
Per reimpostare l'icona di notifica, devi selezionare il collegamento in ogni avviso. Le notifiche di lettura potrebbero ancora essere visualizzate nell'icona. Ciò non indica che gli aggiornamenti siano ancora necessari dopo aver aggiornato Studio Classic e le app di Studio Classic.
Per informazioni su come aggiornare [Amazon SageMaker Data Wrangler](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html), consulta. [Chiudi e aggiorna le app Amazon SageMaker Studio Classic](studio-tasks-update-apps.md)
Per assicurarti di disporre degli aggiornamenti software più recenti, aggiorna Amazon SageMaker Studio Classic e le tue app Studio Classic utilizzando i metodi descritti nei seguenti argomenti.
**Topics**
+ [Chiudi e aggiorna Amazon SageMaker Studio Classic](studio-tasks-update-studio.md)
+ [Chiudi e aggiorna le app Amazon SageMaker Studio Classic](studio-tasks-update-apps.md)
# Chiudi e aggiorna 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).
Per aggiornare Amazon SageMaker Studio Classic all'ultima versione, devi chiudere l' JupyterServer app. Puoi chiudere l' JupyterServer app dalla console SageMaker AI, da Amazon SageMaker Studio o da Studio Classic. Dopo aver chiuso l' JupyterServer app, devi riaprire Studio Classic tramite la console SageMaker AI o da Studio che crea una nuova versione dell' JupyterServer app.
Non è possibile eliminare l' JupyterServer applicazione mentre l'interfaccia utente di Studio Classic è ancora aperta nel browser. Se elimini l' JupyterServer applicazione mentre l'interfaccia utente di Studio Classic è ancora aperta nel browser, SageMaker AI ricrea automaticamente l' JupyterServer applicazione.
Qualsiasi informazione non salvata sul notebook viene persa nel processo. I dati utente nel volume Amazon EFS non subiscono alcun impatto.
Alcuni servizi di Studio Classic, come Data Wrangler, vengono eseguiti sulle rispettive app. Per aggiornare questi servizi, devi eliminare l'app relativa a quel servizio. Per ulteriori informazioni, consulta [Chiudi e aggiorna le app Amazon SageMaker Studio Classic](studio-tasks-update-apps.md).
**Nota**
Un' JupyterServer app è associata a un singolo utente di Studio Classic. Quando aggiorni l'app per un utente, ciò non influisce su altri utenti.
La pagina seguente mostra come aggiornare l' JupyterServer app dalla console SageMaker AI, da Studio o dall'interno di Studio Classic.
## Arresta e aggiorna dalla console SageMaker AI
1. Accedi a [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. Seleziona il dominio che include l’applicazione Studio Classic da aggiornare.
1. In **Profili utente**, seleziona il tuo nome utente.
1. In **App**, nella riga visualizzata **JupyterServer**, scegli **Azione**, quindi scegli **Elimina**.
1. Scegli **Sì, elimina l'app**.
1. Digita **delete** nella casella di conferma.
1. Scegli **Elimina**.
1. Dopo aver eliminato l’app, avvia una nuova app Studio Classic per scaricare la versione più recente.
## Chiusura e aggiornamento da Studio
1. Passa a Studio seguendo la procedura indicata in [Avvia Amazon SageMaker Studio](studio-updated-launch.md).
1. Dall’interfaccia utente di Studio, trova il riquadro delle applicazioni sulla sinistra.
1. Dal riquadro delle applicazioni, seleziona **Studio Classic**.
1. Nella pagina di destinazione di Studio Classic, seleziona l’istanza di Studio Classic da arrestare.
1. Scegli **Stop (Arresta)**.
1. Dopo aver arrestato l’app, seleziona **Esegui** per utilizzare la versione più recente.
## Chiusura e aggiornamento dall’interno di Studio Classic
1. Avvia Studio Classic.
1. Nel menu in alto, scegli **File** quindi **Arresta**.
1. Scegli una delle seguenti opzioni:
+ **Shutdown Server**: chiude l'app. JupyterServer Le sessioni di terminale, le sessioni del kernel, SageMaker le immagini e le istanze non vengono chiuse. Queste risorse continuano ad essere addebitate.
+ **Chiudi tutto: chiude tutte le** app, le sessioni terminali, le sessioni del kernel, le immagini e le istanze. SageMaker Queste risorse non vengono più addebitate.
1. Chiudi la finestra
1. Dopo aver eliminato l’app, avvia una nuova app Studio Classic per utilizzare la versione più recente.
# Chiudi e aggiorna le app 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).
Per aggiornare un'app Amazon SageMaker Studio Classic all'ultima versione, devi prima chiudere l' KernelGateway app corrispondente dalla console SageMaker AI. Dopo aver chiuso l' KernelGateway app, devi riaprirla tramite SageMaker Studio Classic eseguendo un nuovo kernel. Il kernel si aggiorna automaticamente. Qualsiasi informazione non salvata sul notebook viene persa nel processo. I dati utente nel volume Amazon EFS non subiscono alcun impatto.
Dopo che un'applicazione è stata chiusa per 24 ore, SageMaker AI elimina tutti i metadati dell'applicazione. Per essere considerato un aggiornamento e per conservare i metadati dell'applicazione, le applicazioni devono essere riavviate entro 24 ore dalla chiusura dell'applicazione precedente. Dopo questa finestra temporale, la creazione di un'applicazione viene considerata una nuova applicazione anziché un aggiornamento dell'applicazione precedente.
**Nota**
Un' KernelGateway app è associata a un singolo utente di Studio Classic. Quando si aggiorna l'app per un utente, ciò non influisce su altri utenti.
**Per aggiornare l' KernelGateway app**
1. Accedi a [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. Seleziona il dominio che include l’applicazione da aggiornare.
1. In **Profili utente**, seleziona il tuo nome utente.
1. In **App**, nella riga che mostra il **Nome dell'app**, scegli **Azioni**, quindi scegli **Elimina**
Per aggiornare Data Wrangler, elimina l'app che inizia con. **sagemaker-data-wrang**
1. Scegli **Sì, elimina l'app**.
1. Digita **delete** nella casella di conferma.
1. Scegli **Elimina**.
1. Dopo aver eliminato l’app, avvia un nuovo kernel da Studio Classic per utilizzare la versione più recente.
# Prezzi 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).
Quando il primo membro del team accede ad Amazon SageMaker Studio Classic, Amazon SageMaker AI crea un volume Amazon Elastic File System (Amazon EFS) per il team. Quando questo o un altro membro del team apre Studio Classic, viene creata una home directory nel volume per questa persona. Per questa directory viene addebitato un costo per lo storage. Successivamente, vengono addebitati costi per lo storage. aggiuntivi per i notebook e i file di dati archiviati nella home directory del membro. Per informazioni sui prezzi di Amazon EFS, consulta [Prezzi di Amazon EFS](https://aws.amazon.com/efs/pricing/).
L’esecuzione di altre operazioni all’interno di Studio Classic, ad esempio l’esecuzione di un notebook, l’esecuzione di job di addestramento e l’hosting di un modello, potrebbe comportare costi aggiuntivi.
Per informazioni sui costi associati all’utilizzo dei notebook Studio Classic, consulta [Misurazione dell'utilizzo per i notebook Amazon SageMaker Studio Classic](notebooks-usage-metering.md).
Per informazioni sulla fatturazione ed esempi di prezzi, consulta la pagina dei [ SageMaker prezzi di Amazon](https://aws.amazon.com/sagemaker/pricing/).
Se Amazon SageMaker Studio è la tua esperienza predefinita, consulta [Prezzi di Amazon SageMaker Studio](studio-updated-cost.md) la pagina per ulteriori informazioni sui prezzi.
# Risoluzione dei problemi 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).
**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.
Questo argomento descrive come risolvere i problemi più comuni di Amazon SageMaker Studio Classic durante la configurazione e l'uso. Di seguito sono riportati gli errori più comuni che potrebbero verificarsi durante l'utilizzo di Amazon SageMaker Studio Classic. Ogni errore è seguito dalla relativa soluzione.
## Problemi relativi all’applicazione Studio Classic
I problemi seguenti si verificano durante l’avvio e l’utilizzo dell’applicazione Studio Classic.
+ **La schermata non si carica: cancellare l'area di lavoro e attendere non aiuta**
Quando si avvia l’applicazione Studio Classic, viene visualizzata una finestra pop-up con il messaggio seguente. Indipendentemente dall’opzione selezionata, Studio Classic non viene caricato.
```
Loading...
The loading screen is taking a long time. Would you like to clear the workspace or keep waiting?
```
L’applicazione Studio Classic può subire un ritardo nell’avvio se nello spazio di lavoro di Studio Classic sono aperte più schede o se ci sono diversi file su Amazon EFS. Questa finestra pop-up dovrebbe scomparire in pochi secondi appena lo spazio di lavoro di Studio Classic è pronto.
Se continui a visualizzare una schermata di caricamento con uno spinner dopo aver selezionato una delle opzioni, potrebbero esserci problemi di connettività con Amazon Virtual Private Cloud utilizzato da Studio Classic.
Per risolvere i problemi di connettività con Amazon Virtual Private Cloud (Amazon VPC) utilizzato da Studio Classic, verifica le configurazioni di rete seguenti:
+ Se il tuo dominio è configurato in `VpcOnly` modalità: verifica che esista un endpoint Amazon VPC per o un gateway NAT per AWS STS il traffico in uscita, incluso il traffico su Internet. A tale scopo, segui le fasi descritte in [Connessione dei notebook Studio in un VPC a risorse esterne](studio-notebooks-and-internet-access.md).
+ Se il tuo Amazon VPC è configurato con un DNS personalizzato anziché il DNS fornito da Amazon: verifica che i percorsi siano configurati utilizzando Dynamic Host Configuration Protocol (DHCP) per ogni endpoint Amazon VPC aggiunto all’Amazon VPC utilizzato da Studio Classic. Per ulteriori informazioni sull'impostazione di set di opzioni DHCP predefiniti e personalizzati, consulta [DHCP option sets in Amazon VPC](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_DHCP_Options.html).
+ ****Internal Failure** all’avvio di Studio Classic**
L’interfaccia utente di Studio Classic non viene visualizzata all’avvio di Studio Classic. Viene inoltre visualizzato un errore simile al seguente, con **Guasto interno** come dettaglio dell'errore.
```
Amazon SageMaker Studio
The JupyterServer app default encountered a problem and was stopped.
```
Questo errore può essere causato da diversi fattori. Se il completamento di questi passaggi non risolve il problema, crea un problema con. https://aws.amazon.com/premiumsupport/
+ **Destinazione di montaggio Amazon EFS mancante**: Studio Classic utilizza Amazon EFS per l’archiviazione. Il volume Amazon EFS necessita di una destinazione di montaggio per ogni sottorete in cui viene creato il dominio Amazon SageMaker AI. Se questa destinazione di montaggio Amazon EFS viene eliminata accidentalmente, l’applicazione Studio Classic non può essere caricata perché non può montare la directory dei file dell’utente. Per risolvere il problema, completa la seguente procedura.
**Per verificare o creare target di montaggio**
1. Trova il volume Amazon EFS associato al dominio utilizzando la chiamata [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html)API.
1. Accedi Console di gestione AWS e apri la console Amazon EFS all'indirizzo [ https://console.aws.amazon.com/efs/](https://console.aws.amazon.com/efs/).
1. Dall'elenco dei volumi Amazon EFS, seleziona il volume Amazon EFS associato al dominio.
1. Nella pagina dei dettagli di Amazon EFS, seleziona la scheda **Rete**. Verifica che esistano target di montaggio per tutte le sottoreti in cui è configurato il dominio.
1. Se mancano i target di montaggio, aggiungi le destinazioni di montaggio Amazon EFS mancanti. Per istruzioni, consulta [Creating and managing mount targets and security groups](https://docs.aws.amazon.com/efs/latest/ug/accessing-fs.html).
1. Dopo aver creato le destinazioni di montaggio mancanti, avvia l’applicazione Studio Classic.
+ **File in conflitto nella `.local` cartella dell'utente**: se utilizzi la JupyterLab versione 1 su Studio Classic, le librerie in conflitto `.local` nella cartella possono causare problemi all'avvio dell'applicazione Studio Classic. Per risolvere questo problema, aggiorna la JupyterLab versione predefinita del profilo utente alla 3.0. JupyterLab Per ulteriori informazioni sulla visualizzazione e l'aggiornamento della JupyterLab versione, vedere[JupyterLab Controllo delle versioni in Amazon SageMaker Studio Classic](studio-jl.md).
+ ****ConfigurationError:** all' LifecycleConfigavvio di Studio Classic**
L’interfaccia utente di Studio Classic non viene visualizzata all’avvio di Studio Classic. Ciò è causato da problemi con lo script di configurazione del ciclo di vita predefinito collegato al dominio.
**Per risolvere i problemi di configurazione del ciclo di vita**
1. Visualizza Amazon CloudWatch Logs per la configurazione del ciclo di vita per tracciare il comando che ha causato l'errore. Per visualizzare il log, segui le fasi descritte in [Verifica il processo di configurazione del ciclo di vita da Logs CloudWatch](studio-lcc-debug.md#studio-lcc-debug-logs).
1. Scollega lo script predefinito dal profilo utente o dal dominio. Per ulteriori informazioni, consulta [Aggiorna e scollega le configurazioni del ciclo di vita in Amazon Studio Classic SageMaker](studio-lcc-delete.md).
1. Avvia l’applicazione Studio Classic.
1. Esegui il debug dello script di configurazione del ciclo di vita. Puoi eseguire lo script di configurazione del ciclo di vita dal terminale di sistema per risolvere i problemi. Quando lo script viene eseguito correttamente dal terminale, puoi collegarlo al profilo utente o al dominio.
+ **SageMaker Le funzionalità principali di Studio Classic non sono disponibili.**
Se ricevi questo messaggio di errore all’apertura di Studio Classic, potrebbe essere dovuto a conflitti di versione del pacchetto Python. Ciò si verifica se hai utilizzato i seguenti comandi in un notebook o in un terminale per installare pacchetti Python che presentano conflitti di versione con le dipendenze dei pacchetti SageMaker AI.
```
!pip install
```
```
pip install --user
```
Per risolvere il problema, completala seguente procedura:
1. Disinstalla i pacchetti Python installati di recente. Se non sei sicuro del pacchetto da disinstallare, crea un problema con. https://aws.amazon.com/premiumsupport/
1. Riavvia Studio Classic:
1. Chiudi Studio Classic dal menu **File**.
1. Attendi un minuto.
1. Riapri Studio Classic aggiornando la pagina o aprendola dalla Console di gestione AWS.
Il problema dovrebbe essere risolto se è stato disinstallato il pacchetto che ha causato il conflitto. Per installare i pacchetti senza causare nuovamente questo problema, utilizza `%pip install` senza il flag `--user`.
Se il problema persiste, crea un nuovo profilo utente e configura l'ambiente con quel profilo utente.
Se queste soluzioni non risolvono il problema, crea un problema con https://aws.amazon.com/premiumsupport/.
+ **Impossibile aprire Studio Classic dalla Console di gestione AWS.**
Se non riesci ad aprire Studio Classic e non riesci a creare una nuova istanza in esecuzione con tutte le impostazioni predefinite, crea un problema con https://aws.amazon.com/premiumsupport/.
## KernelGateway problemi relativi all'applicazione
I seguenti problemi sono specifici KernelGateway delle applicazioni avviate in Studio Classic.
+ **Impossibile accedere alla sessione Kernel**
Quando l'utente avvia un nuovo notebook, non è in grado di connettersi alla sessione del notebook. Se lo stato dell' KernelGateway applicazione è`In Service`, puoi verificare quanto segue per risolvere il problema.
+ **Controllo delle configurazioni dei gruppi di sicurezza**
Se il dominio è configurato in `VPCOnly` modalità, il gruppo di sicurezza associato al dominio deve consentire il traffico tra le porte nell'intervallo di `8192-65535` connettività tra le JupyterServer e KernelGateway le app.
**Per verificare le regole del gruppo di sicurezza**
1. Ottieni i gruppi di sicurezza associati al dominio utilizzando la chiamata [DescribeDomain](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_DescribeDomain.html)API.
1. Accedi Console di gestione AWS e apri la console Amazon VPC all'indirizzo. [https://console.aws.amazon.com/vpc/](https://console.aws.amazon.com/vpc/)
1. Nel riquadro di navigazione a sinistra, in **Sicurezza**, scegli **Gruppi di sicurezza**.
1. Filtra in base ai gruppi IDs di sicurezza associati al dominio.
1. Per ogni gruppo di sicurezza:
1. Seleziona il gruppo di sicurezza.
1. Dalla pagina dei dettagli del gruppo di sicurezza, visualizza le **Regole in entrata**. Verifica che il traffico sia consentito tra le porte dell'intervallo `8192-65535`.
Per ulteriori informazioni sulle regole del gruppo di sicurezza, consulta [Control traffic to resources using security groups](https://docs.aws.amazon.com/vpc/latest/userguide/VPC_SecurityGroups.html#working-with-security-group-rules). Per ulteriori informazioni sui requisiti per utilizzare Studio Classic in modalità `VPCOnly`, consulta [Connessione dei notebook Studio in un VPC a risorse esterne](studio-notebooks-and-internet-access.md).
+ **Verifica il firewall e WebSocket le connessioni**
Se le KernelGateway app hanno uno `InService` stato e l'utente non è in grado di connettersi alla sessione del notebook Studio Classic, verifica il firewall e WebSocket le impostazioni.
1. Avvia l’applicazione Studio Classic. Per ulteriori informazioni, consulta [Avvia Amazon SageMaker Studio Classic](studio-launch.md).
1. Apri gli strumenti per sviluppatori del tuo browser Web.
1. Scegli la scheda **Rete**.
1. Cerca una voce che corrisponda al formato seguente.
```
wss://.studio..sagemaker.aws/jupyter/default/api/kernels//channels?session_id=
```
Se lo stato o il codice di risposta dell'immissione è diverso da questo`101`, le impostazioni di rete impediscono la connessione tra l'applicazione Studio Classic e le KernelGateway app.
Per risolvere questo problema, contattate il team che gestisce le impostazioni di rete per consentire l'elenco dell'URL di Studio Classic e l'attivazione delle WebSocket connessioni.
+ **Impossibile avviare un'app a causa del superamento delle quote delle risorse**
Quando un utente tenta di avviare un nuovo notebook, la creazione del notebook non riesce e causa uno dei seguenti errori. Ciò è causato dal superamento delle quote delle risorse.
+
```
Unable to start more Apps of AppType [KernelGateway] and ResourceSpec(instanceType=[]) for UserProfile []. Please delete an App with a matching AppType and ResourceSpec, then try again
```
Studio Classic supporta fino a quattro KernelGateway app in esecuzione sulla stessa istanza. Per risolvere il problema, puoi procedere in uno dei seguenti modi:
+ Elimina un' KernelGateway applicazione esistente in esecuzione sull'istanza, quindi riavvia il nuovo notebook.
+ Avviare il nuovo notebook su un tipo di istanza diverso
Per ulteriori informazioni, consulta [Modifica del tipo di istanza per un notebook Amazon SageMaker Studio Classic](notebooks-run-and-manage-switch-instance-type.md).
+
```
An error occurred (ResourceLimitExceeded) when calling the CreateApp operation
```
In questo caso, l’account non ha limiti sufficienti per creare un’applicazione Studio Classic sul tipo di istanza specificato. Per risolvere il problema, accedi alla Quote di servizio console all'indirizzo [https://console.aws.amazon.com/servicequotas/](https://console.aws.amazon.com/servicequotas/). In quella console, richiedi di aumentare il limite `Studio KernelGateway Apps running on instance-type instance`. Per ulteriori informazioni, consulta [AWS service quotas](https://docs.aws.amazon.com/general/latest/gr/aws_service_limits.html).